{"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\/et\/blog\/novosti-interneta\/kak-ustroen-gibridnyj-igrovoj-ii-i-v-chyom-ego-preimushhestva","title":{"rendered":"Kuidas on korraldatud h\u00fcbriidne m\u00e4ngu tehisintellekt ja millised on selle eelised?","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

J\u00e4tkates meie blogis kunagi t\u00f5statatud teemat m\u00e4ngu tehisintellektist<\/a><\/noindex> , r\u00e4\u00e4gime, kui rakendatav on masin\u00f5pe ning millisel kujul. Oma kogemuse ja valikute p\u00f5hjal jagatud<\/a><\/noindex> on tehisintellekti ekspert Apex Game Tools'is Jakob Rasmussen.<\/p>\n

\"Kuidas
\n
\nViimastel aastatel on t\u00f5statatud palju arutelusid selle \u00fcle, et masin\u00f5pe toob m\u00e4ngut\u00f6\u00f6stusesle suuri muutusi, sest see tehnoloogia on juba paljude muude digitaalse rakenduse puhul l\u00e4bir\u00e4\u00e4kimise hetkel. Kuid \u00e4rgem unustagem, et m\u00e4ngud on palju keerukamad kui auto juhtimise simulaator, drooni juhtimise programm v\u00f5i n\u00e4otuvastus algoritmid pildil. <\/a><\/noindex><\/p>\n

Praegu m\u00e4ngut\u00f6\u00f6stuses kasutatakse endiselt traditsioonilisi tehisintellekti meetodeid, nagu l\u00f5ppautomaatide meetod, k\u00e4itumispuud ja \u2014 \u00fcha enam \u2014 kasu p\u00f5hine tehisintellekt (kasutuse hoidvad s\u00fcsteemid). Selliseid tehisintellekte nimetatakse ka disaini p\u00f5histeks (tehisdisaini intellekt) v\u00f5i ekspert-s\u00fcsteemideks. Kuid j\u00e4rjest selgemaks on saanud \u2014 eelk\u00f5ige m\u00e4ngijatele \u2014 et need s\u00fcsteemid sobivad \u00fcha v\u00e4hem t\u00f5eliselt arenenud vastaste, kes suudaksid imiteerida m\u00e4ngijate k\u00e4itumist, loomiseks. Eelk\u00f5ige puudutab see loomingulisi lahendusi. Seda on v\u00f5imalik selgitada sellega, et tehisintellekti arendajad ei suuda arvesse v\u00f5tta k\u00f5iki v\u00f5imalikke taktikaid ja k\u00e4itumistrateegiaid ning neid traditsioonilistes tehisintellekti s\u00fcsteemides edukalt rakendada. M\u00e4ngijate jaoks t\u00e4hendab see sageli, et m\u00e4ng vastasega, kelle k\u00e4itumisjoon on kergesti meeles pidatav, muutub igavaks ja ettearvatavaks.<\/p>\n

Selle tulemuseni viivad mitmed p\u00f5hjus, kuid \u00fcks peamisi on tehisintellekti \u00f5ppimisv\u00f5ime puudumine. Seet\u00f5ttu tuleb tehisintellekti arendamisel silmas pidada lahendust masin\u00f5ppe suunas, mis on paljudes teistes rakendustes end t\u00f5estanud. Siiski on mitmeid n\u00fcansse, mida tasub arvesse v\u00f5tta. Nimelt peab m\u00e4ngu tehisintellekt suutma kohaneda iga olukorraga ja kasutama selle eeliseid, samuti olema v\u00f5imeline kohanema erinevate vastaste m\u00e4ngustiilidega \u2014 olgu need siis elavad m\u00e4ngijad v\u00f5i teised tehisintellektid. <\/p>\n

