«Зрительное восприятие» искусственного интеллекта: рекомендательные алгоритмы и свобода выбора зрителя

Статья посвящена проблеме воздействия алгоритмов, основанных на искусственном интеллекте, на киноиндустрию, в частности на выбор фильмов для зрителей. В качестве отправной точки используется тезис Мартина Скорсезе о том, что алгоритмические рекомендации превращают зрителя в потребителя и могут привести к вымыванию из репертуара киношедевров, не соответствующих критериям «успешности». Новизна работы заключается в анализе ограничений работы алгоритмов применительно к специфике визуального материала, а именно его многослойности и многоуровневости интерпретации, что выходит за рамки традиционного обсуждения консерватизма искусственного интеллекта.

Анализируются принципы работы алгоритмов рекомендаций в киноиндустрии (коллаборативная и контентная фильтрация), включая персонализацию постеров и трейлеров. Особое внимание уделяется анализу изображения как многослойного объекта, который может быть интерпретирован на различных уровнях: от наглядно-образного восприятия до глубокого понимания смыслов, опирающегося на опыт, знания и культуру. Приводятся примеры из психологии (диагностика по картинкам), искусствоведения (уровни интерпретации Эрвина Панофского) и семиотики (анализ Ролана Барта), иллюстрирующие вариативность восприятия изображения. Автор делает вывод, что искусственный интеллект, «обученный» на базовом уровне распознавания объектов и их интерпретации, не способен охватить все многообразие зрительских восприятий и адекватно оценить смысловую глубину визуального контента. На примере анализа рекламы демонстрируется ограниченность возможностей искусственного интеллекта в семиотическом анализе, что дает возможность утверждать, что ввиду несовершенства рекомендательных систем отказ зрителей от самостоятельного выбора действительно приведет к содержательным потерям в просмотре фильмов.

Таким образом, несмотря на достижения в области алгоритмов, их способности не могут заменить человеческое восприятие, что сохраняет потребность в самостоятельном выборе фильмов зрителями, фиксирующими поверхностность и ошибки в работе рекомендательных технологий. Их ограничения создают запрос на сохранение свободы выбора зрителя.

1. Scorsese M. Il Maestro: Federico Fellini and the Lost Magic of Cinema // Harper’s Magazine. 2021. March. URL: https://harpers.org/archive/2021/03/il-maestro-federico-fellini-martin-scorsese/ (дата обращения: 19.11.2025).

2. Kastrenakes J. These 65 movies and TV shows are disappearing from Netflix on New Year’s Day // The Verge. 2014. 26 декабря. URL: https://www.theverge.com/2014/12/26/7450753/netflix-titles-disappearing-january-1st-65-movies-tv-shows (дата обращения: 19.11.2024).

3. Peters J. Netflix is removing nearly all of its interactive titles // The Verge. 2024. 04 ноября. URL: https://www.theverge.com/2024/11/4/24287857/netflix-removing-interactive-titles-games (дата обращения: 19.11.2025).

4. Lash M.T., Zhao K. Early Predictions of Movie Success: The Who, What, and When of Profitability // Journal of Management Information Systems. 2016. № 33 (3). P. 874—903. DOI: 10.1080/07421222.2016.1243969.

5. Jayalakshmi S., Ganesh N., Cep R. et al. Movie Recommender Systems: Concepts, Methods, Challenges, and Future Directions // Sensors (Basel). 2022. № 13 : 4904. URL: https://www.mdpi.com/1424-8220/22/13/4904 (дата обращения: 19.11.2025). DOI: 10.3390/s22134904.

6. Кочеткова Е. Как устроены рекомендательные системы и почему они иногда предлагают совсем не то // Код : журнал Яндекс Практикума. 2025. 13 апреля. URL: https://thecode.media/recommender/ (дата обращения: 19.11.2025).

7. Lu W. Research on movie box office prediction model with AHP method // Proceedings of the 2nd International Conference on Information Management and Management Sciences (IMMS ’19) / Association for Computing Machinery. New York, 2019. P. 177—181. DOI: 10.1145/3357292.3357322.

