{"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\/novosti-interneta\/kak-ustroen-gibridnyj-igrovoj-ii-i-v-chyom-ego-preimushhestva","title":{"rendered":"Wie hybrider Spiel-KI funktioniert und welche Vorteile sie hat","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Im Anschluss an das zuvor in unserem Blog behandelte Thema der Gaming-KI<\/a><\/noindex> m\u00f6chten wir er\u00f6rtern, inwieweit maschinelles Lernen anwendbar ist und in welcher Form. Experteneinsichten und auf dieser Grundlage getroffene Entscheidungen stammen von teilte<\/a><\/noindex> Jakob Rasmussen, einem Experten f\u00fcr KI bei Apex Game Tools.<\/p>\n

\"Wie
\n
\nIn den letzten Jahren wird viel dar\u00fcber diskutiert, dass maschinelles Lernen die Gaming-Industrie revolutionieren wird, da diese Technologie bereits in vielen anderen digitalen Anwendungen bahnbrechend geworden ist. Man sollte jedoch nicht vergessen, dass Spiele viel komplexer sind als ein Fahrsimulator, ein Drohnensteuerungsprogramm oder Gesichtsrecognition-Algorithmen in Bildern. <\/a><\/noindex><\/p>\n

W\u00e4hrend in der Spieleindustrie nach wie vor traditionelle KI-Methoden wie Zustandsautomaten, Verhaltenb\u00e4ume und zunehmend auch utilitaristische KI (nutzbasierten Systeme) bevorzugt werden, wird immer deutlicher \u2014 vor allem den Spielern \u2014 dass diese Systeme zunehmend ungeeignet sind, um wirklich anspruchsvolle Gegner zu schaffen, die das Verhalten von Spielern nachahmen k\u00f6nnen. Dies gilt insbesondere f\u00fcr kreative Entscheidungen. Der Grund daf\u00fcr liegt darin, dass KI-Entwickler nicht in der Lage sind, alle m\u00f6glichen Taktiken und Verhaltensstrategien zu ber\u00fccksichtigen und sie erfolgreich in traditionellen KI-Systemen umzusetzen. F\u00fcr die Spieler f\u00fchrt dies oft dazu, dass das Spiel gegen einen Gegner, dessen Verhaltensmuster leicht zu merken sind, langweilig und vorhersehbar wird.<\/p>\n

Zahlreiche Ursachen f\u00fchren zu diesem Ergebnis, aber eine der Hauptgr\u00fcnde ist die Unf\u00e4higkeit von KI zur eigenst\u00e4ndigen Lernf\u00e4higkeit. Daher erscheint der \u00dcbergang zu maschinellem Lernen als eine offensichtliche L\u00f6sung bei der Entwicklung von Gegner-KI, die sich in vielen anderen Anwendungen bew\u00e4hrt hat. Es gibt jedoch einige wichtige Aspekte, die man beachten sollte. So muss die Spiel-KI in der Lage sein, sich an jede Situation anzupassen und die Vorteile, die sich daraus ergeben, zu nutzen sowie sich an verschiedene Spielstile von Gegnern \u2013 lebenden Spielern und anderen KIs \u2013 anzupassen. <\/p>\n

<\/p>\n

Wie sieht die Lage derzeit 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 Strategien zu finden, um die Spiele zu bestehen oder zu gewinnen \u2013 bislang jedoch nur bei einfachen Spielen wie den fr\u00fchen Atari<\/a><\/noindex> \u2014 zum Beispiel Schach und das japanische Brettspiel Go. Die erzielten Ergebnisse zeigen, dass die k\u00fcnstliche Intelligenz in der Lage ist, eine angemessene Einsch\u00e4tzung der Situation auf dem Spielfeld vorzunehmen. Bei der Anpassung der KI an verschiedene Spielstile des Gegners sind die Ergebnisse bisher jedoch nicht so beeindruckend.<\/p>\n

Heutzutage haben neuronale Netze bereits gelernt, Bilder zu erkennen und Autos zu fahren. Diese Funktionen k\u00f6nnen jedoch auch mit vergleichsweise einfachen Architekturen realisiert werden, selbst wenn sie letztendlich recht komplex und umfangreich sind. So hat die KI zur Bilderkennung auf Facebook eine Tiefe von etwa 100 Schichten, was sie in Bezug auf die Anzahl und Komplexit\u00e4t der Verbindungen zwischen den Neuronen, die ein gro\u00dfes Netzwerk bilden, dem biologischen Gehirn \u00e4hnlich macht. <\/p>\n