<\/p>\n

Kuidas asjad praegu on<\/h3>\n

\nBriti ettev\u00f5te DeepMind, mis tegeleb tehisintellekti arendamisega, tutvustas hiljuti, kuidas tehisintellekt suudab iseseisvalt m\u00e4nge m\u00e4ngida, omandada nende reegleid ja leida viise, kuidas m\u00e4ng l\u00e4bi m\u00e4ngida v\u00f5i selles v\u00f5ita \u2014 t\u00f5si k\u00fcll, seni ainult lihtsate m\u00e4ngude, nagu varasemad m\u00e4ngud, n\u00e4itel. Atari<\/a><\/noindex> \u2014 n\u00e4iteks \u0161ahh ja Jaapani loogikam\u00e4ng go. Saadud tulemused n\u00e4itavad, et tehisintellekt suudab endale luua adekvaatse hinnangu toimuvale m\u00e4ngulaual. Kui aga r\u00e4\u00e4kida tehisintellekti kohandamisest erinevate vastaste m\u00e4ngustiilidega, siis tulemused ei ole seni nii muljetavaldavad.<\/p>\n

T\u00e4nap\u00e4eval on n\u00e4rviv\u00f5rgud juba \u00f5ppinud pilte \u00e4ra tundma ja autosid juhtima. Kuid neid funktsioone saab rakendada ka suhteliselt lihtsate arhitektuuride abil, isegi kui l\u00f5pptulemus on \u00fcsna s\u00fcgav ja mahukas. N\u00e4iteks Facebooki piltide tuvastamise tehisintellekt on ligikaudu 100 kihti s\u00fcgav, mist\u00f5ttu meenutab see bioloogilist aju \u2014 neuronite vaheliste seoste arv ja keerukus moodustavad \u00fche suure v\u00f5rgu. <\/p>\n

<\/p>\n

M\u00e4ngu tehisintellekt<\/h3>\n

\nMida puutub masin\u00f5ppe kasutamisse m\u00e4ngut\u00f6\u00f6stuses, siis on siin mitmeid piiranguid, mis teevad keeruliseks selle arhitektuuri rakendamise. Nendeks on s\u00fcsteemin\u00f5uded, eelk\u00f5ige CPU-ga seotud, mis m\u00e4\u00e4ravad arvuti v\u00f5ime t\u00f6\u00f6telda keerulisi m\u00e4ngustruktuure ning sobivuse m\u00e4nguloome ja m\u00e4ngimise jaoks. <\/p>\n

Nii et paljude m\u00e4ngude puhul ei ole keerulise tehisintellekti s\u00fcsteemi rakendamiseks v\u00f5imalik korraldada vajalikke riistvaravahendeid, r\u00e4\u00e4kimata serveriklustritest, nagu n\u00e4iteks Facebooki pildituvastuse v\u00f5rkudes. M\u00f5nikord peab samaaegselt t\u00f6\u00f6tama mitu IAd \u2014 mitte ainult arvutites, vaid ka mobiilseadmetes ja teistel v\u00e4hem v\u00f5imsatel platvormidel. K\u00f5ik see seab piirangud masin\u00f5ppe arhitektuuri suurusele ja keerukusele, kuna k\u00f5ik arvutused peavad toimuma 1 v\u00f5i 2 millisekundi piires. Loomulikult on v\u00f5imalik kasutada erinevaid optimeerimise ja koormuse jaotamise tehnoloogiaid, kuid nendest piirangutest ei suuda siiski t\u00e4ielikult vabaneda.<\/p>\n

AI v\u00f5ib t\u00f5siseid probleeme kohtuda m\u00e4ngu keerukuse t\u00f5ttu. N\u00e4iteks, nagu StarCraft II, on m\u00e4ngumehaanika kordades keerulisem kui Atari m\u00e4ngudes. Seet\u00f5ttu ei tasu oodata, et masin\u00f5pe suudab antud kaadrisageduse ja teadaolevate s\u00fcsteemin\u00f5uetega t\u00e4ielikult m\u00e4ngu seisundit \u00f5ppida ja sellega suhelda. Nii nagu m\u00e4ngijad sageli juhinduvad oma intuitsioonist m\u00e4ngu varasemates etappides, peab ka AI \u00f5ppima m\u00e4ngu seisundi algset t\u00f6\u00f6tlemist, et lihtsustada edasist m\u00e4ngimist. N\u00e4iteks \u00fches viimaste Starcraft II API<\/a><\/noindex> kaartidel kuvatakse ainult see teave, mille arendajad on oluliseks pidanud: \u00fches juhul kasutas AI kogu kaardi territooriumi v\u00e4hendatud vaadet, teises - nagu m\u00e4ngija, sai ta kaamerat liigutada ja siis piirdus tema tajumine ekraanil oleva teabega.<\/p>\n