8. Yoo B.-K., Kim S.-H. Movie Box Office Prediction at the Distribution Stage Using Text Mining of Movie Reviews // The Korean Logistics Research Association. 2023. № 33 (1). P. 95—105. DOI: 10.17825/klr.2023.33.1.95.

9. Дождиков А.В. Повышение эффективности государственной политики в сфере кинематографа с помощью машинного обучения // Наука телевидения. 2024. № 20 (2). С. 55—84. DOI: 10.30628/1994-9529-2024-20.2-55-84.

10. Murschetz P.C., Bruneel C., Guy J.-L. et al. Movie Industry Economics: How Data Analytics Can Help Predict Movies’ Financial Success // Nordic Journal of Media Management. 2020. № 1 (3). P. 339—359. DOI: 10.5278/NJMM.2597-0445.5871.

11. Sahu S., Kumar R., Long H.V. et al. Early-production stage prediction of movies success using K-fold hybrid deep ensemble learning model // Multimedia Tools and Applications. 2022. № 82 (3). P. 1—31. DOI: 10.1007/s11042-022-13448-0.

12. Amat F., Chandrashekar A., Jebara T., Basilico J. Artwork personalization at Netflix // Netflix Technology Blog. 2017. 07 декабря. URL: https://netflixtechblog.com/artwork-personalization-c589f074ad76 (дата обращения: 19.11.2025). DOI: 10.1145/3240323.3241729.

13. Bhavani K., Aslesha Lakshmi Sai K. Netflix Movies Recommendation System // International Journal of Innovative Science and Research Technology. 2024. № 9 (2). P. 2006—2010. DOI: 10.38124/ijisrt/IJISRT24FEB1527.

14. Дождиков А.В. Прогнозирование результатов кинопроката с помощью машинного обучения // Вопросы теоретической экономики. 2023. № 4. С. 93—114. DOI: 10.52342/2587-7666VTE_2023_4_93_114.

15. Holyoak K.J., Morrison R.G. (eds.). Thinking and Reasoning: A reader’s guide // The Oxford handbook of thinking and reasoning. New York : Oxford University Press, 2012. Р. 1—7.

16. Лурия А.Р. Язык и сознание. Москва : Изд-во Московского университета, 1998. 335 с.

17. Нейропсихологическая диагностика : альбом. Ч. 2 / под ред. Е.Д. Хомской. Москва : Институт общегуманитарных исследований, 2007. 46 с.

18. Амелина Е.Г., Мещанинова Е.Л. Работа с сюжетными картинками в комплексной коррекции дошкольников // Современное дошкольное образование : теория и практика. 2015. № 7. С. 68—73.

19. Шаль Л.Г., Максименко М.Ю., Жиляев А.Г. Возрастные особенности наглядно-образного мышления школьников в норме и при расстройствах аутистического спектра // Ученые записки университета им. П.Ф. Лесгафта. 2015. № 7 (125). С. 227—233. DOI: 10.5930/issn.1994-4683.2015.07.125.p227-233.

20. Панофский Э. Иконография и иконология: введение в изучение искусства Ренессанса // Смысл и толкование изобразительного искусства. Санкт-Петербург : Академический проект, 1999. С. 43—57.

21. Anker: Fondation Pierre Gianadda, Martigny Suisse, 19 décembre 2003 au 23 mai 2004 // Commissaire de l’exposition, Catalogue : Therese Bhattacharya-Stettler ; Textes : Matthias Frehner [et al.]. Martigny : Fondation Pierre Gianadda, 2003. P. 19.

22. Барт Р. Риторика образа // Избранные работы : Семиотика. Поэтика. Москва : Прогресс, 1994. С. 297—318.

23. Кожокару Т.И. К вопросу о методологии анализа фильма // Артикульт. 2021. № 4. С. 118—148. DOI: 10.28995/2227-6165-2021-4-118-148.

24. Изображение «Полярный медведь» рекламного агентства Nolck Red // AdsSpot : Advertising Archive : сайт. URL: https://adsspot.me/agencies/nolck-red-4cfa415eca3c (дата обращения: 19.11.2025).