«Μπορούμε να προβλέψουμε με νόημα πώς πάνε τα πράγματα;» Πώς η τεχνητή νοημοσύνη θα μπορούσε να διαμορφώσει τον τρόπο με τον οποίο οι εκδότες επενδύουν

Αυτό το άρθρο είναι μέρος της Εβδομάδας AI.

Τον Ιανουάριο, ο αναλυτής Joost van Dreunen δημοσίευσε ένα λευκό χαρτί σχετικά με το πώς τα μικρά γλωσσικά μοντέλα (SLM) – σε αντίθεση με τα μεγάλα γλωσσικά μοντέλα (LLM) – έχουν τη δυνατότητα να μεταμορφώσουν την επιχειρηματική ευφυΐα.

Ο Van Dreunen συνίδρυσε την εταιρεία πληροφοριών αγοράς SuperData Research το 2010, η οποία πουλήθηκε στη Nielsen το 2018 και στη συνέχεια ξεκίνησε την εταιρεία ανάλυσης Aldora. Εδώ, εξηγεί GamesIndustry.biz πώς η Aldora AI θα μπορούσε να μεταμορφώσει τον τρόπο με τον οποίο οι εταιρείες παιχνιδιών αλληλεπιδρούν με τα δεδομένα της αγοράς, βοηθώντας ακόμη και στην πρόβλεψη των μελλοντικών τάσεων.

Ποιο είναι το πρόβλημα που αντιμετωπίζει η επιχειρηματική ευφυΐα;

Το θεμελιώδες ζήτημα στο πλαίσιο της τεχνητής νοημοσύνης είναι ότι μεγάλες εταιρείες όπως η Nielsen έχουν πολλά δεδομένα ερευνών, αλλά πρόκειται για μεγάλης κλίμακας, περίπλοκες διαδικασίες.

Μεγάλωσα ως ερευνητής σε έναν κόσμο όπου είναι μια σχεδόν τελετουργική διαδικασία, όπου υποβάλλουμε ένα αίτημα για μια πρόταση και στη συνέχεια επτά διαφορετικοί πωλητές προσκαλούνται να κάνουν την καλύτερη προσφορά τους. Και μετά θα περάσουμε από εβδομάδες ανασκόπησης: θα εξετάσουμε τις ερωτήσεις της έρευνας, και μετά ο Timmy και ο Joey και η Jessica, θα εξετάσουν όλες τις διάφορες διαφάνειες, και θα περάσουμε από επαναλήψεις της τράπουλας και μετά θα το παρουσιάσουμε επιτόπου.

Είναι αυτή η δυσκίνητη διαδικασία, και μέχρι να βγουν αυτοί οι αριθμοί, ο κόσμος έχει προχωρήσει. Έτσι, μέρος του ζητήματος είναι ότι τα υπάρχοντα οργανωτικά μοντέλα για τις εταιρείες έρευνας απλώς δεν ταιριάζουν με την ταχύτητα των επιχειρήσεων. Έχετε αυτές τις ολονύχτιες επιτυχίες όπως το Grow A Garden ή το Steal A Brainrot, και κανείς δεν το βλέπει να έρχεται εκτός από μερικές από τις μικρότερες περιθωριακές εταιρείες που ειδικεύονται σε αυτά. Αλλά οι μεγάλες εταιρείες απλώς δεν μπορούν πλέον να ανιχνεύουν σημαντικά σήματα στην αγορά, επειδή απλώς δεν είναι σωστά οργανωμένες. Είναι ένα δομικό ζήτημα περισσότερο από οτιδήποτε άλλο.

Πώς ακριβώς θα μπορούσε να βοηθήσει το AI;

Η τεχνητή νοημοσύνη περιγράφεται συχνά ως εργαλείο δημιουργίας περιεχομένου: νομίζω ότι αυτός είναι ο λόγος που πολλοί άνθρωποι έχουν κάποιο σκεπτικισμό γύρω από αυτό. Ο τρόπος που το βλέπουμε είναι ως εργαλείο διανομής.

Το AI μπορεί να σας βοηθήσει να διανείμετε πληροφορίες και να έχετε πρόσβαση σε πληροφορίες πιο εύκολα, να σας επιτρέψει να εκτελέσετε πολλά σενάρια και να εξετάσετε το πρόβλημα με πιο ευέλικτο, επαναληπτικό τρόπο.