\"Kuidas
\nAI AlphaStar m\u00e4ngu visualiseerimine m\u00e4ngija vastu StarCraft II-s: ekraanipildil on kujutatud \"tooreid\" algseid vaatlusi, n\u00e4rviv\u00f5rgu aktiivsust, m\u00f5ningaid selle v\u00f5imalikke toiminguid ja koordinaate ning eeldatavat m\u00e4ngu l\u00f5pptulemust.<\/i><\/p>\n

See especially relevant aspect in the case of games. Often, conventional methods for solving machine learning problems are not applicable to game artificial intelligence. For example, it doesn\u2019t typically have to win or do everything possible to secure a victory, as was the case with Atari games. More often, the role of AI is to make the game more engaging. It may need to act in alignment with the character it represents and behave as expected. Thus, game AIs are more tied to game design and storytelling and must possess the necessary tools to manage their behavior to achieve the desired goals. Pure machine learning isn\u2019t always suitable for this \u2014 hence, alternative solutions must be sought. <\/p>\n

<\/p>\n

Practical machine learning challenges<\/h3>\n

\nThese challenges arose during the development of machine learning-based artificial intelligence for Unleash<\/a><\/noindex>, where AIs must behave like ordinary players \u2014 that is, be as flexible and resourceful. <\/p>\n

Nii nagu Starcraft II, on Unleashed tunduvalt keerulisem kui \u0161ahhi ja go Atari jaoks. M\u00e4ngumehaanika on intuitiivselt arusaadav ja kergesti omandatav, kuid t\u00f5eliselt eduka m\u00e4ngimise jaoks on vajalikud teatud oskused metaga juhtimisel. M\u00e4ngija peab ehitama lab\u00fcrinte, suunama vaenlastele koletisi ja v\u00e4ljam\u00f5tlema oma strateegiaid majanduses, r\u00fcnnakutes ja kaitses kogu m\u00e4ngu v\u00e4ltel. Selleks peab ta bluffima ja ennustama vastaste k\u00e4ike ning samuti juhtima ps\u00fchholoogilist metat \u2013 just see teeb pokkerist midagi enamat kui lihtsalt statistiline m\u00e4ng.<\/p>\n

\"Kuidas
\nUnleashed'i ekraanipilt<\/i><\/p>\n

Otsides k\u00f5ige sobivamat arhitektuuri nende eesm\u00e4rkide jaoks, integreeriti m\u00e4ngu peaaegu muutumatul kujul sellised tehnoloogiad nagu neuroevolutsioon<\/a><\/noindex> ja s\u00fcva\u00f5pe, ning uuriti, kuidas need algselt n\u00e4htud kui tehisintellekti vastased toimivad. <\/p>\n

See oli kohutav. <\/p>\n

Kiiresti sai selgeks, et Unleashed vajab lahendamist paljusid globaalseid probleeme, mille jaoks on raske kohandada masin\u00f5pet. <\/p>\n

\u00dcks neist on t\u00f5husate lab\u00fcrintide loomine. Nagu paljudes m\u00e4ngudes, mille eesm\u00e4rk on torni kaitsmine, peavad m\u00e4ngijad ehitama lab\u00fcrindi torni \u00fcmber, mille kaudu koletised tungivad. Need tuleb h\u00e4vitada lab\u00fcrinti paigutatud relvade abil. Ideaalis peaks lab\u00fcrint olema v\u00f5imalikult pikk, et j\u00f5uda koletistele piisavalt kahju teha ja takistada neid torni j\u00f5udmast. M\u00f5ne relvat\u00fc\u00fcbi puhul on koletised teiste suhtes haavatavamad, seet\u00f5ttu on t\u00f5husam need lab\u00fcrindis paigutada enne kui k\u00f5ik teised. Unleashi erip\u00e4ra on see, et ideaalset lab\u00fcrinti ei eksisteeri: m\u00e4ngus on nii palju erinevaid koletisi, et mingil hetkel p\u00e4\u00e4seb m\u00f5ni neist alati lab\u00fcrindi mingist osast l\u00e4bi. Iga lab\u00fcrinti tuleb kohandada uute koletiste jaoks, keda teised m\u00e4ngijad k\u00e4ivitavad. Seega oli vajalik mitte ainult \u00f5petada tehisintellektilt lab\u00fcrinte ehitama \u2014 tuli \u00f5ppida ka looma t\u00f5husaid lab\u00fcrinte erinevate stsenaariumide jaoks, millega v\u00f5ib kokku puutuda nii m\u00e4ngu varases kui ka hilises versioonis. <\/p>\n

