Πολλά γεγονότα μπορούν να προβλεφθούν πριν συμβούν, για παράδειγμα, είναι προφανές ότι ο χαρακτήρας ενός ατόμου που παίζει το δημοφιλές παιχνίδι MOBA Dota 2 θα πεθάνει σύντομα εάν ένας ισχυρότερος εχθρικός ήρωας τον πλησιάσει από μια περιοχή που δεν φαίνεται. Αλλά αυτό που είναι προφανές σε ένα άτομο δεν είναι πάντα εύκολο για έναν υπολογιστή και ένα άτομο δεν είναι πάντα σε θέση να παρακολουθεί όλα όσα συμβαίνουν στον χάρτη του παιχνιδιού. ΣΕ Με τίτλο «Time to Die: Predicting Character Death in Dota 2 Using Deep Learning», ερευνητές από το Πανεπιστήμιο του York περιέγραψαν πώς κατάφεραν να εκπαιδεύσουν την τεχνητή νοημοσύνη για να προβλέψουν τον επικείμενο θάνατο ενός χαρακτήρα παιχνιδιού με αρκετά υψηλή ακρίβεια 5 δευτερόλεπτα πριν συμβεί πραγματικά .
Στην πραγματικότητα, το να προβλέψεις ότι ένας χαρακτήρας θα σκοτωθεί σε 5 δευτερόλεπτα είναι λίγο πιο δύσκολο από ό,τι φαίνεται με την πρώτη ματιά. Η μέση αντιστοίχιση αποτελείται από 80 ξεχωριστά κομμάτια, κατά τη διάρκεια καθενός από τα οποία ένας χαρακτήρας μπορεί να εκτελέσει δεκάδες από τις 000 πιθανές (σύμφωνα με τους υπολογισμούς των ερευνητών) ενέργειες. Κατά μέσο όρο, οι παίκτες στον χάρτη εκτελούν 170 κινήσεις ανά κομμάτι αγώνα, κάνοντας πάνω από 000 αλλαγές παιχνιδιού.
Οι συγγραφείς της μελέτης σημειώνουν ότι η χαμηλή υγεία ενός χαρακτήρα δεν σχετίζεται πάντα στενά με τον γρήγορο θάνατό του, καθώς ορισμένοι ήρωες έχουν θεραπευτικές ικανότητες και υπάρχουν επίσης ειδικά αντικείμενα για θεραπεία ή τηλεμεταφορά. Λαμβάνοντας υπόψη όλους αυτούς τους παράγοντες, η ομάδα χρησιμοποίησε ηχογραφήσεις αγώνων Dota 2 που παρέχονται από τη Valve για να εκπαιδεύσει το νευρωνικό δίκτυο, το οποίο περιείχε 5000 επαγγελματικά και 5000 ημι-επαγγελματικά παιχνίδια που παίχτηκαν μέχρι τις 5 Δεκεμβρίου πέρυσι. Πριν από την πραγματική προπόνηση, οι ηχογραφήσεις υποβλήθηκαν σε προεπεξεργασία μετατρέποντας τους αγώνες σε χρονοδιαγράμματα για κάθε παίκτη, χωρισμένα σε τμήματα 0,133 δευτερολέπτων του χρόνου παιχνιδιού, όπου κάθε σημείο της κλίμακας περιείχε ένα πλήρες σύνολο δεδομένων για τον χαρακτήρα και το περιβάλλον του.
Από όλες τις πληροφορίες εντός του παιχνιδιού, οι ερευνητές εντόπισαν 287 παραμέτρους, για παράδειγμα, όπως η υγεία, η μάνα, η δύναμη, η επιδεξιότητα και η ευφυΐα του χαρακτήρα, τα διαθέσιμα ενεργοποιημένα στοιχεία του, οι έτοιμες προς χρήση ικανότητες, η θέση του ήρωα στον χάρτη, την απόσταση από τον πλησιέστερο εχθρό και τον αμυντικό πύργο των συμμάχων, καθώς και γενική ανασκόπηση του ιστορικού (πότε και πού είδε ο παίκτης τελευταία φορά τον εχθρό). Αυτές οι παράμετροι, όπως υποδεικνύουν οι ερευνητές, παίζουν καθοριστικό ρόλο στο εάν ένας χαρακτήρας πεθαίνει ή επιβιώνει στο εγγύς μέλλον, με τον πιο σημαντικό ρόλο να παίζει η θέση στον χάρτη και το ιστορικό της κριτικής.
