Давайте уже относиться к кино как к продукту, а к режиссёру – как к продакт-менеджеру

Кажется, пора перестать стесняться.

Если зритель – пользователь,
его внимание – ресурс,
первые минуты фильма – онбординг, клиффхэнгер – push-уведомление,
а успех сцены можно проверить по удержанию аудитории, то
режиссёру давно пора выдать Kaiten и квартальные KPI.

В конце концов, теория кино слишком долго всё усложняла.

У Эльзессера¹ зритель постепенно обрастал телом, слухом, памятью, взглядом, мозгом. У Брэнигана он умудрялся ещё и думать: строил гипотезы, определял, кто видит и кто знает, пересобирал значение увиденного. Субъективная и объективная камера вообще к камере не относилась. 

К нашему зриетльскому пользовательскому счастью, IT позволило наконец избавиться от этой гуманитарной избыточности. Теперь мы точно знаем: на 17-й минуте зритель ушёл. Почему – вопрос факультативный.

И пока аналитика просто измеряет поведение после просмотра, ничего особенно интересного не происходит. Веселье начинается, когда метрика возвращается обратно в производство.

Зритель ушёл на длинной сцене – сократим. Не понял – объясним. Просел темп – добавим событие. Не хватает эмоционального вовлечения – выдадим эмоцию пораньше. 

Так форма наконец-то превращается в оптимизацию воронки. Продуктовый подход действительно умеет отвечать на вопрос, который теория кино решала значительно хуже: смотрит ли человек дальше? Продуктовая аналитика выяснила, что зритель делает с кнопкой play,  смотрит ли на х2 и в какой момент. Так что, возможно, режиссёр будущего (текущего?) действительно продакт не самого нужного продукта.

Главное – не забывайте проводить A/B-тест финала. В конце концов, если «целое» действительно гармонично складывается из «частей», это неплохо бы подтвердить на статистически значимой выборке.

Всё вышеизложенное является художественным вымыслом. Любые совпадения с реальными продакт-менеджерами, режиссёрами, платформами, метриками и квартальными KPI случайны. Ни один зритель в процессе оптимизации воронки не пострадал.

Сто лет назад Эрих фон Штрогейм жаловался на то, как MGM порезала его «Алчность»:

«Картину передали монтажёру, работавшему за 30 долларов в неделю, который не читал ни романа, ни сценария и в голове которого мозга было не больше, чем в шляпе».

Прошло больше ста лет (!)

Теперь картину передают AI-креатору за 30 долларов в месяц (ну или syntx за 300), который тоже не читал ни романа, ни сценария, зато умеет сделать кросс-дизолв (!!), где лицо героя плавно превращается в Эйфелеву башню.

Вот такая эволюция киноинструментария и киноязыка

Человек-паук: Новый день. Тот, кого никогда не было.

Питер Паркер – обычный парень из Нью-Йорка. У него есть имя, лицо, документы, друзья, работа, прошлое и убедительная биография. Есть только одна проблема: Питера Паркера никогда не существовало.

В кино это называется персонажем. В антифроде всё чаще приходится иметь дело с похожей конструкцией, только без костюма и паутины: лицо можно сгенерировать, документ подделать, биографию собрать, а цифровой след постепенно нарастить.

В итоге перед системой оказывается человек, у которого есть почти всё, что обычно подтверждает личность. Кроме самой личности.

В статье «Человек, которого никогда не было» разбираем, как появляются такие синтетические личности и почему проверить отдельно лицо и документ уже недостаточно.

И да, главный спойлер: в реальности никакого Питера Паркера в конце может не оказаться.

В системах видеонаблюдения и видеоаналитики часто приходится иметь дело с кадрами низкого качества. Объект съемки далеко, плохое освещение, ограниченные возможности камеры – и вместо четкой картинки мы получаем лишь набор пикселей. Знакомая ситуация?

В чем сложность?

Главная трудность – "пропасть" между миром четких картинок (на которых обычно учатся модели) и миром размытых кадров. Алгоритмы плохо переносят знания из одного "мира" в другой.

Как с этим бороться?

В нашей новой (и первой) статье мы подробно разобрали ключевые подходы к решению такой проблемы в контексте распознавания лиц:

1. "Дорисовка" деталей: специальные нейросети пытаются увеличить и улучшить размытое изображение перед анализом. Работает, но есть риск "придумать" несуществующие детали.

2. Адаптация модели: как "подружить" алгоритм с плохим качеством?

• Трюки с данными: искусственно ухудшаем хорошие изображения при обучении (сжатие, шум), чтобы модель привыкла к помехам.

• Дообучение: учим модель на реальных размытых данных. Важно делать это аккуратно, чтобы она не забыла, как работать с четкими изображениями. Помогают методы вроде LoRA (дообучение только маленькой части сети).

• "Учитель" для "ученика": мощная модель, видящая четкие картинки, учит компактную модель работать с размытыми, передавая свои "знания".

3. PETALface: новый подход, который динамически комбинирует разные "настройки" (LoRA-адаптеры) в модели в зависимости от качества конкретного входящего кадра. Перспективно, но требует дальнейшего изучения.

Хотите разобраться глубже?

В статье мы подробно разбираем плюсы и минусы каждого подхода, рассматриваем специализированные датасеты (TinyFace, BRIAR) и анализируем нюансы свежего метода PETALface.

Сталкивались ли вы с проблемой низкого разрешения в своих проектах? Какие методы оказались эффективными? Делитесь опытом в комментариях!