چگونه از هوش مصنوعی و یادگیری ماشینی در ورزش‌های الکترونیک استفاده می‌شود؟

بدون شک خیلی از شما با اصطلاحاتی مثل هوش مصنوعی، یادگیری ماشینی و یادگیری عمیق مواجه شده‌اید و حالا سمینار دانشگاهی یکی از دوستانم موجب شد که من نگاهی متفاوت به استفاده از این تکنولوژی در صنعت ویدئو گیم بیاندازم. 

توسعه دهندگان از هوش مصنوعی و تکنولوژی مربوط به آن می‌توانند در زمینه‌های بسیار زیادی کمک بگیرند که شامل NPCهای پیشرفته، درجه سختی پویا، تولید محتوای رویه‌ای، داستان سرایی، دست و باگ‌زدایی، طراحی محیط و شخصیت‌ها، بهبود انیمیشن‌های حرکتی و صداپیشگی می‌شود. چنین استفاده‌هایی از هوش مصنوعی در سال‌های اخیر حاشیه‌هایی نیز به همراه داشته و می‌تواند در آینده شغل خیلی‌ها را بگیرد. با این وجود گروهی از توسعه دهندگان نیز سعی دارند از این تکنولوژی به شکل درست و کاربردی استفاده کنند که مثال آن را می‌توان در ورزش‌های الکترونیک و بازی‌های چندنفره پیدا کرد.

 قبل از هرچیزی بد نیست به تفاوت میان هوش مصنوعی، یادگیری ماشینی و یادگیری عمیق بپردازم. هوش مصنوعی (AI)، یادگیری ماشینی (ML)، و یادگیری عمیق (DL) سه مفهوم مرتبط هستند که هر کدام در زمینه‌های خاصی از علوم کامپیوتر و داده‌ها مورد استفاده قرار می‌گیرند. هوش مصنوعی شاخه‌ای از علوم کامپیوتر است که به ساخت سیستم‌ها و ماشین‌هایی می‌پردازد که بتوانند مانند انسان‌ها فکر کنند، یاد بگیرند و عمل کنند. هدف اصلی AI شبیه‌سازی فرآیندهای شناختی انسان، مثل تصمیم‌گیری، حل مسئله و پردازش زبان طبیعی است.

یادگیری ماشینی زیرمجموعه‌ای از هوش مصنوعی است که بر ایجاد الگوریتم‌هایی تمرکز دارد که سیستم‌ها را قادر می‌سازد از داده‌ها بیاموزند و بدون برنامه‌ریزی صریح، تصمیم‌گیری کنند. این سیستم‌ها با استفاده از داده‌های ورودی مدل‌سازی کرده و به تدریج دقت خود را بهبود می‌بخشند. یادگیری عمیق یکی از شاخه‌های پیشرفته‌تر یادگیری ماشینی است که بر اساس شبکه‌های عصبی مصنوعی (Artificial Neural Networks) با تعداد لایه‌های زیاد عمل می‌کند. در یادگیری عمیق، مدل‌ها می‌توانند ویژگی‌های پیچیده را از داده‌های بزرگ و متنوع استخراج کنند و به این دلیل در پردازش‌های پیچیده‌ای مانند پردازش تصویر و صدا عملکرد بسیار خوبی دارند.

به کارگیری هوش مصنوعی در بازی‌های آنلاین

امروزه عناوین رقابتی چند نفره، ورزش الکترونیک و بازی‌های MOBA از محبوبیت بسیار زیادی برخوردار هستند. از این رو بسیاری از توسعه دهندگان سعی می‌کنند که با استفاده از داده کاوی و یادگیری ماشینی به بهبود تجربه بازیکنان و افزایش سطح کیفی عناوین خود بپردازند که ابزار بسیار قدرتمندی برای تحلیل داده‌های بزرگ به منظور پیش‌بینی نتایج بازی، بهینه سازی استراتژی‌ها و افزایش تعامل بین بازیکنان هستند. 

بازی‌های چندنفره از جمله MOBA دارای جنبه‌های پیچیده‌ای از جمله نیاز به همکاری تیمی، تاکتیک‌های پیچیده و تصمیم‌گیری استراتژیک در لحظه هستند. این بازی‌ها علاوه‌ بر اینکه زمینه را برای رقابت حرفه‌ای فراهم می‌کنند، برای آزمایش مدل‌های یادگیری ماشین در مقیاس بزرگ و داده‌های پیچیده هم بسیار کارآمد هستند. نتیجه این آزمایشات بهبود تجربه کلی بازی و افزایش تعامل بازیکنان بوده است. 

دوتا ۲ و لیگ آو لجندز دو تا از بزرگ‌ترین بازی‌های MOBA در سراسر جهان هستند و توسعه دهندگان و حتی بازیکنان آن‌ با استفاده از یادگیری ماشینی برای تحلیل داده‌ها در مقیاس بزرگ، نتایج بازی را پیش‌بینی و رفتار رقیبان را بهتر درک کنند. در این عناوین می‌توان از مدل‌های یادگیری ماشین از جمله رگرسیون لجستیک، ماشین‌های بردار پشتیبان و شبکه عصبی بازگشتی (Recurrent Neural Network) برای تحلیل معیارهای درون بازی و عملکرد بازیکنان استفاده کرد.