«Η συμπεριφορά των παικτών επηρεάζεται από πληροφορίες για το πρόσφατο παρελθόν», γράφουν οι συν-συγγραφείς της εργασίας. «Για παράδειγμα, εάν ο εχθρός είναι απλώς αόρατος, ο παίκτης εξακολουθεί να ξέρει ότι βρίσκεται κάπου στην περιοχή. Από την άλλη, αν ο εχθρός εξαφανιζόταν πριν από λίγα λεπτά, θα μπορούσε να είναι οπουδήποτε από την οπτική γωνία του παίκτη. Αυτός ήταν ο λόγος για τον οποίο προσθέσαμε μια λειτουργία που αναλύει το ιστορικό κριτικών."
Για να εκπαιδεύσουν το νευρωνικό δίκτυο, οι επιστήμονες χρησιμοποίησαν 2870 εισόδους (287 παραμέτρους ανά 10 παίκτες) και 57,6 εκατομμύρια σημεία δεδομένων, διατηρώντας το 10% των δεδομένων για επαλήθευση και ένα άλλο 10% για δοκιμή. Στα πειράματά της, η ομάδα διαπίστωσε ότι πέτυχε μια μέση ακρίβεια 0,5447 σε καταστάσεις όπου ζητήθηκε από το AI να προβλέψει ποιος ήρωας από δέκα παίκτες σε κάθε ομάδα θα πέθαινε μέσα στα επόμενα πέντε δευτερόλεπτα. Επιπλέον, οι ερευνητές υποδεικνύουν ότι το μοντέλο θα μπορούσε να προβλέψει τους θανάτους σε μεγαλύτερη χρονική περίοδο μελετώντας όλους τους παράγοντες και τις καταστάσεις που θα μπορούσαν να οδηγήσουν σε αυτούς.
Οι επιστήμονες σημειώνουν ότι η προσέγγισή τους έχει ορισμένους περιορισμούς, δηλαδή ότι το σύστημα απαιτεί τόσες πληροφορίες εντός του παιχνιδιού (συμπεριλαμβανομένων των πρωταθλητών εχθρών που δεν είναι ορατοί στον εν λόγω πρωταθλητή) για να κάνει την πρόβλεψή του και ότι μπορεί να μην είναι πλήρως συμβατό με παιχνίδια νέων εκδόσεων. Ωστόσο, πιστεύουν ότι το μοντέλο που ανέπτυξαν, το οποίο είναι διαθέσιμο σε , μπορεί να είναι χρήσιμο για σχολιαστές και παίκτες όταν παρακολουθούν την εξέλιξη ενός αγώνα.
«Τα παιχνίδια Esports είναι πολύ περίπλοκα και λόγω της υψηλής ταχύτητας του παιχνιδιού, η ισορροπία του παιχνιδιού μπορεί να αλλάξει κυριολεκτικά μέσα σε λίγα δευτερόλεπτα, ενώ διάφορα γεγονότα μπορούν να συμβούν σε πολλές περιοχές του χάρτη του παιχνιδιού ταυτόχρονα. Μπορούν να συμβούν τόσο γρήγορα που οι σχολιαστές ή οι θεατές μπορούν εύκολα να χάσουν μια σημαντική στιγμή στο παιχνίδι και μετά να παρακολουθήσουν μόνο τις συνέπειές της», γράφουν οι ερευνητές. "Ταυτόχρονα, στο Dota 2, η δολοφονία ενός εχθρικού ήρωα είναι ένα βασικό γεγονός που ενδιαφέρει τόσο τους σχολιαστές όσο και τους θεατές."
Πηγή: 3dnews.ru