{"id":52119,"date":"2019-11-01T00:00:00","date_gmt":"2019-10-31T21:00:00","guid":{"rendered":"https:\/\/prohoster.info\/blog\/blog_prohoster\/kak-ustroen-gibridnyj-igrovoj-ii-i-v-chyom-ego-preimushhestva"},"modified":"2020-02-18T13:59:47","modified_gmt":"2020-02-18T10:59:47","slug":"kak-ustroen-gibridnyj-igrovoj-ii-i-v-chyom-ego-preimushhestva","status":"publish","type":"post","link":"https:\/\/prohoster.info\/de\/blog\/news\/kak-ustroen-gibridnyj-igrovoj-ii-i-v-chyom-ego-preimushhestva","title":{"rendered":"Wie funktioniert hybrider Gaming-KI und was sind ihre Vorteile?","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

In Fortsetzung eines Themas, das wir einst in unserem Blog behandelt haben, geht es um k\u00fcnstliche Intelligenz im Gaming,<\/a><\/noindex> dar\u00fcber, wie anwendbar maschinelles Lernen ist und in welcher Form. Mit unseren Erfahrungen und den auf dieser Basis getroffenen Entscheidungen, teilte mit<\/a><\/noindex> Experte f\u00fcr KI-Themen bei Apex Game Tools, Jakob Rasmussen.<\/p>\n

\"Wie
\n
\nIn den letzten Jahren wird viel dar\u00fcber gesprochen, dass maschinelles Lernen die Spieleindustrie revolutionieren wird, da diese Technologie bereits in vielen anderen digitalen Anwendungen bahnbrechend ist. Doch sollte man nicht vergessen, dass Spiele deutlich komplexer sind als ein Fahrsimulator, ein Drohnensteuerungsprogramm oder Gesichts\u00aderkennungs\u00adalgorithmen in Bildern. <\/a><\/noindex><\/p>\n

W\u00e4hrend in der Spieleindustrie nach wie vor traditionelle KI-Methoden wie endliche Automaten, Verhaltensb\u00e4ume und \u2013 zunehmend \u2013 utilitaristische KI (nutzungsbasierte Systeme) verwendet werden, ist es f\u00fcr die Spieler immer offensichtlicher geworden, dass diese Systeme f\u00fcr die Schaffung wirklich fortschrittlicher Gegner, die das Verhalten der Spieler nachahmen k\u00f6nnten, zunehmend ungeeignet sind. Insbesondere betrifft dies kreative L\u00f6sungsans\u00e4tze. Dies l\u00e4sst sich damit erkl\u00e4ren, dass die Entwickler von k\u00fcnstlicher Intelligenz nicht in der Lage sind, alle m\u00f6glichen Taktiken und Verhaltensstrategien zu ber\u00fccksichtigen und erfolgreich in traditionellen KI-Systemen umzusetzen. F\u00fcr die Spieler wird es oft langweilig und vorhersehbar, gegen einen Gegner zu spielen, dessen Verhaltensmuster leicht zu merken sind.<\/p>\n

Verschiedene Gr\u00fcnde f\u00fchren zu diesem Ergebnis, aber einer der Hauptgr\u00fcnde ist die Unf\u00e4higkeit der KI zu lernen. Daher liegt es nahe, bei der Entwicklung von Gegner-KI zu maschinellem Lernen \u00fcberzugehen, das sich in vielen anderen Anwendungen hervorragend bew\u00e4hrt hat. Jedoch gibt es einige Nuancen zu beachten. So muss die KI im Spiel in der Lage sein, sich an jede Situation anzupassen und die Vorteile zu nutzen, die sie ihr bietet, sowie sich an verschiedene Spielstile der Gegner \u2013 sowohl lebende Spieler als auch andere KIs \u2013 anzupassen. <\/p>\n

<\/p>\n

Wie sieht die Situation jetzt aus<\/h3>\n

\nDas britische Unternehmen DeepMind, das sich mit der Entwicklung von k\u00fcnstlicher Intelligenz besch\u00e4ftigt, hat k\u00fcrzlich gezeigt, wie KI selbstst\u00e4ndig lernen kann, Spiele zu spielen, deren Regeln zu verstehen und Wege zu finden, um ein Spiel zu meistern oder zu gewinnen \u2013 allerdings bisher nur am Beispiel einfacher Spiele wie den fr\u00fchen Spielen. Atari<\/a><\/noindex> \u2013 zum Beispiel Schach und das japanische Logikspiel Go. Die erzielten Ergebnisse zeigen, dass die k\u00fcnstliche Intelligenz in der Lage ist, sich eine angemessene Einsch\u00e4tzung der Situation auf dem Feld zu bilden. Wenn es um die Anpassung der KI an verschiedene Spielstile des Gegners geht, sind die Ergebnisse jedoch noch nicht so beeindruckend.<\/p>\n