توسعه دهندگان با استفاده از این ابزارها می‌توانند تصمیم‌های استراتژیک و بالانس بودن گیم‌پلی را بهبود ببخشند و همچنین عدالت در محیط رقابتی را افزایش دهند. به عنوان مثال با استفاده دو نوع مختلف شبکه عصبی بازگشتی RNN و LSTM می‌توان مسیرهای بازیکنان و سازماندهی فضایی آن‌ها را تحلیل کرده و اطلاعات ارزشمندی درباره عملکرد فردی و کار تیمی آن‌ها به دست آورد.

پتانسیل استراتژی‌های مبتنی بر هوش مصنوعی در دستیابی به عملکردی فراتر از انسان و بهینه‌سازی فرایند تصمیم‌گیری در طول بازی را می‌توان در موفقیت‌های OpenAI Five مشاهده کرد. OpenAI Five برنامه‌ای است که در طول روز، به اندازه ۱۸۰ سال دوتا ۲ را در مقابل خودش بازی می‌کند و خودآموز است. این برنامه از یادگیری تقویتی عمیق ( Deep Reinforcment Learning) برای آموزش مستمر در میلیون فریم استفاده می‌کند. 

OpenAI Five با خودش رقابت می‌کند و بازی‌ را یاد می‌گیرد

همچنین در ورزش‌های الکترونیک از شبکه‌های عصبی گراف چند مدلی برای توسعه الگوریتم‌های پیچیده استفاده می‌شود که کاربرد آن‌ها شامل پیش‌بینی نتایج مسابقه، برقراری عدالت و بهبود تعامل بازیکنان می‌شود. تحقیقات نشان می‌دهند که هوش مصنوعی در بهبود جنبه‌های مختلف ورزش الکترونیک، بهینه‌سازی گیم‌پلی و پشتیبانی از تصمیمات استراتژیک پتاسیل بسیار زیادی دارد، در حالی که قوانین و محدودیت‌های پیچیده را هم نمی‌شکند. 

اهمیت داده‌کاوی و هوش مصنوعی

داده‌کاوی به مفهوم استخراج اطلاعات، الگوها و روابط مشخص در حجم زیادی از داده‌ها در یک یا چند بانک اطلاعاتی بزرگ گفته می‌شود. استخراج و تحلیل مجموعه‌های بزرگی از بازیکنان در حین بازی به توسعه دهندگان برای درک رفتار آن‌ها کمک می‌کند. با انجام این کار می‌توان مکانیزم‌های بازی را بهینه‌سازی کرده و تعامل بازیکنان با بازی را افزایش داد. با توجه به اینکه بازی‌هایی مثل دوتا ۲ و لیگ آو لجندز محیطی و مکانیزم‌های بسیار پیچیده‌ای دارند، بدون داده‌کاوی شخصی‌ئازی تجربه بازیکنان و به کارگیری هوش مصنوعی ممکن نیست. 

توسعه دهندگان همچنین با تحلیل رفتار بازیکنان، تشخیص می‌دهند که کدام ویژگی و بخش‌های بازی جذاب‌تر هستند، کدام مراحل بیش از حد دشوارند و چه عواملی منجر به حفظ یا ریزش بازیکنان می‌شوند. همچنین داده‌ کاوی می‌تواند برای بهبود بالانس و تعادل گیم‌پلی، بهینه‌سازی اقتصاد درون بازی و پاداش‌هایی شخصی‌سازی شده استفاده شود.

در این مرحله این سوال ممکن است برای شما مطرح شود که چه اطلاعاتی در داده‌کاوی مورد بررسی قرار می‌گیرند. به صورت کلی اطلاعات استخراج شده از بازیکنان شامل آمار بازی آن‌ها، اتفاقات درون بازی و تعاملات اجتماعی می‌شود. داده‌هایی مثل نرخ پیروزی/شکست، میانگین مدت زمان بازی و دستاوردهای درون بازی بخشی از آمار بازیکنان بوده که تحلیل آن‌ها می‌تواند به درک مهارت و ترجیحات بازیکنان ختم شود. 

با بررسی رویدادهای درون بازی شامل اطلاعات مربوط به اقدامات بازیکنان از جمله مسیرهای طی شده، آیتم‌های استفاده شده و نتایج نبردها می‌توان طراحی بازی را بهبود بخشید. یکی از مهم‌ترین جنبه بازی‌های چندنفره، تعاملات اجتماعی بازیکنان است که داده‌های مربوط به آن را می‌توان از چت‌های درون بازی و رابطه اعضای تیم به دست آورد و برای تقویت جامعه بازیکنان استفاده کرد. 

