{"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\/it\/blog\/news\/kak-ustroen-gibridnyj-igrovoj-ii-i-v-chyom-ego-preimushhestva","title":{"rendered":"Come funziona l'IA ibrida nei giochi e quali sono i suoi vantaggi","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Continuando il tema un tempo sollevato nel nostro blog dell'intelligenza artificiale nei giochi<\/a><\/noindex> parleremo di quanto l'apprendimento automatico possa essere applicato a essa e in quale forma. Condivideremo le nostre esperienze e le soluzioni scelte sulla loro base condiviso<\/a><\/noindex> l'esperto di IA di Apex Game Tools, Jakob Rasmussen.<\/p>\n

\"Come
\n
\nNegli ultimi anni si parla molto del fatto che l'apprendimento automatico cambier\u00e0 radicalmente l'industria dei giochi, poich\u00e9 questa tecnologia \u00e8 gi\u00e0 diventata rivoluzionaria in molte altre applicazioni digitali. Ma non bisogna dimenticare che i giochi sono molto pi\u00f9 complessi di un simulatore di guida, di un software di controllo dei droni o degli algoritmi di riconoscimento facciale nelle immagini. <\/a><\/noindex><\/p>\n

Fino ad ora, nell'industria dei giochi si continua a utilizzare metodi tradizionali di IA, come i metodi a stati finiti, gli alberi comportamentali e, ultimamente, sempre pi\u00f9 spesso, l'AI basata sull\u2019utilit\u00e0 (sistemi basati sulla utilit\u00e0). Queste IA vengono anche chiamate design-based (intelligenza artificiale progettuale) o sistemi esperti. Tuttavia, diventa sempre pi\u00f9 evidente \u2014 e in primo luogo ai giocatori \u2014 che questi sistemi sono sempre meno adatti a creare avversari davvero avanzati, capaci di imitare il comportamento dei giocatori. Questo \u00e8 particolarmente vero per le soluzioni creative. Questo pu\u00f2 essere spiegato con il fatto che gli sviluppatori di intelligenza artificiale non riescono a tenere conto di tutte le possibili tattiche e strategie comportamentali e ad implementarle con successo nei sistemi tradizionali di IA. Per i giocatori, questo spesso significa che diventa noioso e prevedibile giocare contro un avversario il cui comportamento \u00e8 facilmente memorizzabile.<\/p>\n

Questo risultato \u00e8 causato da molteplici fattori, ma uno dei principali \u00e8 l'incapacit\u00e0 dell'IA di apprendere. Pertanto, quando si crea un'intelligenza artificiale per avversari, viene naturale considerare la transizione all'apprendimento automatico, che si \u00e8 dimostrato eccellente in molte altre applicazioni. Tuttavia, ci sono alcuni aspetti da tenere a mente. L'IA di gioco deve essere in grado di adattarsi a qualsiasi situazione e sfruttare i vantaggi che essa offre, oltre a adattarsi a diversi stili di gioco dei rivali \u2014 giocatori reali e altre IA. <\/p>\n

<\/p>\n

Come stanno le cose adesso<\/h3>\n

\nL'azienda britannica DeepMind, che si occupa dello sviluppo dell'intelligenza artificiale, ha recentemente dimostrato come l'IA possa imparare a giocare autonomamente a giochi, assimilare le loro regole e trovare modi per completare o vincere il gioco \u2014 per ora, per\u00f2, solo con esempi di giochi semplici come i giochi di avventura. Atari<\/a><\/noindex> \u2014 ad esempio, gli scacchi e il gioco logico giapponese go. I risultati ottenuti per questi giochi dimostrano che l'intelligenza artificiale \u00e8 in grado di formarsi una valutazione adeguata di quanto accade sul campo. Per quanto riguarda l'adattamento dell'IA ai diversi stili di gioco degli avversari, i risultati finora non sono cos\u00ec impressionanti.<\/p>\n

Al giorno d'oggi, le reti neurali hanno gi\u00e0 imparato a riconoscere immagini e a guidare automobili. Ma queste funzioni possono essere realizzate anche con architetture relativamente semplici, anche se alla fine risultano piuttosto profonde e complesse. Ad esempio, l'IA per il riconoscimento delle immagini su Facebook ha una profondit\u00e0 di circa 100 strati, il che la rende simile al cervello biologico \u2014 per la quantit\u00e0 e la complessit\u00e0 delle interconnessioni tra i neuroni che formano una grande rete. <\/p>\n