Heutzutage haben neuronale Netze bereits gelernt, Bilder zu erkennen und Fahrzeuge zu steuern. Diese Funktionen k\u00f6nnen jedoch auch mit vergleichsweise einfachen Architekturen umgesetzt werden, auch wenn sie am Ende relativ tief und umfangreich sind. So hat die KI zur Bildkennung bei Facebook eine Tiefe von etwa 100 Schichten, weshalb sie dem biologischen Gehirn \u00e4hnelt \u2013 durch die Anzahl und Komplexit\u00e4t der Verbindungen zwischen Neuronen, die ein gro\u00dfes Netzwerk bilden. <\/p>\n

<\/p>\n

Spielf\u00e4hige KI<\/h3>\n

\nWas die Anwendung des maschinellen Lernens in der Spieleindustrie betrifft, gibt es eine Reihe von Einschr\u00e4nkungen, die es nicht immer erm\u00f6glichen, dieser Art von Architektur zu nutzen. Dazu geh\u00f6ren die Systemanforderungen, insbesondere die an die CPU, die bestimmen, wie gut der Computer in der Lage ist, komplexe Spielstrukturen zu verarbeiten und wie geeignet er f\u00fcr das Storytelling und Gameplay ist. <\/p>\n

Das bedeutet, dass in vielen Spielen f\u00fcr die Implementierung eines komplexen KI-Systems oft nicht die notwendige Hardware und schon gar nicht ein Servercluster zur Verf\u00fcgung steht, wie es beispielsweise f\u00fcr Bildverarbeitungsnetzwerke bei Facebook der Fall ist. Manchmal m\u00fcssen mehrere KIs gleichzeitig arbeiten \u2013 nicht nur auf Computern, sondern auch auf mobilen Ger\u00e4ten und anderen weniger leistungsf\u00e4higen Plattformen. All dies setzt Grenzen f\u00fcr die Gr\u00f6\u00dfe und Komplexit\u00e4t der Architektur des maschinellen Lernens, da alle Berechnungen zudem innerhalb einer Frame-Dauer von etwa 1 oder 2 Millisekunden durchgef\u00fchrt werden m\u00fcssen. Nat\u00fcrlich kann man verschiedene Optimierungs- und Lastverteilungs-Technologien nutzen, doch ganz entkommen lassen sich diese Einschr\u00e4nkungen nicht.<\/p>\n

Die Komplexit\u00e4t des Spiels kann ernsthafte Probleme f\u00fcr die KI darstellen. In Spielen wie zum Beispiel StarCraft II ist die Spielmechanik um ein Vielfaches komplizierter als in Atari-Spielen. Daher sollte man nicht erwarten, dass das maschinelle Lernen bei gegebener Bildfrequenz und bekannten Systemanforderungen in der Lage ist, den gesamten Zustand des Spiels ganz zu erfassen und damit zu interagieren. W\u00e4hrend der Spieler zu Beginn oft von Intuition geleitet wird, muss auch die KI lernen, den Spielzustand prim\u00e4r zu verarbeiten, um die weiteren Fortschritte zu erleichtern. Zum Beispiel in einem der letzten API f\u00fcr Starcraft II<\/a><\/noindex> auf den Karten wird nur die Informationen angezeigt, die die Entwickler f\u00fcr wichtig erachteten: In einem Fall nutzte die KI eine verkleinerte Ansicht des gesamten Kartenbereichs, im anderen \u2013 \u00e4hnlich wie der Spieler \u2013 konnte sie die Kamera bewegen, wodurch ihre Wahrnehmung auf die Informationen auf dem Bildschirm beschr\u00e4nkt war.<\/p>\n