Η εστίασή μας είναι ιδιαίτερα στα μοντέλα μικρών γλωσσών. Διαφέρουν από τα μεγάλα γλωσσικά μοντέλα στο ότι είναι μικρότερα, αλλά ως αποτέλεσμα και φθηνότερα στη συντήρηση. Είναι πιο ενεργειακά αποδοτικοί: λειτουργούν σε υπολογιστική βάση, έτσι μπορώ να το χρησιμοποιήσω από ένα smartphone σε αντίθεση με μια διαδικτυακή σύνδεση και μπορώ να το συνδυάσω με προσωπικά δεδομένα επειδή είναι ασφαλή – σε αντίθεση με εμένα που μια μεγάλη εταιρεία Fortune 500 πρέπει να μοιράζεται τα εσωτερικά μου δεδομένα με το OpenAI για να εκτελέσει κάποια ανάλυση.

Έτσι, τα μοντέλα μικρών γλωσσών σας επιτρέπουν βασικά να έχετε πρόσβαση σε επίπεδο ειδικών σε πληροφορίες με έναν τρόπο λειτουργίας που είναι ασφαλής, ασφαλής και αποτελεσματικός, σε αντίθεση με το να τις ρίχνετε σε ένα μεγάλο γλωσσικό μοντέλο, το οποίο είναι λιγότερο αποτελεσματικό και λιγότερο ασφαλές.

Δεν χρειάζεσαι όλη αυτή τη δύναμη πυρός. Δεν χρειάζεστε απαραίτητα 700 δισεκατομμύρια παραμέτρους όταν ένα μοντέλο παραμέτρων 7 δισεκατομμυρίων μπορεί να αρκεί.

Άρα ένας SLM κάνει βασικά ένα πράγμα πολύ καλά αντί να προσπαθεί να κάνει τα πάντα;

Ακριβώς σωστά. Η φύση της βιομηχανίας παιχνιδιών είναι η εξειδίκευση, επομένως δεν χρειάζεται να γνωρίζω όλα τα άλλα που συνέβησαν, απλά πρέπει να απαντήσω σε αυτό το υποσύνολο ερωτήσεων.

Μπορείτε ακόμη και να το περιορίσετε και να πείτε, λοιπόν, το μόνο που φτιάχνουμε ως στούντιο είναι ένα παιχνίδι σκοποβολής και δραστηριοποιούμαστε στη βιομηχανία κινητής τηλεφωνίας, επομένως δεν χρειάζεται να ξέρω όλα αυτά τα άλλα πράγματα. Μπορείτε να είστε πολύ πιο συγκεκριμένοι για τις ανάγκες σας.

Μπορείτε να μου δώσετε ένα παράδειγμα για το πώς θα λειτουργούσε αυτό το είδος συστήματος;

Στο βασικό επίπεδο, μπορείτε απλώς να κάνετε προτροπές και να πείτε, Hey, ποια είναι τα μεγαλύτερα [games]? Ποια είναι τα καλύτερα; Ποιο είναι το επόμενο βήμα; Τέτοια πράγματα.

Με την πάροδο του χρόνου, όταν κάνετε ενισχυτική μάθηση καθώς την εκπαιδεύετε στα εσωτερικά σας δεδομένα, μπορείτε επίσης [use it to take on] η δουλειά του αναλυτή. Η δουλειά ενός αναλυτή είναι να προβλέψει τη σωστή ή την επόμενη ερώτηση, να ακούσει το αφεντικό του αφεντικού του να θέτει μια ερώτηση και μετά να πει, «Η ερώτηση στην οποία πραγματικά προσπαθείτε να απαντήσετε είναι αυτή η άλλη». Με την ενισχυτική μάθηση, μπορείτε να κάνετε ακριβώς αυτό. Εάν γνωρίζετε αρκετά για το θέμα, μπορείτε να πείτε, “Αυτό που πραγματικά με ρωτάτε δεν αφορά την απόκτηση χρηστών, αλλά την ποικιλία όπλων στο παιχνίδι σκοπευτών σας”. Μπορείτε να ακολουθήσετε διαφορετικές προσεγγίσεις στο ίδιο σύνολο προβλημάτων.

Ένα πρόβλημα που συχνά αναφέρουν οι άνθρωποι με την τεχνητή νοημοσύνη είναι ότι μπορεί να είναι με βεβαιότητα λάθος και ότι θέλει να σας ευχαριστήσει. Πώς μπορεί να εξηγηθεί αυτό στο είδος του μοντέλου για το οποίο μιλάτε;

Όπως θα έλεγε η τεχνητή νοημοσύνη, αυτή είναι μια μεγάλη ερώτηση. Πρέπει να υπάρχουν άνθρωποι χειριστές στο μείγμα, κάτι που το καθιστά δύσκολο και δαπανηρό σε κάποιο βαθμό, αλλά νομίζω ότι είναι μια απαραίτητη, υποχρεωτική αναποτελεσματικότητα που θα αποτρέψει ορισμένες από αυτές τις ασθένειες της τεχνητής νοημοσύνης.