Samuti pidi tehisintellekt \u00f5ppima arvutama, millised koletised lab\u00fcrindis ilmuvad. See on teatud t\u00fc\u00fcpi tagurpidi probleem lab\u00fcrindi ehitamise suhtes. Nagu paljudes teistes m\u00e4ngudes, ei piisa Unleash'is lihtsalt armee kasvatamisest ja selle vaenlase poole suunamisest: tuleb j\u00e4lgida ka vaenlase kaitset ja struktureerida armee nii, et see l\u00f6\u00f6ks v\u00f5imalikult t\u00f5husalt vaenlase n\u00f5rgenemist. Koletiste armee peab omavahel koost\u00f6\u00f6d tegema, et k\u00f5ige edukamalt lab\u00fcrindist l\u00e4bi murda. M\u00f5nikord on vajalik ka koletiste v\u00e4ljastamine kindlas j\u00e4rjekorras, s\u00f5ltuvalt nende funktsioonidest ja rollidest. See suurendab ka erinevate kombinatsioonide arvu.<\/p>\n

L\u00f5puks, kuna m\u00e4ngija peab nii lab\u00fcrinte looma kui ka koletiste armee koguma, peab tehisintellekt samuti \u00f5ppima leidma r\u00fcnnaku ja kaitse vahel tasakaalu. Samuti tuleb arvestada, et mida rohkem m\u00e4ngija koletiste armee suurendab ja lab\u00fcrinti ehitab, seda rohkem ressursse tal selleks vajatakse. Seega on \u00f5ige r\u00fcnnaku strateegia \u00e4\u00e4rmiselt oluline nii m\u00e4ngu majanduse kui ka v\u00f5idu saavutamiseks. Ja et tagada tehisintellekti konkurentsiv\u00f5ime, peab see suutma ressursse jaotada nii, et luua v\u00f5imas koletiste armee, ohustamata samal ajal lab\u00fcrindi tugevust. Maksimaalselt koletistesse investeerimine v\u00f5ib olla majanduslikult kasulik, kuid see suurendab riski, et vaenlaste koletised lab\u00fcrindi h\u00f5ivavad. Kui aga panustada lab\u00fcrindi kaitse tugevdamisele, v\u00f5ib see teie majandust n\u00f5rgendada. \u00dckski neist stsenaariumidest ei viigi v\u00f5iduni. Seega on Unleashed'i optimeerimisprobleem ulatuslikum kui malet v\u00f5i Starcrafti puhul ja h\u00f5lmab vajadust millegagi ohverdada ning oma kasu mitme sammu edasi planeerida. <\/p>\n

Tehisintellekti \u00f5petamisel kerkib esile palju varem t\u00e4helepanuta j\u00e4\u00e4nud probleeme. Alguses saavutas AI sageli kindla arengu taseme, mille k\u00e4igus ta hakkas m\u00f5istma m\u00e4ngu teatud aspekte \u2014 n\u00e4iteks, milline relv lab\u00fcrindis on efektiivne konkreetsete t\u00fc\u00fcpi koletiste vastu v\u00f5i millised koletised l\u00e4bivad k\u00f5ige paremini teatud lab\u00fcrindi osi. Kuid \u00f5petamine oli aeglane ja t\u00f5i kaasa \u00fchtlase strateegiate arendamise. <\/p>\n

