Стоит ли игра свеч ?
Благодаря растущей потребительской базе экосистема разработчиков игр будет иметь широкие возможности для инноваций и предоставления привлекательного контента. С помощью аутсорсинга, тестирования качества и разработке продуктов в сочетании с наличием творческих способностей, передовым технологиями и низкой стоимостью, например индийский рынки предоставляют наилучшие возможности для сотрудничества и разработки.
До недавнего времени машинное обучение воспринималось разработчиками в штыки. С недавних пор разработчика начали обращать внимание на эту технологию вот с такими вопросами.
Оценит ли средний игрок значительные прогресс в игровом процессе, или все усилия будут пустой тратой времени и денег ? Еще один вопрос: на сколько важно для игры обучаться ? Ответы на эти вопросы определенно зависят от игры.
Многие разработчики рассматривают возможность создания игр, которые соответствовали бы уровню игрока, изменяя тактику и стратегию, а не улучшая способности противников. На рынке действительно мало игр, которые не просто увеличивают уровень сложности врагов, а подстраиваются под его тактику игрока и адаптируется под неё.
Показать или научить ?
Одной из главных целей дизайнеров - создать ложное впечатление об обучении. В игровой индустрии обычным явлением является об обучении. Очень упрощает ситуацию создания ложных, "мошеннических" систем ИИ. Впечатление об обучении, можно легко реализовать, контролирую частоту ошибок в тактических решения, принимаемых ИИ, и уменьшая их с помощью "опыта" в процессе игры. Такой подход создаёт реалистичную иллюзию интеллектуального процесса обучения, но не может использоваться, если желаемое поведение уже не известно - другими словами, это бесполезно для обучения противодействия стратегии игрока.
Адаптация с целью повышения успеваемости занимает центральное место в процессе обучения. Существует два метода достижения этого:
- прямой (изменение поведения путём тестирования его модификаций)
- косвенный (внесение изменений в определенный аспекты поведения на основе наблюдений)
Как и везде, у каждого из методов есть положительные и отрицательные стороны, но прямая адаптация имеет то преимущество, что не ограничивает поведение, а это означает, что в конечном итоге может быть достигнута лучшая цель.
Проблемы
Существует несколько проблем с которыми сталкиваются при создании обучающегося ИИ:
- Подражание глупости - обучая ИИ, копируя стратегию игрока, можно заметить, что компьютер плохо обучается. Это вполне разумная ситуация, когда игрок еще незнаком с игрой. Поэтому решением этой проблемы может быть установленный минимальный уровень, чтобы ИИ-игрок не падал ниже заданного стандарта.
- Переоснащение - это может произойти, если агент ИИ обучен определенному разделу игры, а затем ожидается, что он будет демонстрирует разумное поведение на основе своего опыта. Например, если он обнаружил, что при открытии дверей ему удалось избежать лини огня, нырнул за стену слева от него, он будет считать, что это обобщенная тактика. Это может привести к забавным поведенческим дефектам, если не будет отслеживаться должным образом.
- Локальная оптимизация - при выборе параметра, на котором агент должен основывать свое обучение, требуется выбирать тот, который не зависит от предыдущих действий.
- Установить поведение - после того, как агент имеет запись о своем прошлом поведении и результирующий анализ производительности, придерживается ли он поведения, которое было успешным в прошлом, или он пробует новые методы в попытке улучшить ? Иначе агент может попытаться оценить все возможные варианты поведения, либо придерживаться одного, не найдя оптимального.
ИИ в играх словно специи