<\/p>\n

IA di Gioco<\/h3>\n

\nPer quanto riguarda l'applicazione del machine learning nell'industria dei giochi, ci sono alcuni limiti che non sempre permettono di utilizzare questo tipo di architettura. Tra questi ci sono i requisiti di sistema, in particolare quelli relativi alla CPU, che determinano la capacit\u00e0 del computer di elaborare strutture di gioco complesse e la sua idoneit\u00e0 per lo storytelling e il gameplay. <\/p>\n

In questo modo risulta che in molti giochi non \u00e8 possibile organizzare l'hardware necessario per realizzare un complesso sistema di intelligenza artificiale, tantomeno un cluster di server, che esiste, ad esempio, per le reti di riconoscimento delle immagini su Facebook. A volte devono lavorare simultaneamente diversi IA \u2014 non solo sui computer, ma anche sui dispositivi mobili e su altre piattaforme meno potenti. Tutto ci\u00f2 impone limitazioni sulla dimensione e sulla complessit\u00e0 dell'architettura di machine learning, poich\u00e9 tutti i calcoli devono essere effettuati con una durata del frame di circa 1 o 2 millisecondi. Certamente, si possono usare varie tecnologie di ottimizzazione e distribuzione del carico tra i frame, ma non si riesce comunque a liberarsi completamente di queste limitazioni.<\/p>\n

La complessit\u00e0 del gioco pu\u00f2 causare seri problemi per l'IA. Infatti, in giochi come StarCraft II, la meccanica di gioco \u00e8 di gran lunga pi\u00f9 complessa rispetto ai giochi Atari. Pertanto, non ci si deve aspettare che, data una certa frequenza dei frame e con requisiti di sistema noti, il machine learning riesca necessariamente a comprendere l'intero stato di gioco e a interagire con esso. Cos\u00ec come un giocatore si guida spesso con l'intuizione nelle fasi iniziali del gioco, l'IA deve anche imparare a elaborare inizialmente lo stato del gioco per semplificare il suo successivo proseguimento. Ad esempio, in uno degli ultimi API per Starcraft II<\/a><\/noindex> nelle mappe viene visualizzata solo l'informazione che gli sviluppatori hanno considerato importante: in un caso l'IA ha usato una vista ridotta dell'intera mappa, nell'altro \u2014 proprio come un giocatore, ha potuto muovere la telecamera, e cos\u00ec la sua percezione era limitata alle informazioni sullo schermo.<\/p>\n

\"Come
\nVisualizzazione del gioco dell'IA AlphaStar contro un giocatore in StarCraft II: nello screenshot sono mostrati i dati \u00abgrezzi\u00bb delle osservazioni iniziali, l'attivit\u00e0 della rete neurale, alcune delle sue possibili azioni e coordinate, e anche l'esito previsto della partita<\/i><\/p>\n

Questo \u00e8 un aspetto particolarmente rilevante nel caso dei giochi. Spesso, le tradizionali tecniche di risoluzione dei problemi di apprendimento automatico non sono applicabili all'intelligenza artificiale dei giochi. Ad esempio, di solito non \u00e8 obbligato a vincere o a fare tutto il possibile per vincere, come nel caso dei giochi Atari. Piuttosto, il ruolo dell'IA \u00e8 quello di rendere l'esperienza di gioco pi\u00f9 coinvolgente. Potrebbe essere necessario recitare un ruolo e comportarsi in conformit\u00e0 con il carattere del personaggio di cui \u00e8 responsabile. In questo modo, le IA di gioco sono pi\u00f9 legate al game design e allo storytelling e devono possedere gli strumenti necessari per gestire il proprio comportamento per raggiungere l'obiettivo prefissato. L'apprendimento automatico in senso stretto non \u00e8 sempre adatto a questo scopo, quindi \u00e8 necessario cercare qualcosa di diverso. <\/p>\n

