Tehnografi.com - Технологические новости, обзоры и советы

Машинное обучение для улучшения пользовательского интерфейса мобильных игр и UX-дизайна

Машинное обучение продолжает производить революцию практически во всех отраслях и секторах: от планирования урожая в сельском хозяйстве до диагностики рака в здравоохранении. Эти темы часто рассматриваются более широко, поскольку они оказали ощутимое и благотворное влияние на человечество. Машинное обучение в играх, особенно в дизайне мобильных игр, также попадает в заголовки газет. Чтобы понять масштаб игровой индустрии, согласно отчету Newzoo Global Games Market Report, к концу 2018 года мировая рыночная стоимость индустрии видеоигр достигла 139 миллиардов долларов, и она уже гораздо более значима, чем индустрия кино и музыки вместе взятая.

На всех платформах в совокупности игровая индустрия сейчас насчитывает более 3 миллиардов геймеров по всему миру. Мобильные игры также являются одним из самых ценных видов развлечений. Об этом можно судить по тому факту, что Grand Theft Auto V от Rockstar Games была самым прибыльным развлекательным продуктом с общим доходом в 6 миллиардов долларов с точки зрения всех фильмов, телешоу и музыки. Успех GTA, наряду с другими популярными играми, включая мобильные игры, такие как Angry Birds или Candy Crush, основан на том, насколько тщательно игра может построить мир, увлечь игрока и предоставить сотни часов игрового контента.

Машинное обучение в играх

Если вы еще не понимаете, что такое машинное обучение, проще говоря, это система, которая может обучаться и расти с опытом, без явного кодирования. ML также является приложением или подмножеством ИИ (искусственного интеллекта), которое позволяет машинам учиться на данных без явного программирования. ИИ — это технология создания интеллектуальных машин, которые могут имитировать возможности и поведение человеческого интеллекта.

Игры имеют значительную историю совместной эволюции искусственного интеллекта и машинного обучения. ИИ применялся в играх с самого начала — от классических игр, таких как шашки, до современных стратегий в реальном времени, таких как обновленный StarCraft. Машинное обучение резко возросло за последние 7 лет из-за значительного развития скорости обработки графических процессоров и огромного количества данных, доступных для алгоритмов машинного обучения и глубокого обучения.

Эта статья посвящена изучению того, как ИИ применяется в пошаговых играх и играх в реальном времени, а также о том, как улучшается игровой дизайн с применением машинного обучения при разработке игр. Создание искусственного мира внутриигрового пользовательского интерфейса послужило полезным испытательным стендом для алгоритмов искусственного интеллекта. Кроме того, применение ИИ в играх позволяет создавать конкурентоспособных противников, способных бросить вызов игрокам.

Использование машинного обучения в дизайне мобильных игр

За успехом любой мобильной игры стоит множество трудоемкой работы, которую проделывают разработчики компании-разработчика игр. Каждая маленькая характеристика и нюанс каждого персонажа и объекта в игровой среде должны быть закодированы вручную.

Эта постоянная работа занимает значительную часть времени разработки игры. В связи с недавним развитием графических процессоров (GPU) и большими объемами игровых данных появилось новое предложение — включить машинное обучение и другие технологии искусственного интеллекта в процесс разработки игр. Это может позволить игровому движку резко реагировать на действия игрока и сократить время, затрачиваемое на ручное создание сценариев для мелких вещей в окружающей среде.

В поисках более реалистичных миров, захватывающих задач и уникального контента компании-разработчики ИИ все чаще адаптируются к машинному обучению как к полезному инструменту при разработке игр. Таким образом, как только машинное обучение достигнет уровня, на котором его можно будет надежно использовать в играх, оно сможет фундаментально улучшить дизайн игрового пользовательского интерфейса и взаимодействие с ним во многих отношениях:

1. Алгоритмы игры за NPC

Как вы прекрасно знаете, противниками в видеоигре являются заранее заданные NPC (неигровые персонажи), но NPC, основанный на машинном обучении, может позволить вам играть против менее очевидных противников. Эти персонажи могут регулировать уровень сложности в зависимости от окружающей среды и стиля игры игрока. Таким образом, чем лучше вы разбираетесь в игре, тем умнее ваши враги могут стать и реагировать таким образом, чтобы противостоять вашим действиям в игре. Компании-разработчики игр уже работают над первыми вариантами применения NPC на основе машинного обучения. SEED от EA тренирует NPC, подражая игрокам наверху. Его NPC изучают динамические сдвиги и действия. В качестве обучающих данных он использует действия игроков-людей, а это означает, что алгоритм обучается в четыре раза быстрее, чем обучение с подкреплением.