\"Wie
\nVisualisierung des Spiels der KI AlphaStar gegen den Spieler in StarCraft II: Der Screenshot zeigt die \u201erohen\u201c urspr\u00fcnglichen Beobachtungen, die Aktivit\u00e4t des neuronalen Netzwerks, einige ihrer m\u00f6glichen Aktionen und Koordinaten sowie den vermuteten Ausgang des Spiels.<\/i><\/p>\n

Dies ist ein besonders aktueller Aspekt im Falle von Spielen. Oft sind herk\u00f6mmliche Methoden zur Probleml\u00f6sung im Bereich des maschinellen Lernens nicht auf die Spiel- k\u00fcnstliche Intelligenz anwendbar. Zum Beispiel ist es normalerweise nicht erforderlich, dass sie gewinnt oder alles tut, um zu siegen, wie es bei Atari-Spielen der Fall war. H\u00e4ufig besteht die Rolle der KI darin, das Spielerlebnis spannender zu gestalten. Sie kann dazu gezwungen sein, eine Rolle zu spielen und sich so zu verhalten, wie es der Charakter vorsieht, f\u00fcr den sie verantwortlich ist. Somit sind Spiel-KIs st\u00e4rker an Game Design und Storytelling gebunden und m\u00fcssen die Werkzeuge besitzen, um ihr Verhalten zur Erreichung des festgelegten Ziels zu steuern. Reines maschinelles Lernen eignet sich daf\u00fcr nicht immer \u2014 also muss nach etwas anderem gesucht werden. <\/p>\n

<\/p>\n

Praktische Probleme des maschinellen Lernens<\/h3>\n

\nDiese Probleme traten bei der Entwicklung einer auf maschinellem Lernen basierenden k\u00fcnstlichen Intelligenz f\u00fcr Unleash<\/a><\/noindex>, wo die KI sich wie normale Spieler verhalten muss \u2014 das hei\u00dft, ebenso flexibel und einfallsreich sein muss. <\/p>\n

\u00c4hnlich wie Starcraft II ist Unleashed viel komplexer aufgebaut als Schach und Go f\u00fcr Atari. Das Gameplay ist intuitiv und leicht erlernbar, aber um darin wirklich erfolgreich zu sein, sind bestimmte F\u00e4higkeiten im Umgang mit der Meta erforderlich. Der Spieler muss Labyrinthe erstellen, Monster auf Feinde hetzen und seine Strategie in Bezug auf Wirtschaft, Angriff und Verteidigung von Geb\u00e4uden w\u00e4hrend des gesamten Spiels \u00fcberdenken. Daf\u00fcr muss er bluffen und die Z\u00fcge anderer im Voraus kalkulieren sowie die psychologische Meta steuern \u2014 genau das macht Poker zu mehr als nur einem statistischen Spiel.<\/p>\n

\"Wie
\nScreenshot aus Unleashed<\/i><\/p>\n

Bei der Suche nach der am besten geeigneten Architektur f\u00fcr diese Zwecke wurden zun\u00e4chst Technologien wie Neuroevolution<\/a><\/noindex> und Deep Learning in die Spielumgebung praktisch unver\u00e4ndert integriert und es wurde getestet, wie sie sich im rohen Zustand als KI-Gegner schlagen w\u00fcrden. <\/p>\n

Das war schrecklich. <\/p>\n

Es wurde schnell offensichtlich, dass in Unleashed viele globale Probleme gel\u00f6st werden m\u00fcssen, f\u00fcr die sich maschinelles Lernen schwer anpassen l\u00e4sst. <\/p>\n

Eines davon ist der Bau eines effektiven Labyrinths. Wie in vielen Spielen, deren Ziel es ist, einen Turm zu verteidigen, m\u00fcssen die Spieler hier ein Labyrinth um ihn herum errichten, durch das Monster hindurchdringen werden. Diese m\u00fcssen dann mit den im Labyrinth platzierten Waffen beseitigt werden. Idealerweise sollte das Labyrinth so lang wie m\u00f6glich sein, um den Monstern ausreichend Schaden zuzuf\u00fcgen und sie daran zu hindern, den Turm zu erreichen. F\u00fcr bestimmte Waffentypen sind die Monster anf\u00e4lliger als f\u00fcr andere, weshalb es sich lohnt, diese fr\u00fcher im Labyrinth zu platzieren als alle anderen. Das Besondere an Unleash ist, dass es kein perfektes Labyrinth gibt: Im Spiel gibt es so viele Monstertypen, dass irgendwie immer eines von ihnen ungehindert durch einen Teil des Labyrinths kommen wird. Jedes Labyrinth muss an neue Monster angepasst werden, die von anderen Spielern ins Spiel gebracht werden. Daher war es notwendig, nicht nur die k\u00fcnstliche Intelligenz zu lehren, Labyrinthe zu bauen \u2014 sie musste auch lernen, effektive Labyrinthe f\u00fcr verschiedene Szenarien zu erstellen, mit denen man sowohl in der fr\u00fchen als auch in der sp\u00e4ten Version des Spiels konfrontiert werden kann. <\/p>\n