تکنیک‌های مورد استفاده توسط توسعه دهندگان

با بهره‌گیری از قدرت داده‌ کاوی، صنعت بازی‌‌سازی می‌تواند به نوآوری ادامه دهد و تجربه بهتری برای بازیکنان فراهم کند. با این کار نه‌تنها می‌توان رضایت بازیکنان را افزایش داد، بلکه تعامل و طول عمر بازی‌ها را افزایش داد که برای موفقیت‌ بازی‌های مدرن بسیار حیاتی است. در ادامه به بررسی سه تکنیکی که توسط توسعه دهندگان مورد استفاده قرار می‌گیرد، می‌پردازیم:

استخراج قوانین وابستگی (Association Rule Mining): تکنیکی برای کشف روابط بین اقدامات درون بازی و نتایج نهایی است و برای کشف وابستگی بین انتخاب‌های بازیکنان و نرخ پیروزی استفاده می‌شود. به عنوان مثال با استخراج قوانین وابستگی می‌تواند مشخص کند که «اگر بازیکنی شخصیت X را انتخاب کند و در ترکیب تیم Y قرار بگیرد، احتمال پیروزی تیم به میزان Z درصد افزایش پیدا می‌کند.» از این رو تیم توسعه دهندگان می‌توانند بهترین ترکیب شخصیت‌ها و استراتژی‌های بازی را شناسایی کرده و به بازیکنان توصیه کنند. این تکنیک همچنین به سازندگان اجازه می‌دهند که بازی را به گونه‌‌ای طراحی کنند که تنوع انتخاب‌ بیشتری را به بازیکنان ارائه دهند.

نمایی از مراحل استخراج قوانین وابستگی

یکی از این تکنیک‌ها، الگوتریم‌های خوشه‌بندی (Clustering Algorithms) نام دارد که برای گروه‌بندی بازیکنان بر اساس الگوهای رفتاری مشابه یا ویژگی‌های مشترک استفاده می‌شود. با استفاده از الگوریتم‌های خوشه‌بندی می‌توان بازیکنان را به سه دسته «مبتدی»، «متوسط» و «حرفه‌ای» تقسیم کرد و این‌گونه توسعه دهندگان می‌توانند سطح دشواری، مکانیزم‌های بازی و ویژگی‌های دیگری را برای هر بازیکن تطبیق دهند. 

به عنوان مثال با استفاده از این الگوریتم بازیکنانی که تمایل به استراتژی تهاجمی دارند را می‌توان از بازیکنان با استراتژی دفاعی را تمایز داد و این‌گونه می‌توان آموزش‌های مناسب، چالش‌‌ها و حتی شخصیت‌های جدید سازگار با سبک بازی هر فرد را به آن‌ها پیشنهاد داد. 

تحلیل رگرسیون (Regression Analysis) دیگر تکنیکی است که توسط توسعه دهندگان برای پیش‌بینی نتایج و رفتار آینده بازیکنان بر اساس داده‌های گذشته استفاده می‌شود. به عنوان مثال با استفاده از این تکنیک می‌توان برای پیش‌بینی اینکه کدام بازیکنان احتمالا بازی را ترک خواهند کرد که به آن چرن (Churn) می‌گویند. همچنین تحلیل رگرسیون برای شناسایی عوامل ریزش بازیکنان، سطح دشواری و فاصله مناسب بین به‌روزرسانی استفاده کند. 

تمرین دادن به بازیکنان با هوش مصنوعی

هوش مصنوعی و یادگیری ماشینی همچنین می‌تواند برای آموزش و تمرین بیشتر در ورزش‌ الکترونیک نیز به کار گرفته شود. با تحلیل داده‌های عملکرد گذشته بازیکنان، هوش مصنوعی می‌تواند برنامه‌های آموزشی شخصی‌سازی شده‌ای را به بازیکنان ارائه دهد تا نقاط ضعف خود را شناسایی و برطرف کنند. در واقع هوش مصنوعی در این زمینه می‌تواند به جای دستیار مربی تیم عمل کرده و در جهت بهبود کار تیمی و فردی اعضا کمک کند. مثلا اگر بازیکنی در مقابله با حمله سریع دشمنان مشکل داشته باشد، این دستیار می‌تواند تمریناتی برای بهبود واکنش‌های سریع و تصمیمات استراتژیک پیشنهاد دهد. 

با توجه به مباحث مطرح‌شده، می‌توان نتیجه گرفت که هوش مصنوعی و یادگیری ماشینی، تأثیرات گسترده و مثبتی بر صنعت بازی‌های ویدئویی دارند؛ از بهبود NPCها و استراتژی‌های بازی گرفته تا تحلیل داده‌های بزرگ و بهینه‌سازی تجربه بازیکنان. با این حال، این فناوری‌ها چالش‌هایی نیز به همراه دارند، از جمله نگرانی‌های مربوط به از دست رفتن شغل‌های مرتبط با توسعه بازی. در نهایت، آینده صنعت بازی به استفاده هوشمندانه و مسئولانه از این تکنولوژی‌ها وابسته است و هوش مصنوعی می‌تواند ابزاری باشد که به توسعه‌دهندگان کمک می‌کند بازی‌هایی خلاقانه‌تر و جذاب‌تر طراحی کنند.