<\/p>\n

Spielerische KI<\/h3>\n

\nBei der Anwendung von maschinellem Lernen in der Spieleindustrie gibt es eine Reihe von Einschr\u00e4nkungen, die es nicht immer erm\u00f6glichen, diese Art von Architektur zu nutzen. Dazu geh\u00f6ren die Systemanforderungen, insbesondere die bez\u00fcglich der CPU, die die F\u00e4higkeit des Computers zur Verarbeitung komplexer Spielestrukturen und dessen Eignung f\u00fcr das Storytelling und Gameplay bestimmen. <\/p>\n

In vielen Spielen besteht keine M\u00f6glichkeit, die erforderliche Hardware f\u00fcr die Implementierung eines komplexen KI-Systems bereitzustellen, geschweige denn einen Servercluster zu organisieren, wie es beispielsweise f\u00fcr Bildvernetzungsnetzwerke bei Facebook der Fall ist. Manchmal m\u00fcssen sogar mehrere KI-Systeme gleichzeitig arbeiten \u2014 und nicht nur auf Computern, sondern auch auf mobilen Endger\u00e4ten und anderen weniger leistungsstarken Plattformen. Diese Herausforderungen setzen Grenzen f\u00fcr die Gr\u00f6\u00dfe und Komplexit\u00e4t der Architektur des maschinellen Lernens, da alle Berechnungen innerhalb eines Zeitrahmens von etwa 1 oder 2 Millisekunden erfolgen m\u00fcssen. Nat\u00fcrlich k\u00f6nnen verschiedene Optimierungstechnologien und Lastverteilungstechniken eingesetzt werden, dennoch lassen sich diese Einschr\u00e4nkungen nicht vollst\u00e4ndig \u00fcberwinden.<\/p>\n

Die Komplexit\u00e4t des Spiels kann ernsthafte Probleme f\u00fcr KI darstellen. In Spielen wie StarCraft II beispielsweise ist die Spielmechanik erheblich komplexer als in Atari-Spielen. Daher sollte man nicht erwarten, dass maschinelles Lernen bei einer bestimmten Bildrate und den bekannten Systemanforderungen in der Lage ist, den gesamten Zustand des Spiels zu verstehen und mit ihm zu interagieren. W\u00e4hrend ein Spieler in den fr\u00fchen Phasen oft intuitiv handelt, muss auch die KI lernen, den Spielzustand zun\u00e4chst zu verarbeiten, um das weitere Fortschreiten zu erleichtern. Zum Beispiel in einer der letzten API f\u00fcr Starcraft II<\/a><\/noindex> werden auf den Karten nur die Informationen angezeigt, die die Entwickler f\u00fcr wichtig hielten: In einem Fall nutzte die KI eine reduzierte Ansicht des gesamten Kartenbereichs, im anderen konnte sie, \u00e4hnlich wie der Spieler, die Kamera bewegen, und ihre Wahrnehmung wurde durch die Informationen auf dem Bildschirm eingeschr\u00e4nkt.<\/p>\n

\"Wie
\nVisualisierung des Spiels der KI AlphaStar gegen einen Spieler in Starcraft II: Der Screenshot zeigt die \"rohen\" Ausgangsbeobachtungen, die Aktivit\u00e4t des neuronalen Netzwerks, einige seiner m\u00f6glichen Handlungen und Koordinaten sowie den vermuteten Ausgang des Matches.<\/i><\/p>\n

Dies ist ein besonders relevantes Thema im Bereich der Spiele. Oftmals sind \u00fcbliche Methoden des maschinellen Lernens nicht auf k\u00fcnstliche Intelligenz (KI) in Spielen anwendbar. Zum Beispiel muss sie nicht unbedingt gewinnen oder alles in ihrer Macht Stehende tun, 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 muss eventuell schauspielern und sich so verhalten, wie es der Charakter, f\u00fcr den sie verantwortlich ist, erfordert. Daher sind Spiele-KIs stark auf Game-Design und Storytelling angewiesen und m\u00fcssen \u00fcber die notwendigen Werkzeuge verf\u00fcgen, um ihr Verhalten f\u00fcr ein festgelegtes Ziel zu steuern. Rein maschinelles Lernen ist nicht immer daf\u00fcr geeignet \u2014 deshalb ist es notwendig, etwas anderes zu finden. <\/p>\n

<\/p>\n

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

\nDiese Herausforderungen traten bei der Entwicklung von KI auf, die auf maschinellem Lernen basiert, f\u00fcr Unleash<\/a><\/noindex>, wo die KI sich wie gew\u00f6hnliche Spieler verhalten soll \u2013 das hei\u00dft, ebenso flexibel und einfallsreich sein muss. <\/p>\n