<\/p>\n

Problemi pratici dell'apprendimento automatico<\/h3>\n

\nQuesti problemi si sono presentati durante lo sviluppo di un'intelligenza artificiale basata sull'apprendimento automatico per Unleash<\/a><\/noindex>, dove l'IA deve comportarsi come comuni giocatori, ossia essere altrettanto flessibile e ingegnosa. <\/p>\n

Come in Starcraft II, Unleashed \u00e8 molto pi\u00f9 complesso degli scacchi e del go per Atari. Il gameplay \u00e8 intuitivo e facilmente comprendibile, ma per avere successo \u00e8 necessario possedere particolari abilit\u00e0 nella gestione della meta. Il giocatore deve costruire labirinti, scatenare mostri contro i nemici e pianificare la propria strategia in economia, attacco e difesa delle strutture per tutta la durata del gioco. Per questo, \u00e8 necessario bluffare e anticipare le mosse altrui, cos\u00ec come gestire la psicologia della meta: \u00e8 proprio questo che rende il poker qualcosa di pi\u00f9 di un semplice gioco statistico.<\/p>\n

\"Come
\nScreenshot di Unleashed<\/i><\/p>\n

Nella ricerca dell'architettura pi\u00f9 adatta per questi scopi, sono state inizialmente integrate nella partita tecnologie come neuroevoluzione<\/a><\/noindex> e apprendimento profondo, per testare come si sarebbero comportate in uno stato grezzo come IA avversaria. <\/p>\n

\u00c8 stato orribile. <\/p>\n

\u00c8 stato subito evidente che in Unleashed \u00e8 necessario risolvere molti problemi globali, per i quali \u00e8 difficile adattare l'apprendimento automatico. <\/p>\n

Uno degli aspetti \u00e8 la costruzione di un labirinto efficace. Come in molti giochi in cui l'obiettivo \u00e8 difendere una torre, qui i giocatori devono costruire un labirinto intorno ad essa, attraverso il quale i mostri tenteranno di avanzare. Questi dovranno essere eliminati utilizzando le armi disposte nel labirinto. Ideale sarebbe che il labirinto fosse il pi\u00f9 lungo possibile, per infliggere un sufficiente ammontare di danno ai mostri e impedire loro di raggiungere la torre. Alcuni tipi di armi sono pi\u00f9 efficaci contro certi mostri rispetto ad altri; pertanto, per una maggiore efficacia, \u00e8 consigliabile posizionarli nel labirinto prima degli altri. La particolarit\u00e0 di Unleash risiede nel fatto che non esiste un labirinto perfetto: nel gioco ci sono cos\u00ec tanti tipi di mostri che, in un modo o nell'altro, almeno uno di essi passer\u00e0 senza ostacoli attraverso una sezione del labirinto. Ogni labirinto deve essere adattato ai nuovi mostri lanciati da altri giocatori. In questo modo, \u00e8 stato necessario non solo insegnare all'intelligenza artificiale a costruire labirinti, ma anche a crearne di efficaci per diversi scenari, con cui ci si pu\u00f2 imbattere sia nella versione iniziale che in quella avanzata del gioco. <\/p>\n

Inoltre, l'IA doveva imparare a prevedere quali mostri appariranno nel labirinto. Questo \u00e8 in un certo senso il problema inverso rispetto alla costruzione del labirinto. Come in molti altri giochi, in Unleash non basta semplicemente rafforzare l'esercito e inviarlo nel campo nemico: \u00e8 anche necessario spiare le difese avversarie e strutturare l'esercito in modo da colpire il pi\u00f9 efficacemente possibile i punti deboli del nemico. L'esercito di mostri deve interagire tra loro in modo tale da attraversare con successo il labirinto. A volte \u00e8 necessario anche rilasciare i mostri in un ordine specifico a seconda delle loro funzioni e ruoli. Questo aumenta ulteriormente il numero di combinazioni possibili.<\/p>\n