Αυτό που κάνει, ωστόσο, είναι ότι ισοπεδώνει τον αριθμό των επιπέδων μεταξύ του παρόχου και του καταναλωτή πληροφοριών.

Φαίνεται λοιπόν ότι τα άτομα που χρησιμοποιούν αυτό το εργαλείο πρέπει να εκπαιδευτούν και το βάρος βαρύνει αυτούς να βεβαιωθούν ότι η απάντηση είναι σωστή εξετάζοντας τα δεδομένα.

Ναι, απολύτως. Με τον ίδιο τρόπο που πριν από μια δεκαετία στην επιχειρηματική ευφυΐα, είχατε ανθρώπους που χρησιμοποιούσαν το Excel, και μετά υπήρχε μια σειρά ερευνητών και αναλυτών επιχειρηματικής ευφυΐας που το αναβάθμισαν ήδη σε SQL [structured query language] επίπεδο. Έτσι θα έκαναν ανάλυση παλινδρόμησης χρησιμοποιώντας SQL και ήταν απλώς πιο αποτελεσματικοί.

Από πολλές απόψεις υπάρχει μια αλληγορία ότι μπορούμε να κάνουμε μια ανάλυση παλινδρόμησης όλη την ημέρα, αλλά αν δεν ξέρετε ότι τα δεδομένα που εισήχθησαν σε αυτήν ήταν κατάλληλα δομημένα, το αποτέλεσμα δεν έχει νόημα – αυτό θα ισοδυναμούσε με ψευδαίσθηση AI.

Φαίνεται ότι το πλεονέκτημα για τις εταιρείες είναι ότι μπορείτε να κάνετε πολλές ερωτήσεις γρήγορα αντί να περιμένετε εβδομάδες για να επανέλθει μια ανάλυση.

Και έχετε στη διάθεσή σας ένα ειδικό μοντέλο. Η προσωπική μου εμπειρία είναι ότι ο Διευθύνων Σύμβουλος μου ζητά να συμμετέχω σε έναν οργανισμό, αλλά δεν μπορώ να μιλήσω με κάθε διευθυντή σε έναν οργανισμό. Αλλά τι θα γινόταν αν μπορούσαν όλοι να έχουν πρόσβαση ένας προς έναν, όχι μόνο σε μία εκδοχή μου, αλλά σε ένα συμβούλιο ειδικών στα βιντεοπαιχνίδια, και μπορείτε να υποβάλετε τις ερωτήσεις σας από αυτούς με βάση μελέτες περιπτώσεων, έρευνες, κάθε είδους πληροφορίες που έχουν δημοσιεύσει στο παρελθόν. Τώρα λοιπόν έχουμε αυτούς τους βαρέων βαρών συμβούλους που βασικά σας βοηθούν να σκεφτείτε ένα πρόβλημα.

Πόσο κοντά είμαστε στο να συμβεί αυτό; Μάλλον αυτό είναι κάτι στο οποίο εργάζεστε στην Aldora, σωστά;

Σωστός. Ξοδεύουμε τα τελευταία δύο χρόνια συγκεντρώνοντας τόσο δομημένα όσο και μη δομημένα σύνολα δεδομένων για τη δημιουργία των δεδομένων εκπαίδευσης.

Πόσο κοντά είστε στο να το λανσάρετε ως προϊόν;

Η κυκλοφορία θα είναι καλοκαίρι: Q2, Q3. Περιμένω να είναι Q3, αλλά ελπίζω για Q2.

Από πού προέρχονται τα δεδομένα; Αυτά είναι δικά σας δεδομένα ή βάζετε εταιρείες να σας δώσουν τα δεδομένα; Και υπάρχουν ξεχωριστά SLM για διαφορετικές εταιρείες;

Συγκεντρώνω δεδομένα καθώς προχωράω όλα αυτά τα χρόνια, και έτσι κατάφερα να δημιουργήσω ένα μεγάλο σύνολο δεδομένων τα τελευταία 10 χρόνια που είναι δομημένο τόσο από την άποψη των αναφορών κερδών όσο και από μια δέσμη μεταγραφών στοιχείων που θα έλεγαν οι CEO και οι CMOs…

Δηλαδή, αυτή είναι δημόσια διαθέσιμη πληροφορία;

Δημόσιο, αλλά φυσικά καθώς προχωράτε, χτίζετε αναλύσεις και μοντέλα αγοράς γύρω από αυτά τα πράγματα. Όλα κοστίζουν χρόνο, αλλά όλα πηγαίνουν στο λουκάνικο στο τέλος.

