Yapay Zekâ Destekli Video Üretiminde Algoritmik Sapmalar Mekânsal, Mantıksal ve Anlatısal Hatalar Üzerine Sistematik Bir Analiz
Author :
Abstract
Derin öğrenme temelli yapay zekâ algoritmalarının yaygınlaşması, video üretim süreçlerini hızlandırmış ve üretim araçlarını kolay erişilebilir hâle getirmiştir. Üretim araçlarının algoritmik alana kaymasıyla birlikte yapay zekâ destekli dijital video içeriklerine yönelik çeşitli çalışmalar yapılmaya başlanmıştır. İlgili çalışmalar arasında performans odaklı çalışmalar olduğu kadar taksonomik çalışmalar da yer almaktadır. Çalışma, yapay zekâ destekli video üretiminde ortaya çıkan ve farklı içeriklerde tekrar eden algoritmik bozulmaları sistematik biçimde incelemeyi ve taksonomik bir sınıflandırma yapmayı amaçlamaktadır. Çalışmada yapay zekâ temelli video üretim algoritmaları incelenmiş, mekân sürekliliği, fiziksel nedensellik ve anlatısal bütünlük açısından ortaya çıkan bozulmalar tanımlanmıştır. Araştırma, daha önce tamamlanmış bir üretim sürecinden elde edilmiş olan ve farklı yapay zekâ video üretim algoritmaları yoluyla üretilmiş geniş ölçekli bir video veri seti yoluyla gerçekleştirilmiştir. Elde edilen bulgular doğrultusunda video üretiminde ortaya çıkan algoritmik bozulmaları mekânsal, mantıksal, zamansal ve veri kaynaklı olmak üzere dört temel başlık altında sınıflandıran taksonomik bir çerçeveye erişilmiştir.
Keywords
Abstract
The use of deep learning algorithms for artificial intelligence has accelerated the video production process, making production tools easily accessible to everyone. With the migration of production tools to the algorithmic area, there have been a considerable number of studies initiated on artificial intelligence assisted digital video content. Of the studies on the topic, there exist performance oriented studies as well as taxonomic studies. The purpose of this study is to systematically analyze the algorithmic distortions that exist within artificial intelligence-assisted video production, as they repeat within differing contents, as well as to provide a taxonomic classification. The study analyzed AI assisted video production algorithms, defining the distortions that exist within them concerning spatial continuity, physical causality, and narrative consistency. The study was performed using a massive video dataset that was extracted from a former production process, utilizing differing artificial intelligence video production algorithms based on the results obtained. Based on the results, a taxonomic classification framework has been established that classifies algorithmic distortions within video production based on four main classifications: spatial, logical, temporal, and data driven