Infine, poich\u00e9 il giocatore deve sia creare labirinti che raccogliere un esercito di mostri, anche l'IA deve imparare a trovare un equilibrio tra attacco e difesa. \u00c8 importante notare che maggiore \u00e8 l'esercito di mostri che il giocatore accumula e pi\u00f9 costruisce il labirinto, maggiore sar\u00e0 la necessit\u00e0 di risorse. Pertanto, una strategia d'attacco corretta \u00e8 estremamente importante sia per l'economia del gioco che per la vittoria. E per garantire la competitivit\u00e0, l'IA deve saper gestire le risorse in modo da creare un potente esercito di mostri senza compromettere la forza del labirinto. Investire al massimo nei mostri pu\u00f2 essere economicamente vantaggioso, ma aumenta il rischio di essere catturato dai mostri avversari. D'altro canto, concentrarsi sul rafforzamento della difesa del labirinto pu\u00f2 danneggiare la propria economia. Nessuno di questi scenari porter\u00e0 alla vittoria. Cos\u00ec, il problema dell'ottimizzazione in Unleashed risulta essere pi\u00f9 complesso rispetto a scacchi o Starcraft e include la necessit\u00e0 di sacrificare qualcosa e calcolare il proprio profitto su pi\u00f9 mosse future. <\/p>\n

Man mano che l'intelligenza artificiale si sviluppa, emergono numerosi problemi che non erano stati previsti. All'inizio, l'IA raggiungeva spesso un certo livello di sviluppo, durante il quale iniziava a comprendere alcuni aspetti del gioco, come quale arma nel labirinto fosse efficace contro tipi specifici di mostri o quali mostri attraversassero meglio certe sezioni del labirinto. Tuttavia, l'apprendimento era lento e portava a strategie uniformi. <\/p>\n

<\/p>\n

La necessit\u00e0 di approcci paralleli<\/h3>\n

\nMentre l'apprendimento dell'IA basata sul machine learning si sviluppava lentamente e non particolarmente con successo, diventava necessario un IA migliore e pi\u00f9 affidabili IA competitive per le altre fasi di test e sviluppo. Per la loro realizzazione \u00e8 stata utilizzata l'architettura Utility, tramite la quale \u00e8 possibile creare IA speciali per il test e la verifica della qualit\u00e0 del gioco, per test interni e per il bilanciamento delle armi e dei mostri, nonch\u00e9 per la creazione di labirinti e mostri specifici. Tuttavia, durante lo sviluppo di Unleash, i creatori affinavano le loro abilit\u00e0 nel completamento dello stesso e poi decisero di utilizzare le conoscenze acquisite per creare un Utility IA pi\u00f9 complesso. Cos\u00ec si rese chiaro che molti problemi che sorgono nei sistemi di intelligenza artificiale basati sul machine learning possono essere facilmente risolti tramite sistemi Utility che utilizzano le conoscenze in esse incorporate, e viceversa. <\/p>\n

Ad esempio, \u00e8 pi\u00f9 efficace costruire labirinti con l'aiuto di Utility IA, basati su basi di conoscenza composte dai risultati dei test interni. \u00c8 possibile descrivere e programmare facilmente un algoritmo per la costruzione del labirinto e per il posizionamento delle armi in esso in un modo che sarebbe pi\u00f9 semplice per un giocatore umano difendere una torre da specifici mostri. Creare un esercito di mostri basato sulla conoscenza della base nemica \u00e8 stata invece una sfida complessa per tali IA, poich\u00e9 il numero di condizioni diverse e combinazioni da considerare era stupefacente. Con questo tipo di architettura IA, la ricerca di combinazioni appropriate di mostri richiederebbe un tempo infinitamente lungo. In queste condizioni, l'apprendimento profondo sarebbe stata la soluzione ideale per questo compito. <\/p>\n

<\/p>\n

Creazione di IA ibride<\/h3>\n

\n\u00c8 stato quindi deciso di combinare due approcci per creare un sistema ibrido di intelligenza artificiale basato sul machine learning e sull'Utility. L'idea era che, dove era necessario elaborare un'enorme quantit\u00e0 di combinazioni e stati di gioco, o dove era richiesto addestrarlo a qualcosa, venisse utilizzato il machine learning. Per altre attivit\u00e0, dove era meglio affidarsi all'esperienza personale degli sviluppatori, sono stati utilizzati i sistemi Utility. Il vantaggio di questo approccio risiede anche nel fatto che, se necessario, \u00e8 possibile controllare meglio il comportamento dell'IA per garantire un seguito pi\u00f9 preciso degli obiettivi assegnati. Ad esempio, si pu\u00f2 utilizzare l'Utility dell'IA per garantire un equilibrio tra attacco e difesa, creando in questo modo diversi livelli di aggressivit\u00e0, o si possono creare diverse configurazioni di labirinti per diverse IA, in modo da formare stili di gioco individuali. \u00c8 anche possibile assegnare alle reti neurali determinati sistemi di valori per formare diverse preferenze nella scelta di mostri aerei o terrestri, aggiungendo cos\u00ec personalit\u00e0 alle singole IA. Ci sono ancora molte altre opzioni per la realizzazione di soluzioni progettuali, e tutte evidenziano i punti di forza di un particolare tipo di architettura IA. <\/p>\n

