Recentemente falamos aqui sobre a chegada da Inteligência Artificial no universo audiovisual, abordando o seu uso pelos grandes estúdios e plataformas de streaming. Mas o emprego da IA neste segmento vai ainda mais longe, sendo capaz de prever, por exemplo, o sucesso de um filme antes mesmo do roteiro sair do papel, evitando que milhões sejam despejados pelo ralo. O fato é que há muito tempo os executivos de Hollywood vêm tentando decifrar o mapa do sucesso. As probabilidades indicam que um roteiro médio tem 0,003% de chance de chegar aos cinemas e quase 90% dos que conseguem são deficitários, ou seja: as receitas obtidas com a bilheteria e exibição nas mais diversas plataformas (TV a cabo, streaming) não são suficientes para cobrir os custos de produção, enquanto apenas míseros 6% respondem por 80% do lucro total de Hollywood. Neste artigo, vamos conhecer algumas soluções que prometem ajudar a desvendar este enigma, minimizando os riscos de fracassos retumbantes e também colaborando para escrever um novo capítulo da história da sétima arte o que certamente vai impactar em toda a indústria de conteúdos audiovisuais. E a Rush Vídeo, produtora localizada em Campinas, interior de São Paulo, acompanha de perto mais esta revolução do setor.

ScriptBook

Esta solução pautada em IA analisa o potencial de produções tendo por base o roteiro. De acordo com a empresa responsável pelo software, a Script2Screen, decisões subjetivas levam ao fracasso de bilheteria, mas graças ao software desenvolvido por eles é possível gerar uma avaliação indicando os caminhos para o sucesso comercial e de crítica de um projeto, junto com insights sobre o enredo. O ScriptBook treinou seus algoritmos para detectar padrões que histórias atraentes têm em comum, com base em um conjunto de dados de scripts que tiveram um lançamento nos cinemas entre 1990 e 2016.

Obviamente que a ferramenta não dispensa a análise de profissionais qualificados que, inclusive, torcem o nariz para a novidade. Em sua defesa a empresa, inclusive, afirma que o seu objetivo é apenas fornecer aos escritores uma ferramenta para ajudá-los a analisar seu trabalho, oferecendo métricas e análises objetivas para um trabalho extremamente subjetivo.

O ScriptBook afirma ainda em seu site que em uma análise de 62 filmes, lançados entre 2014 e 2015, o seu algoritmo teria dado cartão vermelho para 22 dos 32 fracassos de bilheteria. Em contrapartida, validaria todos os filmes que tiveram um bom desempenho nas bilheterias americanas. “O valor agregado de nossa tecnologia reside na melhoria do atual processo de tomada de decisão humana em todo o espectro do script à tela, evitando equívocos enquanto maximiza o potencial de acertos”, diz o site.

Nadira Azermai, criadora do ScriptBook, diz que a ideia de desenvolver o software surgiu depois de testemunhar, em primeira mão, pois trabalhava um grande estúdio na época, um dos maiores fracassos de bilheteria da história: “Gigli” de 2003, uma comédia romântica, estrelada por Jennifer Lopez, Ben Affleck e Al Pacino, que arrecadou apenas US$ 7,2 milhões na bilheteria, apesar do orçamento de US $ 76 milhões.

 

Trailers

Mas não são apenas os roteiros que passam pelo crivo das ferramentas de IA. Aliás, para desvendar o tal mapa da mina é preciso analisar outras informações relevantes que podem ser determinantes para a boa performance de uma produção. Uma delas é o desenvolvimento dos trailers, considerados um elemento crítico nas campanhas de marketing para os novos filmes, afinal são responsáveis por comunicar o enredo,

apresentar os personagens principais e revelar pistas importantes sobre a história e a forma como será contada. Para ajudar a compor este material, pesquisadores da 20th Century Fox desenvolveram um software amparado numa estrutura de aprendizado profundo, por meio de uma biblioteca de dados, para prever qual público um determinado filme deve atrair, com base no seu trailer. Para isso, o sistema foi alimentado com centenas de trailers de produções lançadas nos últimos anos, bem como milhões de registros de frequência do público. Segundo os pesquisadores, os cruzamentos dos dados revelam associações não triviais entre os recursos usados no trailer e as futuras escolhas da plateia após o lançamento do filme em cinema ou serviços de streaming, com potencial para ajudar produtores e executivos da indústria cinematográfica a tomar decisões mais assertivas em diferentes estágios de uma campanha de marketing.

Existem ainda ferramentas de IA capazes de avaliar qual público, por região demográfica, deve comparecer às salas de cinema ao analisar a resposta online dos trailers e ainda mensurar o número de bilheteria. Outro filão é a identificação do público-alvo de cada produção. Numa análise mais precipitada parece uma tarefa fácil definir que tipo de consumidor um filme deve atrair, entretanto não são raros os distribuidores que lançam um filme direcionando a sua campanha para um determinado público, sem conseguir identificar que, no roteiro, a participação de personagens com este perfil é pequena. Para isso, é feita uma análise a partir de um banco de dados abastecido com roteiros de filmes diversos onde são identificadas palavras usadas nas falas dos personagens e, com base neste parâmetro, indicadas as tendências de termos e textos atribuídos a personagens femininos ou masculinos, ajudando a entender a sua prevalência e com isso definir o público-alvo de forma mais embasada e compor uma campanha mais focada e, portanto, com mais chances de êxito.

 

Definições

Inteligência artificial pode ser definida como a ciência responsável por fazer com que máquinas tomem decisões racionais, fundamentadas na obtenção e tratamento de informações oriundas de diversas fontes como: texto, imagem, som, entre outros. E para que isso seja possível, é preciso trabalhar dentro de alguns conceitos como NLP (Natural Language Processing), Machine Learning e Deep Learning.

O NLP tem por objetivo trazer uma contextualização a máquina, permitindo que ela opere levando esta variável em consideração. Quanto mais parâmetros são fornecidos ao sistema, mais preciso vai ficando o seu desempenho. É o caso do Google tradutor que, aos poucos, vai adaptando a tradução de uma mesma palavra aos diferentes contextos em que pode estar inserida. Já o Machine Learning lida com a obtenção de informação através da inserção de dados por parte do usuário, visando a adaptação e melhoria de atividades. É a ferramenta usada para a recomendação de filmes ou músicas pelas plataformas de streaming. Tendo por base os acessos e visualizações do usuário, este sistema consegue estabelecer um padrão e recomendar outros produtos com um perfil semelhante. Já o Deep Learning treina computadores para realizar tarefas como seres humanos, o que inclui reconhecimento de fala, identificação de imagem e previsões.

 

Rush Video – Ideias em movimento.