<\/p>\n

Paralleelsete l\u00e4henemiste vajadus<\/h3>\n

\nKuigi masin\u00f5ppel p\u00f5hineva tehisintellekti koolitus arenes aeglaselt ja ei olnud eriti edukas, muutus muude testimise ja arendamise etappide jaoks vajalikuks parema tehisintellekti ja usaldusv\u00e4\u00e4rsemate konkurentsiv\u00f5imeliste tehisintellektide olemasolu. Nende rakendamiseks kasutati Utility arhitektuuri, mille kaudu saab luua spetsiaalseid tehisintellekte m\u00e4ngu testimiseks ja kvaliteedi kontrollimiseks, m\u00e4ngusiseste testide ja relvade ning olendite tasakaalustamiseks, samuti konkreetsete lab\u00fcrintide ja olendite loomiseks. Arendamise k\u00e4igus lihvisid Unleashi loojad ise oma oskusi selle l\u00e4bimiseks ning otsustasid seej\u00e4rel kasutada omandatud teadmisi keerukama Utility tehisintellekti loomiseks. Nii sai selgeks, et paljusid masin\u00f5ppel p\u00f5hinevate tehisintellekti s\u00fcsteemide probleemide lahendusi on lihtne leida kasutades Utility s\u00fcsteeme, mis kasutasid oma sisse ehitatud teadmisi, ja vastupidi. <\/p>\n

N\u00e4iteks on efektiivsemad lab\u00fcrindid parem ehitada Utility AI-de abil, mis p\u00f5hinevad teadmiste baasidel, mis on koostatud sisetestide tulemuste p\u00f5hjal. Lab\u00fcrindi ehitamise ja seal oleva relva paigutamise algoritmi on lihtne kirjeldada ja programmeerida nii, et see oleks lihtsam tornide kaitsmiseks kindlate koletiste eest elavale m\u00e4ngijale. Kuid koletiste armee loomine vastavalt vaenlase teadmiste baasile osutus sellistele AI-dele keeruliseks \u00fclesandeks, kuna arvesse v\u00f5etavate tingimuste ja kombinatsioonide arv \u00fcletas kujutlusv\u00f5ime. Sellise AI arhitektuuri korral tooks sobivate koletiste komplektide leidmine l\u00f5putult aega. Seet\u00f5ttu oleks antud tingimuste korral s\u00fcva\u00f5pe ideaalne lahendus selle \u00fclesande jaoks. <\/p>\n

<\/p>\n

H\u00fcbriidsete AI-de loomine<\/h3>\n

\nOtsustati \u00fchendada kaks l\u00e4henemist, et luua h\u00fcbriidne tehisintellekti s\u00fcsteem, mis p\u00f5hineb masin\u00f5ppel ja Utility\u2019l. Idee oli, et seal, kus tuli t\u00f6\u00f6delda tohutult kombinatsioone ja m\u00e4ngu olekuid v\u00f5i kus oli vaja seda millegagi \u00f5petada, kasutati masin\u00f5pet. Teiste \u00fclesannete puhul, kus oli parem toota arendajate isiklikule kogemusele, rakendati Utility s\u00fcsteeme. Selle l\u00e4henemise eeliseks on ka see, et vajaduse korral on v\u00f5imalik paremini juhtida AI k\u00e4itumist, et tagada t\u00e4psem j\u00e4rgimine antud eesm\u00e4rgile. N\u00e4iteks saab kasutada Utility AI-d r\u00fcnnaku ja kaitse tasakaalu tagamiseks ning seel\u00e4bi luua erinevaid aggressiivsuse tasemeid, v\u00f5i luua erinevaid lab\u00fcrindi konfiguratsioone erinevatele AI-dele, et kujundada neile individuaalsed m\u00e4ngustiilid. Samuti on v\u00f5imalik m\u00e4\u00e4rata n\u00e4rviv\u00f5rkudele teatud v\u00e4\u00e4rtuss\u00fcsteeme, et kujundada erinevaid eelistusi \u00f5hu- v\u00f5i maamonistrite valimisel ja seel\u00e4bi lisada iga AI-le isikup\u00e4ra. Veel on palju teisi v\u00f5imalusi projektide lahenduste rakendamiseks, mis k\u00f5ik r\u00f5hutavad teatud tehisintellekti arhitektuuri tugevaid k\u00fclgi. <\/p>\n

H\u00fcbriidne l\u00e4henemine oli vastuseks ka teisele k\u00fcsimusele, millega arendajate meeskond silmitsi seisis Unleash'i tehisintellekti arendamise protsessis: kas kasutada \u00fchtset globaalselt s\u00fcgavat n\u00e4rviv\u00f5rku, mis p\u00f5hineb masin\u00f5ppel, et arvestada k\u00f5iki sisendeid ja v\u00e4ljundeid, v\u00f5i oleks parem projekteerida tehisintellekt hierarhilise struktuuriga? <\/p>\n

