هل تعتمد منصات البث الوسيط الحسابي لاقتراح الأنمي؟

دايمًا كان يثير فضولي كيف يتخذ قرار من سيصبح محبوبًا فوق غيره بين ملايين المعجبين — والجواب المختصر هو: نعم ولا، لأن الصناعة تستخدم أدوات حسابية لقياس الشعبية لكنها لا تعتمد عليها وحدها. الجانب الحسابي صار جزءًا لا يتجزأ من صناعة الأنمي: لجان الإنتاج وشركات التسويق تراقب مبيعات المانغا (بيانات Oricon)، تحميلات الاستريم ومعدل المشاهدة على منصات مثل Crunchyroll وBilibili وNetflix، ومؤشرات التفاعل على تويتر ويوتيوب وPixiv. بيانات لعبة الهاتف المحمول مثل 'Fate/Grand Order' توضح المشهد بوضوح؛ مطورو الألعاب يحسبون الإيرادات لكل شخصية، معدلات السحب في الـ gacha، والوقت الذي يقضيه اللاعبون مع شخصية معينة، ثم يقررون أي شخصيات تحصل على أحداث أو إصدارات جديدة — وهذه حسابات رقمية بحتة تؤثر مباشرة في شهرة الشخصية. كذلك، أرقام طلبات حجز المجسمات والسلع (pre-orders) وأرقام مبيعات أغاني الشخصيات على تصنيفات Oricon تُستخدم كمؤشرات عملية للشعبية. مع ذلك، لا تنتهي القصة عند الأرقام: هناك عناصر نوعية تلعب دورًا كبيرًا. استطلاعات رأي الجمهور التقليدية في مجلات مثل 'Newtype' و'Animage' تعطي صورة عن الانطباع العاطفي، وتعليقات وميمز الإنترنت قد تقود شخصية ثانوية إلى الهالة الشعبية بين ليلة وضحاها. فرق العلاقات العامة، المخرجون، ومصممو الشخصيات يقرؤون البيانات لكنهم يعتمدون أيضًا على حسهم الإبداعي وتجارب الجمهور لتحديد من يستحق دفع موارد ترويجية أكبر. تذكّر أمثلة مثل 'Neon Genesis Evangelion' أو كيف انفجرت شعبية بعض الشخصيات بسبب مشاهد محددة أو لحظات درامية لم تُقَدّرها الأرقام أولًا. كما أن هنالك اختبارات A/B على الصور الدعائية، وتحليل الكلمات الدلالية والهاشتاغات، وحتى استخدام أدوات تنقيب البيانات لمراقبة الاتجاهات، لكن هذه الأدوات تُستخدم لتوجيه القرار لا لاتخاذ القرار النهائي بمفردها. في النهاية، صناعة الأنمي تُحاول المزج بين الحسابي والإنساني: الأرقام توفر أدلة لا تُنكر، لكن الثقافة الشعبية لا تُقاس بالكامل بجدول بيانات. أكثر ما أحب في الموضوع هو رؤية كيفية انصهار الاثنين — فريق تصميم يلتقط شرارة من ردود الفعل الرقمية، ثم يطلق حملة أو حدث يحول حبقة صغيرة إلى ظاهرة ثقافية. هذا التوازن بين العقل والنبض الجماهيري هو ما يجعل متابعة شعبية الشخصيات ممتعة ومعقدة في آنٍ واحد.

تخيّل أن كل فيديو قصير يظهر لي مُصمَّم خصيصًا لي — هذا ليس سحرًا بل نتيجة علوم بيانات متقدمة تعمل خلف الكواليس. أنا أتابع هذه الأشياء بشغف، والواقع أن منصات البث القصير توظف مجموعة من تقنيات علم البيانات: جمع سلوك المشاهد (مشاهدات، مدة المشاهدة، الإعادات، الإعجابات، التعليقات)، ثم تحويل ذلك إلى تمثيلات رقمية ('embeddings') لكل مستخدم ومقطع فيديو. بعد ذلك تأتي مرحلة توليد المرشحين؛ النظام يختار آلاف الفيديوهات المحتملة بسرعة ويصنّفها بحسب احتمالية التفاعل، غالبًا باستخدام شبكات عصبية عميقة ونماذج تسطيح الارتباط (collaborative filtering) ونماذج توقع النقر (CTR). يتداخل تحليل الصورة والصوت والنص أيضًا: تقنيات رؤية حاسوبية تُعرّف العناصر المرئية، ومعالجة لغوية للنصوص والعناوين والهاشتاغات، وتحليل صوتي للتعرف على الموسيقى أو الكلام. الأنظمة لا تكتفي بمعادلات ثابتة؛ هناك اختبارات A/B مستمرة، وتعلم معزَّز أحيانًا لاختيار ما يعرض للمستخدمين في الوقت الفعلي. كوني أتابع الكثير من صانعي المحتوى، ألاحظ أيضًا استخدام سياسات توزيع مُعدّلة للمحتوى الجديد (cold-start) تجعل الفيديوهات الجديدة تحصل على دفعة تجريبية قصيرة لقياس مدى جاذبيتها. التأثير؟ هائل: تحسّن الاكتشاف لكن ينشأ تضخيم للفيديوهات التي تُبقي المستخدمين أطول وقت ممكن، مما قد يولد فقاعات توصية 'فلتر بابل' ويؤثر في تفضيلات المصلحة العامة. وحينما نفكر في الخصوصية، فهناك قيود تنظيمية وتطبيقات للتعلّم على الجهاز edge ML لتقليل تسريب البيانات. بالنسبة لي، كل مشاهدة تبدو بسيطة، لكنها جزء من منظومة معقّدة هدفها واحد: إبقائي مُنخرطًا قدر الإمكان، مع تحديات أخلاقية وتقنية ليست بالهينة.