Wie bei Starcraft II ist Unleashed viel komplexer als Schach und Go f\u00fcr Atari. Das Gameplay ist intuitiv verst\u00e4ndlich und leicht zu erlernen, aber um 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 der Wirtschaft, beim Angriff und beim Schutz von Geb\u00e4uden im Verlauf des gesamten Spiels durchdenken. Dazu geh\u00f6rt es, zu bluffen und die Z\u00fcge der Gegner im Voraus zu kalkulieren sowie die psychologische Meta zu steuern \u2014 sie 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 wurden zun\u00e4chst Technologien wie neuroevolution<\/a><\/noindex> und tiefes Lernen in das Spiel integriert, um zu testen, wie sie sich in roher Form als KI-Gegner schlagen. <\/p>\n

Das war schrecklich. <\/p>\n

Es wurde schnell klar, dass in Unleashed viele globale Probleme gel\u00f6st werden m\u00fcssen, f\u00fcr die maschinelles Lernen schwer anzupassen ist. <\/p>\n

Eine der Herausforderungen besteht darin, ein effektives Labyrinth zu erstellen. Wie in vielen Tower-Defense-Spielen m\u00fcssen die Spieler hier ein Labyrinth um ihren Turm herum bauen, durch das Monster eindringen 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 gen\u00fcgend Schaden zuzuf\u00fcgen und zu verhindern, dass sie den Turm erreichen. Bei einigen Waffen sind die Monster anf\u00e4lliger als bei anderen, daher ist es ratsam, diese fr\u00fcher im Labyrinth zu platzieren, um die Effektivit\u00e4t zu erh\u00f6hen. Das Besondere an Unleash ist, dass es kein perfektes Labyrinth gibt: Es gibt so viele verschiedene Monster in dem Spiel, dass immer eines von ihnen ohne Schwierigkeiten einen Abschnitt des Labyrinths durchqueren wird. Jedes Labyrinth muss an neue Monster angepasst werden, die von anderen Spielern ins Spiel gebracht werden. Deshalb war es notwendig, nicht nur k\u00fcnstliche Intelligenz darin zu trainieren, Labyrinthe zu bauen, sondern auch effektive Labyrinthe f\u00fcr verschiedene Szenarien zu entwickeln, die sowohl in der fr\u00fchen als auch in der sp\u00e4ten Version des Spiels auftreten k\u00f6nnen. <\/p>\n

Auch die KI musste lernen, welche Monster im Labyrinth erscheinen w\u00fcrden. Das ist eine Art umgekehrtes Problem im Vergleich zum Erstellen des Labyrinths. Wie in vielen anderen Spielen reicht es in Unleash nicht aus, einfach eine Armee aufzubauen und sie ins feindliche Lager zu schicken: Es ist auch notwendig, die feindliche Verteidigung auszuspionieren und die Truppen so zu strukturieren, dass sie die Schwachstellen des Gegners m\u00f6glichst effektiv angreifen. Die Armee der Monster muss so miteinander interagieren, dass sie den Durchbruch durch das Labyrinth am erfolgreichsten gestalten k\u00f6nnen. Manchmal ist es auch erforderlich, die Monster in einer bestimmten Reihenfolge freizulassen, abh\u00e4ngig von ihren Funktionen und Rollen. Das erh\u00f6ht ebenfalls die Anzahl der verschiedenen Kombinationen.<\/p>\n

Schlie\u00dflich muss der KI nicht nur lernen, wie man Labyrinthe erstellt, sondern auch, wie man eine Armee von Monstern aufbaut, um ein Gleichgewicht zwischen Angriff und Verteidigung zu finden. Es ist ebenfalls zu ber\u00fccksichtigen, dass je mehr der Spieler seine Monsterarmee vergr\u00f6\u00dfert und je mehr er das Labyrinth ausbaut, desto mehr Ressourcen er daf\u00fcr ben\u00f6tigt. Daher ist die richtige Angriffsstrategie von entscheidender Bedeutung, sowohl f\u00fcr die Wirtschaft im Spielverlauf 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 Monsterarmee aufbaut, ohne die St\u00e4rke des Labyrinths zu gef\u00e4hrden. Maximal in Monster zu investieren, kann wirtschaftlich vorteilhaft sein, birgt jedoch das Risiko, dass das Labyrinth von gegnerischen Monstern erobert wird. Auf der anderen Seite k\u00f6nnte der Fokus auf den Ausbau der Labyrinthverteidigung die eigene Wirtschaft schw\u00e4chen. Keiner dieser Szenarien f\u00fchrt zum Sieg. Die Optimierungsproblematik in Unleashed ist somit umfassender als im Fall von Schach oder Starcraft und beinhaltet die Notwendigkeit, etwas zu opfern und seinen Nutzen mehrere Schritte im Voraus zu kalkulieren. <\/p>\n