Τα μη δομημένα δεδομένα προέρχονται από όταν κάνετε ένα βήμα πίσω και λέτε, καλά, τι γράφεται εκεί έξω; Ποια είναι τα ακαδημαϊκά άρθρα; Ποιες είναι οι περιπτωσιολογικές μελέτες; Ποιες είναι οι επιχειρηματικές υποθέσεις; Ποιες είναι οι συνεντεύξεις; Ποιες είναι οι συζητήσεις εκεί έξω με συγκεκριμένα άτομα που είναι προσαρμοσμένες σε συγκεκριμένες εταιρείες ή σετ προβλημάτων που σχετίζονται με τη βιομηχανία παιχνιδιών; Υπό αυτή την έννοια, τότε ξαφνικά γίνεται πιο περίπλοκη εργασία, αλλά αποκτάς πολύ καλύτερη εικόνα.

Όπως, CEO ενός μεγάλου εκδότη σήμερα, ξεκίνησαν την καριέρα τους κάπου. Ποια ήταν η δουλειά τους; Τι έκαναν; Ποια ήταν η μεγάλη τους στιγμή; Γιατί εξελέγησαν Διευθύνοντες Σύμβουλοι; Καθώς παρακολουθείτε όλα αυτά τα πράγματα, αποκτάτε πολύ καλύτερη εικόνα για το ποια είναι πιθανό να είναι η επόμενη απόφασή τους, ποια θα είναι η νούμερο ένα ή η δεύτερη επιλογή τους, επειδή έχουν μιλήσει για αυτά τα πράγματα στο παρελθόν.

Είναι σχεδόν σαν μια Oracle που προβλέπει τι πρόκειται να κάνει κάποιος.

Θα ήταν Oracle αν το έβγαζαν από ένα καπέλο σε μια καπνιστή σπηλιά, αλλά οι άνθρωποι είναι αρκετά συνεπείς, θεωρώ, ακόμη και σε μια δημιουργική βιομηχανία. Αν κάποιος ήταν ο παραγωγός για έναν συγκεκριμένο τίτλο ή franchise και η μεγάλη του επιτυχία ήταν να τα κάνει όλα μπλε, ξέρετε ότι ως Διευθύνων Σύμβουλος αργότερα στην καριέρα του, θα υποστηρίξουν το μπλε περισσότερο από οποιοδήποτε άλλο χρώμα.

Αυτό στο οποίο προσπαθώ πάντα να το επαναφέρω είναι, μπορούμε να προβλέψουμε με νόημα πώς πάνε τα πράγματα; Η βιομηχανία παιχνιδιών διευθύνεται από λίγες μόνο χιλιάδες άτομα, πραγματικά. Αυτά είναι λοιπόν τα είδη των ερωτήσεων που εξετάζουμε.

Πώς θα λειτουργήσει αυτό από πρακτική άποψη; Οι άνθρωποι θα σας κάνουν ερωτήσεις και στη συνέχεια θα το τροφοδοτήσετε στο μηχάνημα ή θα παρέχετε μια έκδοση αυτού του λογισμικού για χρήση από τις εταιρείες;

Η αρχική διάθεση θα είναι η πρόσβαση σε ένα τοπικό μοντέλο μικρής γλώσσας που τροφοδοτείται από τα δεδομένα μας. Έτσι, δημιουργούμε ολόκληρη αυτή τη λίμνη δεδομένων, έχουμε όλες αυτές τις πληροφορίες αγοράς και τις χρησιμοποιούμε από την πλευρά του προϊόντος για να δημιουργήσουμε ένα leaderboard.

Λέμε, εντάξει, ποιες είναι οι μεγαλύτερες IP που υπάρχουν σε όλα τα κανάλια gaming; Πού ζουν σήμερα και ποια είναι η αποτελεσματική προσέγγιση; Έτσι εξακολουθούμε να το εκφράζουμε σε συμβατικές μετρήσεις, αλλά μετά πολύ γρήγορα, το [becomes] πώς μοιάζει το κοινό; Ποιο είναι το επόμενο βήμα εδώ;

Θα έχετε ένα τοπικό μοντέλο μικρής γλώσσας καθώς και πιο συμβατικά PDF απλά για να ενημερώσετε και να προσελκύσετε τους ανθρώπους αργά. Και το SMS θα βασίζεται πιο γρήγορα. Θα πείτε, εντάξει, τα επόμενα έργα μου για τους επόμενους τρεις μήνες είναι X, Y, Z. Εδώ είναι μερικές από τις λεπτομέρειες. Μπορείτε να το κάνετε αυτό και να κάνετε ερωτήσεις σχετικά με το δικό σας έργο χωρίς αυτό να επιστρέψει σε κάποιον διακομιστή στο cloud όπου θα βλέπαμε τυχόν ιδιόκτητες πληροφορίες. Άρα θα ήταν απόλυτα ασφαλές.

