Avatares e identidade no metaverso, Parte 1
Em sânscrito, avatar (अवतार) refere-se a “uma encarnação em forma humana”. No Roblox, poucas coisas refletem a identidade de um usuário de forma mais direta do que seu avatar. Como veremos, não existe um usuário “padrão” do Roblox, e a fantástica variedade estética dos avatares de nossos usuários reflete diretamente a diversidade da própria base de usuários.
Caracterizando avatares (metodologia)
Se estamos interessados na diversidade estética, precisamos começar caracterizando a estética dos avatares. O lugar mais natural para se observar é a miniatura 2D do avatar, que frequentemente representa os usuários uns para os outros. Para a análise estética, precisamos transformar essa miniatura em uma representação numérica semanticamente significativa. Existem muitas maneiras de reduzir a dimensionalidade, mas aqui estão algumas que podemos tentar.
- A abordagem mais simples: aplicar diretamente a PCA às imagens de miniaturas achatadas. Para avaliar a “qualidade” da redução, visualizamos as miniaturas nos extremos dos componentes principais (PCs). Podemos ver que, enquanto o primeiro PC distingue entre tipos interpretáveis de avatares, o décimo segundo é muito amplo para ser significativo.
PC 1 (14,3% da variância explicada):
2. Quase tão simples quanto: podemos aplicar a última camada oculta de uma rede de classificação de imagens pré-treinada pronta para uso (Resnet 18) e avaliar a qualidade da incorporação agrupando-as em clusters. Observe como a Resnet captura informações de cor de forma muito eficaz (veja todos os sapatos azuis no segundo cluster), mas às vezes falha em codificar informações de forma (veja o primeiro cluster).
Amostras de miniaturas de 2 agrupamentos são mostradas abaixo:
3. Para obter uma visão visual da coesão, podemos aplicar o UMAP para reduzir as representações de classificação de imagens até 2 dimensões. Embora pareçam existir agrupamentos discerníveis, a grande aglomeração de pontos no canto inferior direito parece suspeita. E com razão: as amostras desse megagrupo são visualmente incoerentes.
Gráfico de incorporação 2D:
4. Treinar um pequeno autoencoder variacional (VAE) personalizado diretamente nos dados das miniaturas. Idealmente, isso captura melhor a variação estética única dos avatares do Roblox, em comparação com um classificador de imagens de uso geral. (curiosidade: o K-means é particularmente apropriado para agrupar essas incorporações, já que sua distribuição a priori normal corresponde à distribuição a posteriori da variável latente do VAE)
Embora existam métricas que possam tentar quantificar os benefícios de diferentes abordagens, os casos de uso práticos para o aprendizado não supervisionado muitas vezes se resumem a um julgamento subjetivo. Curiosamente, obtemos mais sucesso com o nº 4.
O Manifold de Avatares
Usando o VAE, podemos transformar as miniaturas em vetores sucintos de 64 dimensões para agrupamento. Aqui estão alguns exemplos dos agrupamentos VAE + K-means de um agrupamento de 20 classes:
Alguns avatares bastante personalizados em um cluster:
A consistência dos agrupamentos em várias execuções, inicializações aleatórias e escolhas de k sugere que os avatares se enquadram naturalmente em categorias distintas (embora difusas). Nos extremos do contorno, temos os personagens “Blocky”, antiquados e de corpo quadrado, em oposição aos avatares “Rthro”, altos, magros e mais realistas. Também encontramos vários avatares padrão, que os usuários não editaram desde que se cadastraram no Roblox (agrupamento 4 acima). No meio, há de tudo, desde “ninjas góticos” até “sair para dançar”.
Identidade por meio do avatar
Como esses clusters estéticos se relacionam com os próprios usuários?
O ponto de partida mais fácil é o comportamento do usuário na plataforma. Ao plotar as edições de avatares no último mês, a idade da conta em semanas, o total de segundos de tempo de jogo e a retenção de um mês por cluster — indicadores de engajamento —, nos deparamos com quatro gráficos que demonstram uma variação dramática entre os clusters. Usuários com avatares altamente personalizados tendem a ser os mais engajados e os que permanecem mais frequentemente, enquanto os avatares que não foram tão personalizados tendem a ter menos engajamento.
Existem duas interpretações causais opostas para isso. Uma é que os usuários que editam seus avatares ficam mais engajados com o Roblox como resultado. A outra poderia ser que os usuários que já estão envolvidos com o Roblox tendem a dedicar mais esforço aos seus avatares com o passar do tempo. Outros colegas da Roblox têm feito um excelente trabalho para determinar em qual interpretação acreditar.
Independentemente da causalidade, vemos que dois aspectos da identidade na plataforma — representação estética e nível de engajamento — estão intimamente interligados. Mas e quanto à identidade fora da plataforma? Como os identificadores da vida real dos nossos usuários — idade, localização geográfica, gênero etc. — se relacionam com suas identidades no Roblox? Confira a Parte 2 desta postagem do blog para descobrir!
Nameer Hirschkind é estagiário de Ciência de Dados na Roblox. Ele trabalha com os Avatares da Roblox para ajudar todos os jogadores a criarem um Avatar que amem. Nem a Roblox Corporation nem este blog endossam ou apoiam qualquer empresa ou serviço. Além disso, não são feitas garantias ou promessas quanto à precisão, confiabilidade ou integridade das informações contidas neste blog.
©2021 Roblox Corporation. Roblox, o logotipo da Roblox e Powering Imagination estão entre nossas marcas registradas e não registradas nos EUA e em outros países.
