Avatar dan Identitas di Metaverse, Bagian 1
Dalam bahasa Sanskerta, avatar (अवतार) merujuk pada “inkarnasi dalam bentuk manusia.” Di Roblox, sedikit hal yang mencerminkan identitas pengguna secara lebih langsung daripada avatar mereka. Seperti yang akan kita temukan, tidak ada “pengguna Roblox standar,” dan keragaman estetika fantastis dalam avatar pengguna kami secara langsung mencerminkan keragaman basis pengguna itu sendiri.
Menggambarkan Avatar (Metodologi)
Jika kita tertarik pada keragaman estetika, kita perlu memulai dengan mengklasifikasikan estetika avatar. Tempat paling alami untuk melihatnya adalah thumbnail avatar 2D yang sering mewakili pengguna satu sama lain. Untuk analisis estetika, kita perlu mengubah thumbnail ini menjadi representasi numerik yang bermakna secara semantik. Ada banyak cara untuk mengurangi dimensi, tetapi berikut beberapa yang dapat kita coba.
- Pendekatan paling sederhana: langsung menerapkan PCA pada gambar thumbnail yang telah diratakan. Untuk mengevaluasi “kualitas” reduksi tersebut, kita memvisualisasikan thumbnail pada titik ekstrem dari komponen utama (PC). Kita dapat melihat bahwa meskipun PC pertama membedakan antara jenis avatar yang dapat diinterpretasikan, PC kedua belas terlalu luas untuk memiliki makna.
PC 1 (14,3% varians yang dijelaskan):
2. Hampir sama sederhananya: kita dapat menerapkan lapisan tersembunyi terakhir dari jaringan klasifikasi gambar yang sudah dilatih sebelumnya (Resnet 18), dan mengevaluasi kualitas embedding dengan mengelompokkannya. Perhatikan bagaimana Resnet menangkap informasi warna dengan sangat efektif (lihat semua sepatu biru di kluster kedua) tetapi terkadang gagal mengkodekan informasi bentuk (lihat kluster pertama).
Contoh thumbnail dari 2 kluster ditampilkan di bawah ini:
3. Untuk mendapatkan gambaran visual mengenai kohesi, kita dapat menerapkan UMAP untuk mereduksi embedding klasifikasi gambar hingga menjadi 2 dimensi. Meskipun tampaknya ada kluster yang dapat dibedakan, gumpalan besar titik di pojok kanan bawah terlihat mencurigakan. Benar saja: sampel dari megakluster tersebut secara visual tidak kohesif.
Plot embedding 2D:
4. Melatih variational autoencoder (VAE) khusus kecil secara langsung pada data thumbnail. Idealnya, hal ini dapat menangkap variasi estetika unik pada avatar Roblox dengan lebih baik, dibandingkan dengan pengklasifikasi gambar untuk keperluan umum. (catatan lucu: K-means sangat cocok untuk mengelompokkan embedding ini, karena prior normalnya cocok dengan posterior variabel laten VAE)
Meskipun ada metrik yang dapat mencoba mengukur manfaat dari berbagai pendekatan, kasus penggunaan praktis untuk pembelajaran tanpa pengawasan sering kali bergantung pada penilaian subjektif. Berdasarkan pengalaman, kami menemukan bahwa pendekatan #4 paling berhasil.
Manifold Avatar
Dengan menggunakan VAE, kami dapat mengubah thumbnail menjadi vektor 64 dimensi yang ringkas untuk pengelompokan. Berikut adalah beberapa contoh pengelompokan VAE + K-means dari pengelompokan 20 arah:
Beberapa avatar yang sangat disesuaikan dalam satu kluster:
Konsistensi kluster di berbagai kali pengujian, inisialisasi acak, dan pilihan nilai k menunjukkan bahwa Avatar secara alami terbagi ke dalam kategori yang berbeda (meskipun tidak jelas). Di ujung-ujung kontur, terdapat karakter “Blocky” yang kuno dan berbentuk kotak, berlawanan dengan avatar “Rthro” yang tinggi, kurus, dan lebih mirip manusia. Kami juga menemukan sejumlah avatar default, yang belum pernah diedit oleh pengguna sejak bergabung dengan Roblox (kluster 4 di atas). Di antaranya, terdapat segala macam avatar mulai dari “ninja goth” hingga “pergi ke klub.”
Identitas melalui Avatar
Bagaimana kluster estetika ini berhubungan dengan pengguna kita sendiri?
Tempat termudah untuk memulai adalah perilaku pengguna di platform. Saat memplot pengeditan avatar dalam sebulan terakhir, usia akun dalam minggu, total detik waktu bermain, dan retensi satu bulan per kluster — indikator keterlibatan — kita disajikan dengan empat grafik yang menunjukkan variasi dramatis antar kluster. Pengguna dengan avatar yang sangat disesuaikan cenderung paling terlibat dan paling sering dipertahankan, sementara avatar yang belum banyak disesuaikan cenderung kurang terlibat.
Ada dua interpretasi kausal yang berlawanan mengenai hal ini. Yang pertama adalah bahwa pengguna yang mengedit avatar mereka menjadi lebih terlibat dengan Roblox sebagai hasilnya. Yang kedua bisa jadi adalah bahwa pengguna yang sudah terinvestasi dalam Roblox cenderung mencurahkan lebih banyak usaha ke avatar mereka seiring berjalannya waktu. Telah ada penelitian yang sangat baik oleh rekan-rekan lain di Roblox untuk menentukan interpretasi mana yang harus dipercaya.
Terlepas dari sebab-akibatnya, kita melihat bahwa dua aspek identitas di dalam platform—representasi estetika dan tingkat keterlibatan—sangat saling terkait. Namun, bagaimana dengan identitas di luar platform? Bagaimana identitas nyata pengguna kita—usia, lokasi geografis, jenis kelamin, dll.—beririsan dengan identitas Roblox mereka? Simak Bagian 2 dari posting blog ini untuk mengetahuinya!
Nameer Hirschkind adalah Magang Ilmu Data di Roblox. Ia bekerja pada proyek Avatar Roblox untuk membantu setiap pemain menciptakan Avatar yang mereka sukai. Baik Roblox Corporation maupun blog ini tidak mendukung atau mengendorse perusahaan atau layanan apa pun. Selain itu, tidak ada jaminan atau janji yang diberikan mengenai keakuratan, keandalan, atau kelengkapan informasi yang terkandung dalam blog ini.
©2021 Roblox Corporation. Roblox, logo Roblox, dan Powering Imagination termasuk di antara merek dagang terdaftar dan tidak terdaftar kami di AS dan negara-negara lain.