L'approccio ibrido \u00e8 stato anche una risposta a un'altra domanda che il team di sviluppatori si \u00e8 posto durante lo sviluppo dell'intelligenza artificiale per Unleash: \u00e8 utile applicare un'unica rete neurale profonda globale basata sul machine learning per considerare tutti i dati in entrata e in uscita, o \u00e8 meglio progettare l'IA con una struttura gerarchica? <\/p>\n

\"Come
\nDue architetture utilizzate in Unleash: a sinistra \u2014 una grande rete neurale profonda con architettura unificata, a destra \u2014 un sistema gerarchico, in cui ogni rete ha il proprio compito.<\/i><\/p>\n

Eppure, si vorrebbe creare un approccio comune al sistema di intelligenza artificiale, la cui architettura non sarebbe influenzata dall'esperienza personale degli sviluppatori. Tuttavia, all'aumentare degli ingressi nel gioco, la rete neurale cresceva sempre di pi\u00f9. Allo stesso tempo, non era possibile separare l'addestramento dell'IA e insegnare loro una sola cosa: o difesa o attacco. E c'erano timori che un approccio pi\u00f9 generale avrebbe portato a un aumento sostanziale del numero di calcoli. <\/p>\n

Da qui \u00e8 nata l'idea di creare un'architettura gerarchica, in cui ogni compito specifico sarebbe stato svolto da una rete neurale specializzata. Secondo questa idea, prima l'intelligenza artificiale deve prendere una decisione sulla distribuzione delle risorse tra attacco (aumento dell'esercito di mostri) e difesa (costruzione del labirinto). Non appena compie questa scelta, passa al livello successivo in base alla sua decisione e ottiene accesso alla parte necessaria dello stato del gioco, dopo di che prende decisioni dettagliate su quali mostri scegliere e quale arma installare nel labirinto.<\/p>\n

<\/p>\n

Conclusione e prossimi passi<\/h3>\n

\nCon un approccio ibrido, l'IA Utility, con reti di apprendimento automatico incorporate, ricorda un'architettura gerarchica. E questa, a sua volta, somiglia al cervello biologico, in cui diversi centri nervosi sono responsabili ciascuno del proprio compito.<\/p>\n

Attualmente, l'IA nemica in Unleash \u00e8 molto difficile da battere: sono in grado di adattarsi a qualsiasi situazione di gioco, \u2014 ma nel frattempo, gli sviluppatori possono modificarne le impostazioni a loro discrezione. Secondo l'autore dell'articolo, col tempo, l'approccio ibrido dovrebbe diffondersi di pi\u00f9 e apparire in molti altri giochi. Forse un giorno sar\u00e0 possibile integrare nel processo di gioco un'intelligenza artificiale basata su apprendimento automatico in forma pura. Ma, ovviamente, ci vorr\u00e0 ancora tempo. Nel frattempo, l'obiettivo \u00e8 trovare un'architettura che si adatti da sola alle sfide che ha di fronte e trovi i modi ottimali per risolverle.
\n
Fonte: 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\udd47Come funziona l'IA ibrida nei giochi e quali sono i suoi vantaggi | ProHoster","description":"A proposito del tema dell'intelligenza artificiale nei giochi sollevato in precedenza nel nostro blog, parleremo dell'applicabilit\u00e0.","canonical_url":"https:\/\/prohoster.info\/it\/blog\/news\/kak-ustroen-gibridnyj-igrovoj-ii-i-v-chyom-ego-preimushhestva","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"it_IT","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\/it\/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\/it\/wp-json\/wp\/v2\/posts\/52119","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/comments?post=52119"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/posts\/52119\/revisions"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/media?parent=52119"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/categories?post=52119"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/tags?post=52119"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}