Особенности использования машинного обучения в видеоигровой индустрии

Особенности использования машинного обучения в видеоигровой индустрии

В данной статье представлен анализ развития искусственного интеллекта в видеоигровой индустрии, влияния искусственного интеллекта на развитие видеоигр, направления использования машинного обучения в разработке видеоигр и дальнейшие перспективы машинного обучения в данном направлении.

Авторы публикации

Рубрика

IT-Технологии

Журнал

Журнал «Научный лидер» выпуск # 20 (65), май ‘22

Дата публицакии 11.05.2022

Поделиться

За последние двадцать лет новые информационные технологии значительно изменили и продолжают изменять наш мир, который двигается в сторону цифровизации. Появляющийся компьютерный инструментарий внедряется во все сферы нашей жизни [4-6].

Одним из наиболее перспективных и интересных направлений является машинное обучение. Машинное обучение – это совокупность методов развития искусственного интеллекта, при использовании которых задача решается с помощью обучения, состоящего из применения решений множества подобных задач.

Машинное обучение в видеоигровой индустрии – перспективное и относительно новое направление развития искусственного интеллекта. В современном мире, где интерес к видеоиграм велик и продолжает расти, а количество видеоигр увеличивается каждый месяц, разработчики сталкиваются с проблемой привлечения аудитории к своему продукту. На данный момент процесс разработки видеоигры можно назвать сложным и скрупулезным проектом: используются новейшие технологии, на реализацию которых требуется немало людей и времени. Несмотря на сложности, процесс разработки видеоигр привлекает молодежь нестандартными задачами. К тому же, с каждым годом повышается интерес к геймификации – внедрения игрового процесса в повседневную рутину, за счёт чего направление игровой разработки становится прибыльнее и привлекает все больше высококвалифицированных специалистов.

Каждый разработчик старается выделиться и завлечь игрока чем-то особенным. Качественная игра сейчас представляется как полноценный мир со своими персонажами, историей и сюжетом. Реализация подобной системы невозможна без применения машинного обучения.

В связи с этим можно сделать вывод о большом влиянии машинного обучения на современную индустрию видеоигр.

Зачастую в видеоиграх, когда речь заходит про искусственный интеллект, имеются в виду скрипты, которые имитируют интеллект персонажей, задействованных в игре. Направление компьютерных игр не сразу стало доступно и интересно для рядового обывателя. Игровой процесс являлся областью исследования многих ученых, причем интересовал их скорее с точки зрения развития искусственного интеллекта и компьютерных возможностей, нежели развлечения. Одними из первых компьютерных программ являлись игры в  шашки и шахматы, разработанные в 1951 году Кристофером Стрэчи и Дитрихом Принцем соответственно. Постоянное развитие данных алгоритмов привело к победе компьютера Deep Blue в матче по шахматам над чемпионом мира Гарри Каспаровым.

Создание качественной игры с соперниками невозможно без применения искусственного интеллекта. Игры данного жанра стали появляться в семидесятых годах прошлого столетия, из знаменитых представителей – Space Invaders (1978), Galaxian (1979), Pac-Man (1980). С помощью технологий искусственного интеллекта сложность игры повышалась, при этом интерес к ней рос. Одно из первых использований нейронных сетей демонстрируется в игре 1996 года Battlecruiser 3000AD.

Машинное обучение использует огромное число теоретических и практических методов. В отличие от скриптов оно позволяет компьютеру оперативно находить наиболее релевантные решения для той или иной задачи.

На данный момент в индустрии существует несколько проблем, в разрешении которых участвует машинное обучение:

   1. Изучение игроков, определенной игры и использование искусственного интеллекта

При создании качественной игры, нацеленной на привлечение большой аудитории, разработчики уделяют большое внимание алгоритмам искусственного интеллекта. Изучаются особенности определенной игры, стратегия, алгоритмы возможных действий игрока и алгоритмы выигрыша: в результате искусственный интеллект способен играть с пользователем на равных, попутно анализируя его действия и подражая им. Например, в играх жанра «шутер» игра может вестись командой игроков против команды искусственного интеллекта.

Также искусственный интеллект повсеместно используется в играх, предполагающих наличие NPC – персонажей, общающихся с игроком и помогающих по ходу игры. Каждый персонаж запоминает предыдущую встречу и меняет отношение к игроку в зависимости от характера и уровня отношений.

   2. Уравнивание шансов

При использовании искусственного интеллекта в играх разработчики уделяют внимание уравниванию шансов: это важно для обеспечения отсутствия какого-либо преимущества искусственного интеллекта перед игроком и удержания аудитории соответственно.

Также уравнивание шансов важно при наличии в игре множества персонажей, доступных для игры, поскольку каждый персонаж имеет свои характеристики и преимущества, и ни один из персонажей не должен выделяться от другого своими исключительными характеристиками.

   3. Балансировка персонажей и игровой среды

В играх, где сражение происходит между несколькими командами, важно обеспечить каждой команде равенство. Например, в сюжете, где побеждает команда, первая захватившая точку, важно учитывать, чтобы штаб каждой команды находился на равном расстоянии от нужной точки. Персонажи игры должны быть сбалансированы, то есть приблизительно равны по характеристикам, а также действовать максимально реалистично: например, человек не способен прыгнуть выше второго этажа, а у каждого оружия есть своя скорость и дальность действия, которые необходимо учитывать. Данные задачи в настоящее время решаются с помощью машинного обучения.