Au\u00dferdem musste die KI lernen, welche Monster im Labyrinth erscheinen werden. Dies ist eine Art umgekehrtes Problem im Vergleich zum Bau des Labyrinths. Wie in vielen anderen Spielen ist es in Unleash nicht genug, einfach eine Armee aufzubauen und sie in die feindlichen Reihen zu schicken: Man muss auch die feindliche Verteidigung ausspionieren und die Truppe so strukturieren, dass ein maximales gezieltes Treffen auf die Schwachstellen des Gegners m\u00f6glich ist. Die Armee der Monster muss so interagieren, dass sie am erfolgreichsten durch das Labyrinth brechen kann. Manchmal ist es auch notwendig, die Monster in einer bestimmten Reihenfolge loszulassen, abh\u00e4ngig von ihren Funktionen und Rollen. Auch das erh\u00f6ht die Anzahl der verschiedenen Kombinationen.<\/p>\n

Schlie\u00dflich muss die KI, da der Spieler sowohl Labyrinthe erstellen als auch eine Armee von Monstern aufbauen muss, ein Gleichgewicht zwischen Angriff und Verteidigung finden lernen. Es ist auch zu beachten, dass je mehr der Spieler seine Armee von Monstern aufbaut und je mehr er das Labyrinth gestaltet, desto mehr Ressourcen er daf\u00fcr ben\u00f6tigt. Daher ist eine effektive Angriffsstrategie entscheidend sowohl f\u00fcr die Wirtschaft im Spiel als auch f\u00fcr den Sieg. Um die Wettbewerbsf\u00e4higkeit zu gew\u00e4hrleisten, muss die KI in der Lage sein, Ressourcen so zu verwalten, dass sie eine starke Armee von Monstern schafft, ohne dabei die St\u00e4rke des Labyrinths zu gef\u00e4hrden. Maximale Investitionen in Monster k\u00f6nnen wirtschaftlich vorteilhaft sein, erh\u00f6hen jedoch das Risiko, dass Gegner das Labyrinth erobern. Eine Fokussierung auf die Verst\u00e4rkung der Labyrinthverteidigung k\u00f6nnte hingegen deine Wirtschaft schw\u00e4chen. Kein dieses Szenarien f\u00fchrt zum Sieg. Daher erweist sich das Optimierungsproblem in Unleashed als umfassender als in Schach oder Starcraft und beinhaltet die Notwendigkeit, etwas zu opfern und den eigenen Vorteil mehrere Schritte im Voraus zu kalkulieren. <\/p>\n

W\u00e4hrend das k\u00fcnstliche Lernen der Intelligenz tauchen viele zuvor nicht ber\u00fccksichtigte Probleme auf. So erreichte die KI anfangs oft ein bestimmtes Entwicklungsniveau, bei dem sie begann, einige Aspekte des Spiels zu verstehen \u2013 zum Beispiel, welches Labyrinth-Waffen gegen bestimmte Arten von Monstern effektiv sind oder welche Monster am besten bestimmte Abschnitte des Labyrinths durchqueren. Aber das Lernen war langsam und f\u00fchrte zu uniformen Strategien. <\/p>\n