2. Генерация карты/уровня

Уже есть множество случаев, когда разработчики игровых приложений использовали машинное обучение для автоматического создания всего — от подземелий до реалистичного ландшафта. Это может повысить реиграбельность игры, поскольку каждый раз, когда они играют, игрокам открываются новые впечатления. Это также может помочь снизить производственные затраты и пространство для хранения, а также позволить создавать новые типы игр на основе уникальных возможностей создания контента. Если все сделать правильно, можно получить игру с неограниченной возможностью повторного прохождения, но это может оказаться одним из самых сложных в разработке машинного обучения.

3. Делаем игры более привлекательными

Разработчики игр также используют машинное обучение в этом направлении. Разработчики игр также используют машинное обучение в этом направлении. В мобильной игре часто издалека все выглядит хорошо, но когда вы приближаетесь к объектам, они плохо рендерятся и становятся пикселизированными. Microsoft работает с Nvidia над решением этой проблемы и созданием более красивых игр, которые адаптируются к вашим игровым предпочтениям. Они используют машинное обучение для значительного динамического улучшения графики и рендеринга.

В реальной жизни детали нечеткие, когда вы находитесь на расстоянии от объекта, но по мере приближения к нему вы можете увидеть более мелкие детали. Такая динамическая визуализация более мелких деталей является препятствием, которое могут помочь преодолеть алгоритмы компьютерного зрения.

4. Генерация звука

Возможность создавать звуковые эффекты или музыку на ходу уже используется в других областях, а не только в играх. Только представьте, что вы можете создать специально разработанные звуковые эффекты для вашей игры, полностью разработанные с помощью алгоритма машинного обучения. Этот термин — процедурная музыка, используемая в сочетании с нелинейной, динамической, интерактивной или адаптивной музыкой. Это относится к запрограммированной музыке в игре, которая может адаптироваться или реагировать на различные состояния или события на разных уровнях в режиме реального времени.

5. Моделирование сложных систем

Сильной стороной алгоритма машинного обучения является его способность моделировать сложные системы. Разработчики игр постоянно стараются сделать игры более захватывающими и реалистичными. Иллюстрировать реальный мир невероятно сложно, но разработка алгоритмов машинного обучения может предсказывать последствия действий игрока или даже моделировать вещи, которые игрок не может контролировать, например климат.

Одним из текущих примеров комплексного моделирования, находящегося в настоящее время в разработке, является FIFA 19 от EA Sports. Когда вы выбираете команду из звездных футболистов, FIFA рассчитывает показатель сыгранности команды на основе того, насколько много общего у членов вашей команды. Во время матча боевой дух команды может упасть, если вы проигрываете или ускользаете. Оно также может резко возрасти, когда толпа начинает аплодировать, когда вы хорошо играете. Различия в морали влияют на способности игрока в игре. Больше промахов происходит, когда моральный дух низкий, броски навыков и удачные прорывы случаются чаще, когда ваша команда хорошо играет вместе.

6. Более реалистичное взаимодействие

Еще одна серьезная проблема при создании захватывающего виртуального мира — это то, как игроки взаимодействуют с дружественными NPC. Во многих играх вам придется общаться со скриптовыми персонажами, чтобы пройти уровни. Однако эти разговоры ограничены по объему и обычно следуют инструкциям на экране. С помощью обработки естественного языка вы можете разговаривать вслух с игровыми персонажами и получать правдивые ответы, как Siri, Alexa или Google Assistant. Кроме того, игры, включающие VR-тактику или визуализацию игрока, могут позволить алгоритмам компьютерного зрения распознавать язык тела и намерения, что еще больше обогащает опыт взаимодействия с неигровыми персонажами.

Заключение

Мобильные игры приносят 50% игровых доходов отрасли. Играть в игры на телефоне или планшете легко, вам просто нужно взять и играть, когда у вас есть свободное время, без необходимости использования специальной консоли. Несколько лет назад возможности мобильных игр были ограничены, потому что у вашего телефона не было вычислительной мощности и графики консоли или ПК. Однако эти ограничения меняются с внедрением искусственного интеллекта в разработку игр и появлением новых чипов искусственного интеллекта. smartphones чтобы добавить вычислительную мощность.

Многие из описанных выше преимуществ машинного обучения в UX-дизайне игр станут возможными и в мобильных играх, а аппаратное обеспечение будет продолжать совершенствоваться, чтобы сделать мобильные игры более яркими, интерактивными и захватывающими. Это даст возможность компаниям-разработчикам искусственного интеллекта продолжать использовать алгоритмы ML для создания более умных и реалистичных игр.