Έτσι, μπορείτε να πειραματιστείτε στην ασφάλεια του οργανισμού σας, αλλά φυσικά αυτό απαιτεί ενημερωμένες πληροφορίες.

Άρα μια εταιρεία θα μπορούσε να αγοράσει ή να εγγραφεί στο λογισμικό σας και, στη συνέχεια, να έχει μια τοπική έκδοση του, την οποία μπορεί να τροφοδοτήσει με τα δικά της δεδομένα;

Ακριβώς. Θα ήταν κάπως σαν ένα ασφαλές δωμάτιο δεδομένων. Έτσι, μπορείτε απλά να πείτε, λοιπόν, εδώ είναι η ιδέα μας, τι πιστεύετε; Και μετά το αντιμετωπίζει ενάντια σε όλα όσα γνωρίζουμε. Και μπορείτε να το κάνετε είτε τυχαία – όταν, ας πούμε, αποφασίζετε για ένα μεγάλο λανσάρισμα ή μια μεγάλη επένδυση – είτε απλώς κάνετε εβδομαδιαία, «τι συμβαίνει στην κατηγορία Χ, Υ, Ζ;»

Στη λευκή βίβλο, συνέταξα κάποια σενάρια περιπτώσεων. Εσύ και εγώ μπορεί να είμαστε πολύ καλά γνώστες [on the games industry]και είμαστε κάπως ενδημικοί σε αυτό. Αλλά βλέπετε μη ενδημικές εταιρείες να κοιτάζουν το gaming με τον ίδιο τρόπο που έβλεπαν τα μέσα κοινωνικής δικτύωσης πριν από μια δεκαετία. Όλοι αυτοί οι διαχειριστές επωνυμίας λένε, θέλω να μάθω πώς να αναπτύξω την επωνυμία μου σε μια περίσταση gaming. Και δεν ξέρουν πού να πάνε.

Επομένως, προσπαθούμε να καλύψουμε όλες αυτές τις μη ενδημικές εταιρείες, καθώς αναγνωρίζουν ότι το gaming είναι ένα μεγαλύτερο κομμάτι της συνολικής τους επιχείρησης και ένα σημαντικό κανάλι μάρκετινγκ. Είναι λοιπόν και τα δύο, φροντίζουμε την υπάρχουσα βιομηχανία, φυσικά, καθώς και τα μη ενδημικά που εισέρχονται σε αυτόν τον χώρο.

Μου θυμίζει το επενδυτική ομιλία στο Pocket Gamer Connectsόταν μιλούσαν για εταιρείες ιδιωτικών μετοχών που κινούνταν στα τυχερά παιχνίδια, αλλά με πολλούς να μην γνωρίζουν τίποτα για τα τυχερά παιχνίδια.

Ακριβώς. Ήταν ενδιαφέρον να δούμε πώς πάει αυτό, γιατί για την SuperData, ένα μεγάλο μέρος της επιτυχίας της βασίστηκε στην ενασχόληση με τη Wall Street. Και κοίτα, είναι όλοι καλοί άνθρωποι, αλλά ξέρουν πραγματικά μόνο την EA και ίσως μερικούς άλλους. Η EA ήταν η μεγάλη γιατί όλοι αυτοί οι οικονομικοί επενδυτές πτυχιού MBA, έπαιξαν όλοι FIFA στο κολέγιο. Έπαιξαν World of Warcraft, ίσως κάποιο Call of Duty, αλλά τα πιο εξωτικά πράγματα, οι Ινδίες, θα ήταν εντελώς έξω από το πεδίο εφαρμογής τους.

Έτσι, αφιερώσαμε πολύ χρόνο εξηγώντας πώς λειτουργούν τα παιχνίδια, απλώς βασικές πληροφορίες, σε αυτούς τους τραπεζίτες που θα επένδυαν δισεκατομμύρια δολάρια με πολύ λίγες πληροφορίες για τον κλάδο γενικότερα. Το ίδιο βλέπουμε τώρα με τα μη ενδημικά, με ιδιωτικά κεφάλαια, με επιχειρηματικά κεφάλαια, είναι απλώς η επόμενη γενιά όλων αυτών.

Αυτή η συνέντευξη έχει επιμεληθεί για λόγους έκτασης και σαφήνειας.