خبر رسمی دانشمندان هوش مصنوعی تازه ای در جهت تنظیم میزان سختی بازی ها طراحی کردند

[DoomedToKill]

سختی بازی ها یک روش دشوار برای تعادل سازی در بازیهای ویدیویی است.
بعضی ها ترجیح میدهند با چالش ها و سختی ها مواجه بشوند در صورتیکه بعضی دیگر از یک تجربه آسان لذت می‌برند.

برای سهولت انجام این پروسه، اکثریت سازندگان از مادل Dynamic Difficulty Adjustment یا به اختصار (DDA) استفاده میکنند.
ایده مادل DDA در این است که سختی بازی را بصورت زنده(Real Time) براساس عملکرد بازیکن تنظیم کند. بعنوان مثال، اگر عملکرد یک بازیکن از انتظار سازندگان بالاتر رود، DDA بازی بصورت اتوماتیک سختی بازی را افزایش میدهد تا چالش های ارائه شده به بازیکن سخت تر شوند. هرچند مفید اما این استراتژی براساس عملکرد بازیکن متناسب میشود نه براساس میزان لذتی که میتوانند از بازی ببرند.

​

در مطالعات اخیر منتشر شده در Expert Systems With Applications، یک گروه مطالعاتی از دپارتمان علم و تکنولوژی دانشگاه گوانژو کره جنوبی سعی بر تغییر روش کاری DDA داشتند، آنها DDA طراحی کردند که بجای عملکرد بازیکن، سختی بازی را براساس حداکثر سازی هر یک از چهار جنبه رضایتمندی بازیکن تنظیم کند.

چهار جنبه عبارتند از؛ چالش،رقابت،پشت سر گذاشتن و ارزش.
این DDA بواسطه ماشین لرنینگ( Machine Learning) و از اطلاعات جمع آوری شده از بازیکنان واقعی در حین تجربه یک بازی فایتینگ(Fighting) در مقابل هوش مصنوعی های مختلف(Artificial Intelligences) و پاسخ آنها به سوالات پرسیده شده پس از این تجربه، جمع آوری و آموزش داده شده است.



(سبک سولز-لایک که همواره سختی آن از موضوعات محبوب مورد بحث در جامعه گیمرها بوده است)


با استفاده از یک الگوریتم به نام درخت تحقیقاتی Monto-Carlo، هر DDA با صرف اطلاعات جمع آوری شده واقعی از بازی و شبیه سازی آن برای تنظیم استایل راه و روش مقابله کننده با این هوش مصنوعی در مسیر حداکثر کردن یک احساس خاص یا وضعی تاثیرگذار بوده است.
پروفسور Kyung-Joong Kim که عضو و رهبر این تحقیقات است می‌گوید؛​

یکی از مزیت های روش ما در مقابل دیگر روش های که احساسات رو اصل خود قرار می‌دهند این است که ما، به ابزاری چون electroencephalography یا به اختصار (ECG) نیازی نداریم و هوش مصنوعی ما فقط به یکبار آموزش نیاز دارد تا وضعیت بازیکن رو براساس ویژگی بازی برآرود کند.​

این تیم تحقیقاتی ادعای خود مبنی بر اینکه DDA میتواند تجربه بازیکن را بدون در نظر گرفتن ترجیحات، افزایش دهد را با آزمایش بر 20 داوطلب مورد سنجش قرار داد و برای اولین بار بود که علائم تاثیر گذار بدون دخالت مستقیم DDA صورت گرفتند و این می‌تواند برای بازی های تجاری کارآمد باشد.

پروفسور Kyung-Joong Kim در آخر گفت:​

کمپانی های سازنده بازی های تجاری دارای اطلاعات جمع آوری شده وسیعی از اطلاعات بازیکنان تا به امروز هستند و آنها می‌توانند با بهره کشی از این اطلاعات و جهت دهی آن برای شبیه‌سازی رفتار بازیکنان، مشکلات خودشان در متعادل سازی سختی بازی ها را با هوش مصنوعی ما حل کنند.
پروفسور کیم افزود، از این تکنیک میتوان در زمینه های مختلف دیگر همچون، سلامت، ورزش و تحصیلات استفاده کرد.​

منبع
TechExplore​