<\/p>\n

Notwendigkeit paralleler Ans\u00e4tze<\/h3>\n

\nW\u00e4hrend das Training von KI, die auf maschinellem Lernen basiert, langsam und nicht besonders erfolgreich voranschritt, wurde f\u00fcr andere Test- und Entwicklungsphasen eine bessere KI und zuverl\u00e4ssigere konkurrierende KIs ben\u00f6tigt. Zu diesem Zweck wurde die Utility-Architektur genutzt, mit der spezielle KIs f\u00fcr Tests, Qualit\u00e4tspr\u00fcfungen von Spielen, In-Game-Tests und die Balance von Waffen und Monstern sowie zur Erstellung spezifischer Labyrinthe und Monster entwickelt werden konnten. Allerdings verfeinerten die Entwickler von Unleash w\u00e4hrend der Entwicklung ihre eigenen F\u00e4higkeiten im Gameplay und entschieden sich schlie\u00dflich, das gewonnene Wissen f\u00fcr die Erstellung einer komplexeren Utility-KI zu nutzen. So wurde klar, dass viele Probleme in maschinell lernenden KI-Systemen leicht mit Utility-Systemen gel\u00f6st werden k\u00f6nnen, die das in ihnen verankerte Wissen nutzen, und umgekehrt. <\/p>\n

Zum Beispiel lassen sich effizientere Labyrinthe besser mit Utility-KIs erstellen, die auf Wissensdatenbanken basieren, die durch interne Tests zusammengestellt wurden. Es l\u00e4sst sich leicht ein Algorithmus zur Erstellung von Labyrinthen und zur Platzierung von Waffen programmieren, der so gestaltet ist, dass es einem lebenden Spieler leichter f\u00e4llt, einen Turm gegen bestimmte Monster zu verteidigen. Die Schaffung einer Armee von Monstern auf der Grundlage von Wissen \u00fcber die gegnerische Basis stellte jedoch eine komplexe Aufgabe f\u00fcr solche KIs dar, da die Vielzahl der zu ber\u00fccksichtigenden Bedingungen und Kombinationen schier \u00fcberw\u00e4ltigend war. Bei diesem Architekturstil w\u00fcrde die Suche nach geeigneten Monstersets ewig dauern. Unter den gegebenen Einschr\u00e4nkungen w\u00e4re tiefes Lernen die ideale L\u00f6sung f\u00fcr diese Aufgabe. <\/p>\n

<\/p>\n

Erstellung von hybriden KIs<\/h3>\n

\nEs wurde beschlossen, zwei Ans\u00e4tze zu kombinieren und somit ein hybrides System f\u00fcr k\u00fcnstliche Intelligenz auf Basis von maschinellem Lernen und Utility zu schaffen. Die Idee war, dass in Situationen, wo eine enorme Anzahl von Kombinationen und Zust\u00e4nden des Spiels verarbeitet werden musste oder wo es n\u00f6tig war, es zu trainieren, maschinelles Lernen eingesetzt wurde. F\u00fcr andere Aufgaben, bei denen es besser ist, sich auf die pers\u00f6nliche Erfahrung der Entwickler zu st\u00fctzen, wurden Utility-Systeme verwendet. Der Vorteil dieses Ansatzes liegt auch darin, dass das Verhalten der KI bei Bedarf besser kontrolliert werden kann, um eine genauere Einhaltung des vorgegebenen Ziels zu gew\u00e4hrleisten. Beispielsweise k\u00f6nnte man Utility-KI verwenden, um das Gleichgewicht zwischen Angriff und Verteidigung zu gew\u00e4hrleisten und dadurch unterschiedliche Aggressionslevel zu schaffen, oder man k\u00f6nnte verschiedene Labyrinthkonfigurationen f\u00fcr unterschiedliche KIs erstellen, um ihnen individuelle Spielstile zu verleihen. Auch k\u00f6nnten neuronalen Netzen bestimmte Wertesysteme zugewiesen werden, um unterschiedliche Pr\u00e4ferenzen bei der Auswahl von Luft- oder Bodenmonstern zu formen und somit einzelnen KIs ebenfalls Individualit\u00e4t zu verleihen. Es gibt noch viele weitere Optionen zur Umsetzung von Projektszenarien, und alle betonen die St\u00e4rken des jeweiligen KI-Architekturtyps. <\/p>\n

Der hybride Ansatz stellte auch eine Antwort auf eine weitere Frage dar, die sich dem Entwicklerteam im Verlauf der Entwicklung der k\u00fcnstlichen Intelligenz f\u00fcr Unleash stellte: Soll eine globale, tiefe neuronale Netzstruktur auf der Basis von maschinellem Lernen verwendet werden, um alle Eingaben und Ausgaben zu ber\u00fccksichtigen, oder ist es besser, die KI mit einer hierarchischen Struktur zu entwerfen? <\/p>\n