   4. Работа с большими данными

Любая современная система больших масштабов подразумевает работу с большими массивами данных. В случае с играми, в особенности онлайн-играми, данные поступают ежедневно, и их необходимо оперативно анализировать для предоставления игрокам лучшего опыта и исправления возможных ошибок. Алгоритмы машинного обучения позволяют настроить удобное поступление данных, упорядочить, быстро и просто анализировать их. Это могут быть данные совершенно разного характера, начиная от количества зарегистрировавшихся игроков, заканчивая загруженностью серверов.

За последние годы лежащие в основе машинного обучения алгоритмы и методы не претерпели значительных изменений, что привело к отсутствию видимых изменений в развитии игрового искусственного интеллекта.

Разработчиков также ограничивает необходимость большого количества ресурсов и данных для обучения. Например, для того, чтобы научить компьютер распознавать кота, ему нужно показать тысячи фотографий котов.  Параметров, влияющих на поведение персонажа в игре, намного больше. Некоторые создатели игр позволяют исследователям в области искусственного интеллекта получать данные в удобном формате, но для тех игр, где такой возможности нет, необходимо создавать инструменты, считывающие параметры и объекты игрового мира.

Современные разработчики стремятся не к созданию максимально сложного искусственного интеллекта, а скорее к его удачным применениям внутри систем игры.

Так, в Red Dead Redemption 2 от студии Rockstar, игроку предоставляется возможность взаимодействовать с неигровыми персонажами (NPC) в тысячах возможных вариантах. В зависимости от того, как одет игрок, с какой скоростью он передвигается, есть ли на одежде пятна крови, реакция NPC будет отличаться. Бандиты на дорогах будут помнить о последней встрече, случайные прохожие обращаться к игроку за помощью, а полицейские следить за порядком. Такой ИИ позволяет игроку разнообразить игровой процесс и сделать его более интересным.

Другим примером внедрения искусственного интеллекта является игровая серия симулятора гонок Forza. С момента своего создания в 2005 году разработчики Forza предпочитали обучающуюся модель традиционному скриптовому дизайну искусственного интеллекта для управления виртуальными водителями. Система получила название Drivatar. Она наблюдала за вождением игрока и имитировала его стиль вождения. В самых последних версиях система Drivatar подключена к облачным сервисам Microsoft, где она может собирать данные о вождении игроков по всему миру. Теперь противники с искусственным интеллектом имитируют реальных игроков с их сильными и слабыми сторонами и делают игру более непредсказуемой.

С самого зарождения игровой индустрии разработчики уделяли особое внимание искусственному интеллекту. Если несколько лет назад тема машинного обучения и искусственного интеллекта считалась чем-то фантастическим, то сейчас постепенно становится обыденностью. По мере развития искусственный интеллект в играх будет сосредоточен не только на создании более сильных персонажей, чтобы заставить игрока искать новые приемы для победы, но и будет стараться создать уникальный игровой опыт для каждого геймера. Сложность разработки заключается в том, что многие методы и модели, использующиеся сейчас, появились еще в прошлом веке, в то время как инструменты, позволяющие осуществлять сбор и анализ данных стали доступны относительно недавно.

Машинное обучение значительно повлияло на развитие технологий. Оно является неотъемлемой частью в производстве машин с автопилотом, помогает исследователям космоса находить экзопланеты в разных уголках Вселенной. Машинное обучение привело к появлению новых концепций и технологий, включая новые алгоритмы для разработки роботов, интернета вещей, инструментов для анализа данных, голосовых и текстовых помощников.

Список литературы

  1. Верещагин А. (2018) Компьютерная помощь: как технология машинного обучения может повлиять на игровую индустрию // Сайт dtf.tu (https://dtf.ru/gamedev/25618-kompyuternaya-pomoshch-kak-tehnologiya-mashinnogo-obucheniya-mozhet-povliyat-na-igrovuyu-industriyu)
  2. Круцюк М.С. Перспективы применения машинного обучения в видеоиграх // Вестник науки и образования. 2020. №17-1 (95).
  3. Уринцов А.И. СИСТЕМА ФОРМИРОВАНИЯ И ПРИНЯТИЯ РЕШЕНИЙ В УСЛОВИЯХ ИНФОРМАТИЗАЦИИ ОБЩЕСТВА Москва, 2008.
  4. Уринцов А.И. СТРУКТУРНЫЙ АНАЛИЗ И ПРОЕКТИРОВАНИЕ РАСПРЕДЕЛЕННЫХ ЭКОНОМИЧЕСКИХ СИСТЕМ Экономика и математические методы. 1997. Т. 33. № 4. С. 141-152.
  5. Вьюгин В.В. Математические основы машинного обучения и прогнозирования [Текст]: электронное издание // В.В. Вьюгин; Московский физико-технический институт, Лаб. структурных методов анализа данных в предсказательном моделировании (ПреМоЛаб), Институт проблем передачи информации им. А.А. Харкевича РАН. Москва: Изд-во МЦНМО, 2014. 304 с.
  6. Уринцов А.И., Дик В.В. СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ И УПРАВЛЕНИЯ ЭФФЕКТИВНОСТЬЮ БИЗНЕСА Москва, 2009

Предоставляем бесплатную справку о публикации,  препринт статьи — сразу после оплаты.

Прием материалов
c по
Осталось 5 дней до окончания
Размещение электронной версии
Загрузка материалов в elibrary