بسیاری از رویدادها را می توان قبل از وقوع پیش بینی کرد، به عنوان مثال، کاملاً بدیهی است که شخصیت فردی که بازی محبوب MOBA Dota 2 را بازی می کند به زودی می میرد اگر یک قهرمان دشمن قوی تری از منطقه ای دور از دید به او نزدیک شود. اما چیزی که برای یک شخص آشکار است، همیشه برای یک کامپیوتر آسان نیست و یک فرد همیشه قادر نیست هر اتفاقی را که در نقشه بازی می افتد دنبال کند. که در محققان دانشگاه یورک با عنوان «زمان مردن: پیش‌بینی مرگ شخصیت‌ها در Dota 2 با استفاده از یادگیری عمیق» توضیح دادند که چگونه توانستند هوش مصنوعی را آموزش دهند تا مرگ قریب‌الوقوع یک شخصیت بازی را با دقت نسبتاً بالایی 5 ثانیه قبل از وقوع واقعی پیش‌بینی کند. .
در واقع پیش بینی اینکه یک شخصیت در 5 ثانیه کشته می شود کمی دشوارتر از آن چیزی است که در نگاه اول به نظر می رسد. میانگین مسابقه شامل 80 قطعه جداگانه است که در طول هر یک از آنها یک کاراکتر می تواند ده ها عمل از 000 عمل ممکن (طبق محاسبات محققان) را انجام دهد. به طور متوسط، بازیکنان روی نقشه 170 حرکت در هر قطعه مسابقه انجام می دهند که بیش از 000 تغییر بازی ایجاد می کند.
نویسندگان این مطالعه خاطرنشان می کنند که سلامت ضعیف یک شخصیت همیشه ارتباط نزدیکی با مرگ سریع او ندارد، زیرا برخی از قهرمانان توانایی های شفابخشی دارند و همچنین موارد خاصی برای شفا یا انتقال از راه دور وجود دارد. با در نظر گرفتن همه این عوامل، تیم از ضبط‌های بازی Dota 2 ارائه شده توسط Valve برای آموزش شبکه عصبی استفاده کرد که شامل 5000 بازی حرفه‌ای و 5000 بازی نیمه حرفه‌ای تا 5 دسامبر سال گذشته بود. قبل از تمرین واقعی، ضبط‌ها با تبدیل مسابقات به جدول زمانی برای هر بازیکن، به بخش‌های 0,133 ثانیه‌ای از زمان بازی، که در آن هر نقطه روی مقیاس شامل مجموعه‌ای کامل از داده‌ها در مورد شخصیت و محیط او بود، از قبل پردازش شد.
از بین تمام اطلاعات درون بازی، محققان 287 پارامتر را شناسایی کردند، به عنوان مثال، مانند سلامت شخصیت، مانا، قدرت، مهارت و هوش، آیتم‌های فعال موجود، توانایی‌های آماده برای استفاده، موقعیت قهرمان روی نقشه، فاصله تا نزدیکترین دشمن و برج دفاعی متحدین و همچنین مرور کلی تاریخچه (چه زمانی و کجا بازیکن آخرین بار دشمن را دیده است). این پارامترها، همانطور که محققان نشان می‌دهند، نقش کلیدی در مرگ یا زنده ماندن یک شخصیت در آینده نزدیک ایفا می‌کنند، و مهمترین نقش را موقعیت روی نقشه و تاریخچه بررسی بازی می‌کند.
نویسندگان همکار مقاله می نویسند: «رفتار بازیکن تحت تأثیر اطلاعات مربوط به گذشته نزدیک است». به عنوان مثال، اگر دشمن به سادگی از دید خارج باشد، بازیکن همچنان می داند که در جایی در منطقه است. از طرفی اگر دشمن دقایقی پیش ناپدید می شد، از دید بازیکن می توانست در هر جایی باشد. این دلیلی بود که ما یک ویژگی اضافه کردیم که تاریخچه مرور را تجزیه و تحلیل می کند."
برای آموزش شبکه عصبی، دانشمندان از 2870 ورودی (287 پارامتر در هر 10 بازیکن) و 57,6 میلیون نقطه داده استفاده کردند که 10 درصد از داده ها را برای تأیید و 10 درصد دیگر را برای آزمایش ذخیره کردند. در آزمایش‌های خود، تیم دریافتند که در موقعیت‌هایی که از هوش مصنوعی خواسته شده بود پیش‌بینی کند کدام قهرمان از ده بازیکن هر تیم در پنج ثانیه آینده می‌میرد، به میانگین دقت 0,5447 دست یافتند. علاوه بر این، محققان نشان می‌دهند که این مدل می‌تواند با مطالعه همه عوامل و موقعیت‌هایی که می‌تواند منجر به مرگ و میر در یک دوره زمانی بزرگ‌تر شود، مرگ‌ها را پیش‌بینی کند.
دانشمندان خاطرنشان می کنند که رویکرد آنها دارای محدودیت های خاصی است، یعنی سیستم به اطلاعات زیادی در بازی (از جمله در مورد قهرمانان دشمن که برای قهرمان مورد نظر نامرئی هستند) نیاز دارد تا بتواند پیش بینی خود را انجام دهد و ممکن است کاملاً با بازی های نسخه های جدید سازگار نباشد. با این حال، آنها معتقدند که مدلی که توسعه داده اند و در آن موجود است ، می تواند برای مفسران و بازیکنان زمانی که پیشرفت یک مسابقه را دنبال می کنند مفید باشد.
بازی‌های ورزشی بسیار پیچیده هستند و به دلیل سرعت بالای گیم‌پلی، تعادل بازی می‌تواند به معنای واقعی کلمه در عرض چند ثانیه تغییر کند، در حالی که رویدادهای مختلفی می‌تواند همزمان در بسیاری از مناطق نقشه بازی رخ دهد. آنها می توانند آنقدر سریع اتفاق بیفتند که مفسران یا تماشاگران به راحتی می توانند یک لحظه مهم در بازی را از دست بدهند و سپس فقط عواقب آن را تماشا کنند. "در عین حال، در Dota 2، کشتن یک قهرمان دشمن یک رویداد کلیدی است که هم مفسران و هم بینندگان را مورد توجه قرار می دهد."
منبع: 3dnews.ru