\"Wie
\nDie zwei Architekturen, die in Unleash verwendet wurden: links \u2014 ein gro\u00dfes tiefes neuronales Netzwerk mit einer eigenen einheitlichen Architektur, rechts \u2014 ein hierarchisches System, in dem jedes Netzwerk seine eigene Aufgabe hat.<\/i><\/p>\n

Und dennoch w\u00e4re es w\u00fcnschenswert, einen gemeinsamen Ansatz f\u00fcr das System der k\u00fcnstlichen Intelligenz zu schaffen, in dessen Architektur die Entwickler ihre eigene Erfahrung nicht einflie\u00dfen lie\u00dfen. Je mehr Zugriffe ins Spiel vorgenommen wurden, desto mehr wuchs das neuronale Netzwerk. Dabei konnte man das Training der KI nicht vom Training auf eine bestimmte Richtung trennen: entweder Verteidigung oder Angriff. Es gab Bedenken, dass ein allgemeinerer Ansatz zu einem erheblichen Anstieg der Berechnungen f\u00fchren w\u00fcrde. <\/p>\n

Daraus entstand die Idee, eine hierarchische Architektur zu schaffen, bei der jede spezifische Aufgabe von einem spezialisierten neuronalen Netzwerk ausgef\u00fchrt wird. gem\u00e4\u00df dieser Idee muss die k\u00fcnstliche Intelligenz zun\u00e4chst eine Entscheidung \u00fcber die Ressourcenzuteilung f\u00fcr Angriff (Erh\u00f6hung der Monsterarmee) und Verteidigung (Bau des Labyrinths) treffen. Sobald sie dies tut, wechselt sie zur n\u00e4chsten Ebene entsprechend ihrer Wahl und erh\u00e4lt Zugriff auf den ben\u00f6tigten Teil des Spielzustands, woraufhin sie detaillierte Entscheidungen dar\u00fcber trifft, welche Monster auszuw\u00e4hlen und welche Waffen im Labyrinth zu installieren.<\/p>\n

<\/p>\n

Fazit und n\u00e4chste Schritte<\/h3>\n

\nBei einem hybriden Ansatz erinnert die Utility-KI mit ihren integrierten, maschinenlernenden Netzwerken an eine hierarchische Architektur. Diese wiederum \u00e4hnelt dem biologischen Gehirn, in dem verschiedene Nervenzentren jeweils f\u00fcr ihre eigene Aufgabe verantwortlich sind.<\/p>\n

Der gegnerische KI in Unleash ist jetzt sehr schwer zu besiegen: Sie sind in der Lage, sich jeder Spielsituation anzupassen, und die Entwickler k\u00f6nnen ihre Einstellungen nach Belieben \u00e4ndern. Der Artikelverfasser ist der Meinung, dass der hybride Ansatz im Laufe der Zeit verbreiteter werden sollte und in vielen anderen Spielen auftauchen wird. Vielleicht wird es eines Tages gelingen, eine reine maschinenlernbasierte k\u00fcnstliche Intelligenz in den Spielprozess zu integrieren. Doch offensichtlich wird dies noch Zeit erfordern. Derzeit besteht das Ziel darin, eine Architektur zu finden, die sich selbst an die vorliegenden Aufgaben anpassen kann und optimale L\u00f6sungen findet.
\n
Quelle: habr.com<\/a><\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"