\"Kuidas
\nKaks arhitektuuri, mida Unleash'is kasutati: vasakul \u2014 suur s\u00fcgav n\u00e4rviv\u00f5rk oma \u00fchtse arhitektuuriga, paremal \u2014 hierarhiline s\u00fcsteem, kus igal v\u00f5rgul on oma \u00fclesanne.<\/i><\/p>\n

Siiski soovitakse luua \u00fcldine l\u00e4henemine tehisintellekti s\u00fcsteemile, mille arhitektuuri arendajad ei oleks oma kogemusi sisse ehitanud. Kuid mida rohkem m\u00e4ngu sisenemisi toimus, seda suuremaks muutus n\u00e4rviv\u00f5rk. Samas ei olnud v\u00f5imalik tehisintellekti koolitamist jagada ega \u00f5petada seda ainult \u00fchele asjale: kas kaitsele v\u00f5i r\u00fcnnakule. Ja tekkis kartus, et liiga \u00fcldine l\u00e4henemine tooks kaasa m\u00e4rkimisv\u00e4\u00e4rse arvutuste arvu suurenemise. <\/p>\n

Siit tekkis idee luua hierarhiline arhitektuur, kus iga konkreetset \u00fclesannet t\u00e4idab spetsialiseeritud tehisintellekt. Selle idee kohaselt peab tehisintellekt esmalt otsustama ressursside jaotamise r\u00fcnnakule (koletiste armee suurendamine) ja kaitsele (lab\u00fcrindi ehitamine). Kui ta on selle otsuse teinud, liigub ta j\u00e4rgmisse kihti vastavalt oma valikule ja p\u00e4\u00e4seb juurde m\u00e4ngu seisundi vajalikule osale, p\u00e4rast mida teeb ta \u00fcksikasjalikke otsuseid, milliseid koletisi valida ja millist relva lab\u00fcrinti paigaldada.<\/p>\n

<\/p>\n

J\u00e4reldus ja j\u00e4rgmised sammud<\/h3>\n

\nH\u00fcbriidses l\u00e4henemises Utility AI, mis sisaldab endas masin\u00f5ppe p\u00f5hjal \u00fcles ehitatud v\u00f5rgustikke, sarnaneb hierarhilise arhitektuuriga. See omakorda meenutab bioloogilist ajalugu, kus erinevad n\u00e4rvikeskused vastutavad iga\u00fche oma \u00fclesande eest.<\/p>\n

Praegu on vastase AI Unleash'iga v\u00e4ga raske v\u00f5ita: nad suudavad kohanduda m\u00e4ngu igasuguste olukordadega, kuid samal ajal saavad arendajad nende seadeid oma \u00e4ran\u00e4gemise j\u00e4rgi muuta. Artikli autori arvates peaks aja jooksul h\u00fcbriidne l\u00e4henemine saama suuremat levikut ja ilmuma paljudele teistele m\u00e4ngudele. V\u00f5ib-olla suudetakse kunagi puhtal kujul implementida m\u00e4ngu protsessis masin\u00f5pet. Kuid selgelt on selleks veel aega vaja. Seni on eesm\u00e4rk leida selline arhitektuur, mis kohandub ise esitatud \u00fclesannetega ja leiab nende lahendamiseks optimaalsed meetodid.
\n
Allikas: 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\udd47Kuidas on \u00fcles ehitatud h\u00fcbriidne m\u00e4ngu AI ja millised on selle eelised | ProHoster","description":"J\u00e4tkame meie blogis varem t\u00f5statatud m\u00e4ngu tehisintellekti teema arutamist ja r\u00e4\u00e4gime, kui rakendatav see on.","canonical_url":"https:\/\/prohoster.info\/et\/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":"et_EE","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\/et\/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","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/et\/wp-json\/wp\/v2\/posts\/52119","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/et\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/et\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/et\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/et\/wp-json\/wp\/v2\/comments?post=52119"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/et\/wp-json\/wp\/v2\/posts\/52119\/revisions"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/et\/wp-json\/wp\/v2\/media?parent=52119"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/et\/wp-json\/wp\/v2\/categories?post=52119"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/et\/wp-json\/wp\/v2\/tags?post=52119"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}