Metaverse'de Avatarlar ve Kimlik, 1. Bölüm
Sanskritçe'de avatar (अवतार), "insan formunda bir enkarnasyon" anlamına gelir. Roblox'ta, kullanıcının kimliğini avatarından daha doğrudan yansıtan çok az şey vardır. Göreceğimiz gibi, "standart" bir Roblox kullanıcısı yoktur ve kullanıcılarımızın avatarlarındaki fantastik estetik çeşitlilik, kullanıcı tabanının çeşitliliğini doğrudan yansıtır.
Avatarları Karakterize Etme (Metodoloji)
Estetik çeşitlilikle ilgileniyorsak, önce avatar estetiğini karakterize etmemiz gerekir. Bakılması gereken en doğal yer, genellikle kullanıcıları birbirlerine tanıtan 2D avatar küçük resimleridir. Estetik analiz için, bu küçük resimleri anlamsal olarak anlamlı sayısal bir temsile dönüştürmemiz gerekir. Boyutsallığı azaltmanın birçok yolu vardır, ancak burada deneyebileceğimiz birkaç tanesini sunacağız.
- En basit yaklaşım: düzleştirilmiş küçük resimlere doğrudan PCA uygulamak. Azaltmanın "kalitesini" değerlendirmek için, ana bileşenlerin (PC'ler) uç noktalarındaki küçük resimleri görselleştiriyoruz. İlk PC'nin yorumlanabilir avatar türleri arasında ayrım yaparken, on ikinci PC'nin anlamlı olamayacak kadar geniş olduğunu görebiliriz.
PC 1 (varyansın %14,3'ünü açıklıyor):
2. Neredeyse aynı derecede basit: hazır, önceden eğitilmiş bir görüntü sınıflandırma ağının (Resnet 18) son gizli katmanını uygulayabilir ve bunları kümeleyerek gömme kalitesini değerlendirebiliriz. Resnet'in renk bilgilerini ne kadar etkili bir şekilde yakaladığını (ikinci kümedeki tüm mavi ayakkabılara bakın), ancak bazen şekil bilgilerini kodlamada başarısız olduğunu (ilk kümeye bakın) gözlemleyin.
Aşağıda 2 kümeden alınan küçük resim örnekleri gösterilmektedir:
3. Uyumluluğu görsel olarak değerlendirmek için, UMAP uygulayarak görüntü sınıflandırma gömülerini 2 boyuta indirgeyebiliriz. Ayrılabilir kümeler var gibi görünse de, sağ alt köşedeki büyük nokta kümesi şüpheli görünüyor. Haklı olarak: bu mega kümeden alınan örnekler görsel olarak uyumsuzdur.
2B gömme grafiği:
4. Küçük bir özel varyasyonel otomatik kodlayıcıyı (VAE) doğrudan küçük resim verileri üzerinde eğitmek. İdeal olarak, bu, genel amaçlı bir görüntü sınıflandırıcısına kıyasla Roblox avatarlarındaki benzersiz estetik çeşitliliği daha iyi yakalar. (sevimli bir not: K-means, normal öncülü VAE'nin gizli değişken sonucuyla eşleştiği için bu gömülü verileri kümelemek için özellikle uygundur)
Farklı yaklaşımların faydalarını ölçmeye çalışan metrikler olsa da, denetimsiz öğrenmenin pratik kullanım örnekleri genellikle öznel yargılara dayanır. Anlatılanlara göre, en başarılı sonucu #4 ile elde ediyoruz.
Avatar Manifold
VAE'yi kullanarak, küme oluşturma için küçük resimleri özlü 64 boyutlu vektörlere dönüştürebiliriz. İşte 20'li küme oluşturmadan elde edilen VAE + K-means kümelerinin bazı örnekleri:
Bir kümede bulunan bazı çok özelleştirilmiş avatarlar:
Birden fazla çalıştırma, rastgele başlangıç değerleri ve k seçimleri boyunca kümelerin tutarlılığı, Avatarların doğal olarak farklı (ancak belirsiz) kategorilere ayrıldığını göstermektedir. Konturun uç noktalarında, eski moda, kare vücutlu "Blocky" karakterler ile uzun, ince ve daha gerçekçi "Rthro" avatarları karşı karşıya gelmektedir. Ayrıca, kullanıcıların Roblox'a katıldıklarından beri düzenlemedikleri bir dizi varsayılan avatar da bulunmaktadır (yukarıdaki küme 4). Bunların arasında, “gotik ninjalardan” “kulübe gidenlere” kadar her şey bulunmaktadır.
Avatar aracılığıyla Kimlik
Bu estetik kümeler, kullanıcılarımızla nasıl bir ilişki içindedir?
Başlamak için en kolay nokta, platformdaki kullanıcı davranışlarıdır. Geçen ayki avatar düzenlemelerini, hesap yaşını haftalar cinsinden, toplam oyun süresini saniye cinsinden ve küme bazında bir aylık kalıcılığı (etkileşim göstergeleri) grafiğe döktüğümüzde, kümeler arasında çarpıcı farklılıklar gösteren dört grafik ortaya çıkıyor. Avatarlarını yoğun bir şekilde özelleştiren kullanıcılar genellikle en fazla etkileşimde bulunur ve en sık kalıcılık gösterirken, avatarları o kadar yoğun özelleştirilmemiş kullanıcılar genellikle daha az etkileşimde bulunur.
Bunun iki zıt nedensel yorumu vardır. Birincisi, avatarlarını düzenleyen kullanıcıların sonuç olarak Roblox ile daha fazla etkileşimde bulunmaya başladığıdır. Diğeri ise, halihazırda Roblox'a yatırım yapmış kullanıcıların zamanla avatarlarına daha fazla çaba harcamaya eğilimli olduklarıdır. Roblox'taki diğer çalışanlar, hangi yoruma inanılacağına karar vermek için harika bir çalışma yaptılar.
Nedensellik ne olursa olsun, platform içi kimliğin iki yönünün —estetik temsil ve etkileşim düzeyi— birbiriyle yakından bağlantılı olduğunu görüyoruz. Peki ya platform dışı kimlik? Kullanıcılarımızın gerçek hayattaki tanımlayıcıları —yaş, coğrafi konum, cinsiyet vb.— Roblox kimlikleriyle nasıl kesişiyor? Bunu öğrenmek için bu blog yazısının 2. bölümüne göz atın!
Nameer Hirschkind, Roblox'ta Veri Bilimi Stajyeri olarak çalışmaktadır. Her oyuncunun sevdiği bir Avatar yaratmasına yardımcı olmak için Roblox'un Avatarları üzerinde çalışmaktadır. Ne Roblox Corporation ne de bu blog, herhangi bir şirketi veya hizmeti onaylamakta veya desteklemektedir. Ayrıca, bu blogda yer alan bilgilerin doğruluğu, güvenilirliği veya eksiksizliği konusunda hiçbir garanti veya taahhüt verilmemektedir.
©2021 Roblox Corporation. Roblox, Roblox logosu ve Powering Imagination, ABD ve diğer ülkelerdeki tescilli ve tescilsiz ticari markalarımız arasındadır.