Mit dem Fortschritt der K\u00fcnstlichen Intelligenz treten zahlreiche zuvor unbeachtete Probleme auf. So erreichte die KI anfangs h\u00e4ufig ein bestimmtes Entwicklungsniveau, bei dem sie begann, einige Aspekte des Spiels zu verstehen \u2014 zum Beispiel, welche Waffen im Labyrinth gegen bestimmte Monster effektiv sind oder welche Monster am besten bestimmte Abschnitte des Labyrinths \u00fcberwinden. Doch das Lernen war langsam und f\u00fchrte zu sich wiederholenden Strategien. <\/p>\n

<\/p>\n

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

\nW\u00e4hrend sich das Training von KI-gest\u00fctzten Systemen, die auf maschinellem Lernen basieren, langsam und nicht besonders erfolgreich entwickelte, wurde f\u00fcr andere Test- und Entwicklungsphasen eine bessere KI sowie zuverl\u00e4ssigere konkurrierende KIs erforderlich. Zu diesem Zweck wurde die Utility-Architektur verwendet, die es erm\u00f6glicht, spezialisierte KIs f\u00fcr die Testung und Qualit\u00e4tskontrolle von Spielen, f\u00fcr In-Game-Tests sowie f\u00fcr die Balance von Waffen und Monstern zu entwickeln und spezifische Labyrinthe und Kreaturen zu erschaffen. W\u00e4hrend der Entwicklung von Unleash verfeinerten die Sch\u00f6pfer selbst ihre F\u00e4higkeiten im Spiel und entschieden dann, das gewonnene Wissen zur Schaffung einer anspruchsvolleren Utility-KI zu nutzen. Es wurde deutlich, dass viele Probleme, die in KI-Systemen auftreten, die auf maschinellem Lernen basieren, leicht mit Utility-Systemen gel\u00f6st werden k\u00f6nnen, die das in ihnen verankerte Wissen nutzen, und umgekehrt. <\/p>\n

Beispielsweise lassen sich effizientere Labyrinthe besser mit Hilfe von Utility-KI erstellen, die auf Wissensdatenbanken basieren, die aus internen Tests gewonnen wurden. Der Algorithmus zur Erstellung von Labyrinthen und zur Platzierung von Waffen kann so beschrieben und programmiert werden, dass es f\u00fcr einen lebenden Spieler einfacher w\u00e4re, einen Turm gegen bestimmte Monster zu verteidigen. Die Schaffung einer Monsterarmee auf der Grundlage von Informationen \u00fcber die gegnerische Basis stellte jedoch eine komplexe Herausforderung f\u00fcr solche KI dar, da die Vielzahl an Bedingungen und Kombinationen, die ber\u00fccksichtigt werden mussten, schier \u00fcberw\u00e4ltigend war. In diesem Architekturansatz w\u00fcrde die Suche nach geeigneten Monstersets unendlich lange dauern. Unter den gegebenen Einschr\u00e4nkungen w\u00e4re Deep Learning die ideale L\u00f6sung f\u00fcr diese Aufgabe. <\/p>\n

<\/p>\n

Erstellung hybrider KI<\/h3>\n

\nEs wurde beschlossen, zwei Ans\u00e4tze zu kombinieren, um ein hybrides KI-System basierend auf maschinellem Lernen und Utility zu schaffen. Die Idee war, dass an Stellen, wo eine gro\u00dfe Anzahl von Spielkombinationen und -zust\u00e4nden verarbeitet werden musste oder wo es notwendig war, das System zu trainieren, maschinelles Lernen eingesetzt wurde. F\u00fcr andere Aufgaben, bei denen es besser ist, auf die Erfahrung der Entwickler zu bauen, wurden Utility-Systeme verwendet. Der Vorteil dieses Ansatzes liegt auch darin, dass man das Verhalten der KI bei Bedarf besser kontrollieren kann, um sicherzustellen, dass sie genau den gew\u00fcnschten Zielen folgt. Zum Beispiel kann Utility-KI eingesetzt werden, um ein Gleichgewicht zwischen Angriff und Verteidigung zu gew\u00e4hrleisten und so verschiedene Aggressionslevel zu schaffen. Man kann auch unterschiedliche Labyrinthkonfigurationen f\u00fcr verschiedene KIs erstellen, sodass individuelle Spielstile entstehen. Dar\u00fcber hinaus k\u00f6nnen neuronalen Netzen bestimmte Wertesysteme zugewiesen werden, um unterschiedliche Pr\u00e4ferenzen bei der Auswahl von Luft- oder Bodentypen zu f\u00f6rdern und so den KIs eine individuelle Note zu verleihen. Es gibt noch viele weitere Optionen zur Umsetzung von Projektl\u00f6sungen, und alle betonen die St\u00e4rken der jeweiligen Architekturart der KI. <\/p>\n

