Avatar e identità nel Metaverso, Parte 1
In sanscrito, avatar (अवतार) si riferisce a "un'incarnazione in forma umana". In Roblox, poche cose riflettono l'identità di un utente in modo più diretto del suo avatar. Come scopriremo, non esiste un utente Roblox "standard", e la fantastica varietà estetica degli avatar dei nostri utenti riflette direttamente la diversità della base di utenti stessa.
Caratterizzazione degli avatar (metodologia)
Se ci interessa la diversità estetica, dobbiamo iniziare caratterizzando l'estetica degli avatar. Il punto di partenza più naturale è la miniatura 2D dell'avatar, che spesso rappresenta gli utenti gli uni agli altri. Per l'analisi estetica, dobbiamo trasformare questa miniatura in una rappresentazione numerica semanticamente significativa. Esistono molti modi per ridurre la dimensionalità, ma eccone alcuni che possiamo provare.
- L'approccio più semplice: applicare direttamente la PCA alle immagini delle miniature appiattite. Per valutare la "qualità" della riduzione, visualizziamo le miniature agli estremi delle componenti principali (PC). Possiamo vedere che mentre la prima PC distingue tra tipi interpretabili di avatar, la dodicesima è troppo ampia per essere significativa.
PC 1 (14,3% della varianza spiegata):
2. Quasi altrettanto semplice: possiamo applicare l'ultimo livello nascosto di una rete di classificazione delle immagini preaddestrata e disponibile in commercio (Resnet 18) e valutare la qualità dell'incorporamento raggruppandole in cluster. Osservate come Resnet catturi le informazioni sul colore in modo molto efficace (vedete tutte le scarpe blu nel secondo cluster) ma a volte non riesca a codificare le informazioni sulla forma (vedete il primo cluster).
Di seguito sono riportati alcuni esempi di miniature provenienti da 2 cluster:
3. Per ottenere una rappresentazione visiva della coesione, possiamo applicare UMAP per ridurre le rappresentazioni di classificazione delle immagini fino a 2 dimensioni. Sebbene sembrino esserci cluster distinguibili, l'ampio ammasso di punti in basso a destra appare sospetto. E a ragione: i campioni di quel megacluster sono visivamente incoerenti.
Grafico di embedding 2D:
4. Addestrare direttamente un piccolo autoencoder variazionale (VAE) personalizzato sui dati delle miniature. Idealmente, questo dovrebbe catturare meglio la variazione estetica unica degli avatar di Roblox, rispetto a un classificatore di immagini generico. (curiosità: K-means è particolarmente adatto per il clustering di questi embedding, poiché la sua distribuzione a priori normale corrisponde alla distribuzione a posteriori delle variabili latenti del VAE)
Sebbene esistano metriche che possono tentare di quantificare i vantaggi dei diversi approcci, i casi d'uso pratici dell'apprendimento non supervisionato spesso si riducono a un giudizio soggettivo. Aneddoticamente, abbiamo riscontrato il maggior successo con il n. 4.
Il manifold degli avatar
Utilizzando il VAE, possiamo trasformare le miniature in vettori concisi a 64 dimensioni per il clustering. Ecco alcuni esempi dei cluster VAE + K-means da un clustering a 20 vie:
Alcuni avatar molto personalizzati in un unico cluster:
La coerenza dei cluster tra più esecuzioni, inizializzazioni casuali e scelte di k suggerisce che gli avatar rientrino naturalmente in categorie distinte (anche se sfocate). Agli estremi del contorno, abbiamo i personaggi "Blocky", antiquati e dal corpo squadrato, opposti agli avatar "Rthro", alti, magri e più realistici. Troviamo anche una serie di avatar predefiniti, che gli utenti non hanno modificato da quando si sono iscritti a Roblox (cluster 4 sopra). Nel mezzo, c'è di tutto, dai "ninja gotici" ai "frequentatori di discoteche".
Identità attraverso l'avatar
In che modo questi cluster estetici si relazionano con i nostri utenti stessi?
Il punto di partenza più semplice è il comportamento degli utenti sulla piattaforma. Tracciando le modifiche agli avatar nell'ultimo mese, l'età dell'account in settimane, i secondi totali di tempo di gioco e la fidelizzazione mensile per cluster --- indicatori di coinvolgimento --- ci vengono presentati quattro grafici che dimostrano una variazione drammatica tra i cluster. Gli utenti con avatar fortemente personalizzati tendono ad essere i più coinvolti e i più frequentemente fidelizzati, mentre gli avatar che non sono stati personalizzati in modo così approfondito tendono ad essere meno coinvolti.
Esistono due interpretazioni causali opposte di questo fenomeno. Una è che gli utenti che modificano il proprio avatar diventano di conseguenza più coinvolti con Roblox. L'altra potrebbe essere che gli utenti che sono già coinvolti in Roblox tendono a dedicare più impegno ai propri avatar col passare del tempo. Altri colleghi di Roblox hanno svolto un ottimo lavoro per determinare quale interpretazione ritenere più attendibile.
Indipendentemente dalla causalità, vediamo che due aspetti dell'identità sulla piattaforma — la rappresentazione estetica e il livello di coinvolgimento — sono strettamente intrecciati. Ma che dire dell'identità fuori dalla piattaforma? In che modo gli identificatori della vita reale dei nostri utenti — età, provenienza geografica, genere, ecc. — si intersecano con le loro identità su Roblox? Leggi la Parte 2 di questo post sul blog per scoprirlo!
Nameer Hirschkind è uno stagista in Data Science presso Roblox. Lavora sugli avatar di Roblox per aiutare ogni giocatore a creare un avatar che ami. Né Roblox Corporation né questo blog promuovono o sostengono alcuna azienda o servizio. Inoltre, non vengono fornite garanzie o promesse riguardo all'accuratezza, all'affidabilità o alla completezza delle informazioni contenute in questo blog.
©2021 Roblox Corporation. Roblox, il logo Roblox e Powering Imagination sono tra i nostri marchi registrati e non registrati negli Stati Uniti e in altri paesi.