\u0412 \u043f\u0440\u043e\u0434\u043e\u043b\u0436\u0435\u043d\u0438\u0435 \u043d\u0435\u043a\u043e\u0433\u0434\u0430 \u043f\u043e\u0434\u043d\u044f\u0442\u043e\u0439 \u0432 \u043d\u0430\u0448\u0435\u043c \u0431\u043b\u043e\u0433\u0435 \u0442\u0435\u043c\u044b \u0438\u0433\u0440\u043e\u0432\u043e\u0433\u043e \u0438\u0441\u043a\u0443\u0441\u0441\u0442\u0432\u0435\u043d\u043d\u043e\u0433\u043e \u0438\u043d\u0442\u0435\u043b\u043b\u0435\u043a\u0442\u0430 \u043f\u043e\u0433\u043e\u0432\u043e\u0440\u0438\u043c \u043e \u0442\u043e\u043c, \u043d\u0430\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u043f\u0440\u0438\u043c\u0435\u043d\u0438\u043c\u043e \u043a \u043d\u0435\u043c\u0443 \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0435 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u0438 \u0432 \u043a\u0430\u043a\u043e\u043c \u0432\u0438\u0434\u0435. \u0421\u0432\u043e\u0438\u043c \u043e\u043f\u044b\u0442\u043e\u043c \u0438 \u0432\u044b\u0431\u0440\u0430\u043d\u043d\u044b\u043c\u0438 \u043d\u0430 \u0435\u0433\u043e \u043e\u0441\u043d\u043e\u0432\u0435 \u0440\u0435\u0448\u0435\u043d\u0438\u044f\u043c\u0438 \u043f\u043e\u0434\u0435\u043b\u0438\u043b\u0441\u044f \u044d\u043a\u0441\u043f\u0435\u0440\u0442 \u043f\u043e \u0432\u043e\u043f\u0440\u043e\u0441\u0430\u043c \u0418\u0418 \u0432 Apex Game Tools \u042f\u043a\u043e\u0431 \u0420\u0430\u0441\u043c\u0443\u0441\u0441\u0435\u043d. \u0412 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0435 \u0433\u043e\u0434\u044b \u0432\u0435\u0434\u0451\u0442\u0441\u044f \u043c\u043d\u043e\u0433\u043e \u0440\u0430\u0437\u0433\u043e\u0432\u043e\u0440\u043e\u0432 \u043e \u0442\u043e\u043c, \u0447\u0442\u043e \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0435 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u043a\u0430\u0440\u0434\u0438\u043d\u0430\u043b\u044c\u043d\u043e […]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[702],"tags":[],"class_list":["post-52119","post","type-post","status-publish","format-standard","hentry","category-news"],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\n","aioseo_head_json":{"title":"\ud83e\udd47Wie der hybride Spiel-KI funktioniert und welche Vorteile er hat | ProHoster","description":"Im Anschluss an ein fr\u00fcheres Thema \u00fcber KI in Spielen in unserem Blog sprechen wir dar\u00fcber, wie anwendbar es ist.","canonical_url":"https:\/\/prohoster.info\/de\/blog\/news\/kak-ustroen-gibridnyj-igrovoj-ii-i-v-chyom-ego-preimushhestva","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"de_DE","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47\u041a\u0430\u043a \u0443\u0441\u0442\u0440\u043e\u0435\u043d \u0433\u0438\u0431\u0440\u0438\u0434\u043d\u044b\u0439 \u0438\u0433\u0440\u043e\u0432\u043e\u0439 \u0418\u0418 \u0438 \u0432 \u0447\u0451\u043c \u0435\u0433\u043e \u043f\u0440\u0435\u0438\u043c\u0443\u0449\u0435\u0441\u0442\u0432\u0430 | ProHoster","og:description":"\u0412 \u043f\u0440\u043e\u0434\u043e\u043b\u0436\u0435\u043d\u0438\u0435 \u043d\u0435\u043a\u043e\u0433\u0434\u0430 \u043f\u043e\u0434\u043d\u044f\u0442\u043e\u0439 \u0432 \u043d\u0430\u0448\u0435\u043c \u0431\u043b\u043e\u0433\u0435 \u0442\u0435\u043c\u044b \u0438\u0433\u0440\u043e\u0432\u043e\u0433\u043e \u0438\u0441\u043a\u0443\u0441\u0441\u0442\u0432\u0435\u043d\u043d\u043e\u0433\u043e \u0438\u043d\u0442\u0435\u043b\u043b\u0435\u043a\u0442\u0430 \u043f\u043e\u0433\u043e\u0432\u043e\u0440\u0438\u043c \u043e \u0442\u043e\u043c, \u043d\u0430\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u043f\u0440\u0438\u043c\u0435\u043d\u0438\u043c\u043e.","og:url":"https:\/\/prohoster.info\/de\/blog\/news\/kak-ustroen-gibridnyj-igrovoj-ii-i-v-chyom-ego-preimushhestva","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2019-10-31T21:00:00+00:00","article:modified_time":"2020-02-18T10:59:47+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"52119","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":"2026-01-24 02:32:21","breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-02-28 20:49:49","updated":"2026-01-24 02:32:21","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/posts\/52119","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/comments?post=52119"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/posts\/52119\/revisions"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/media?parent=52119"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/categories?post=52119"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/tags?post=52119"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}