Der hybride Ansatz war auch eine Antwort auf eine weitere Frage, die sich dem Entwicklungsteam stellte, als es KI f\u00fcr Unleash entwickelte: Soll man einheitliche globale tiefen Neuronale Netze einsetzen, die alle Eingangs- und Ausgangsdaten ber\u00fccksichtigen, oder ist es besser, eine KI mit einer hierarchischen Struktur zu gestalten? <\/p>\n

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

Dennoch w\u00fcnscht man sich einen gemeinsamen Ansatz f\u00fcr das KI-System, dessen Architektur von den Entwicklern nicht durch eigene Erfahrungen gepr\u00e4gt ist. Doch mit jeder zus\u00e4tzlichen Eingabe in das Spiel wurde das Neuronale Netz komplexer. Gleichzeitig konnte das Training der KI nicht getrennt erfolgen, man konnte sie nicht nur auf Verteidigung oder nur auf Angriff trainieren. Es gab Bef\u00fcrchtungen, dass ein allgemeineren Ansatz zu einem erheblichen Anstieg der Rechenleistung f\u00fchren w\u00fcrde. <\/p>\n

Hieraus entstand die Idee, eine hierarchische Architektur zu schaffen, in der jede spezifische Aufgabe von einem spezialisierten neuronalen Netzwerk erf\u00fcllt wird. Nach diesem Konzept muss die k\u00fcnstliche Intelligenz zun\u00e4chst entscheiden, wie die Ressourcen zwischen Angriff (Verst\u00e4rkung der Monsterarmee) und Verteidigung (Bau des Labyrinths) aufgeteilt werden. Sobald dies entschieden ist, wechselt sie zur n\u00e4chsten Schicht entsprechend ihrer Wahl und erh\u00e4lt Zugang zu dem ben\u00f6tigten Teil des Spielzustands, um dann detaillierte Entscheidungen dar\u00fcber zu treffen, welche Monster ausgew\u00e4hlt werden und welche Waffen im Labyrinth platziert werden.<\/p>\n

<\/p>\n

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

\nBei einem hybriden Ansatz \u00e4hnelt Utility-AI mit integrierten maschinellen Lernnetzwerken einer hierarchischen Architektur. Diese erinnert wiederum an das biologische Gehirn, in dem verschiedene Nervenzentren f\u00fcr jeweils spezifische Aufgaben verantwortlich sind.<\/p>\n

Der KI-Gegner in Unleash ist zurzeit \u00e4u\u00dferst schwer zu besiegen: Sie k\u00f6nnen sich an jede Spielsituation anpassen, w\u00e4hrend die Entwickler deren Einstellungen nach Belieben \u00e4ndern k\u00f6nnen. Laut dem Autor des Artikels sollte sich im Laufe der Zeit ein hybrider Ansatz verbreiten und in vielen anderen Spielen auftauchen. M\u00f6glicherweise wird es eines Tages gelingen, KI-Intelligenz basierend auf maschinellem Lernen in Reinform in das Gameplay zu integrieren. Offensichtlich wird daf\u00fcr jedoch noch Zeit ben\u00f6tigt. Bis dahin besteht das Ziel darin, eine Architektur zu finden, die sich selbst an die ihr gestellten Aufgaben anpasst und optimale L\u00f6sungen daf\u00fcr 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-novosti-interneta"],"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 funktioniert hybride Spiel-KI und welche Vorteile bietet sie | ProHoster","description":"Im Anschluss an ein fr\u00fcheres Thema \u00fcber K\u00fcnstliche Intelligenz in Spielen wollen wir besprechen, inwieweit maschinelles Lernen anwendbar ist und in welcher Form. Der KI-Experte von Apex Game Tools, Jakob Rasmussen, hat seine Erfahrungen und die daraus gewonnenen L\u00f6sungen geteilt. In den letzten Jahren gibt es viele Diskussionen dar\u00fcber, dass maschinelles Lernen die Grundlagen des Spiels grundlegend ver\u00e4ndern kann.","canonical_url":"https:\/\/prohoster.info\/de\/blog\/novosti-interneta\/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 \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","og:url":"https:\/\/prohoster.info\/de\/blog\/novosti-interneta\/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"},"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}]}}