Los investigadores Avance de Inteligencia Artificial para el Jugador Gol Predicción de Gaming

Carolina del Norte - Tennessee (EE.UU.), 11 de septiembre de 2014 / Investigación - Universidad / Dr. James Lester

Investigadores de la Universidad Estatal de Carolina del Norte han desarrollado un software de inteligencia artificial (AI) que es significativamente mejor que cualquier otra tecnología anterior para predecir cuál es el objetivo de un jugador está tratando de lograr en un videojuego. El avance es una promesa para ayudar a los desarrolladores de juegos a diseñar nuevas formas de mejorar la experiencia de juego para los jugadores.

"Hemos desarrollado este software para su uso en juegos educativos, pero tiene aplicaciones para todos los desarrolladores de videojuegos," dice el Dr. James Lester, profesor de ciencias informáticas en NC State y autor principal de un artículo sobre el trabajo. "Este es un paso clave en el desarrollo de juegos para un jugador de adaptación que puedan responder a las acciones del jugador para mejorar la experiencia de juego, ya sea para entretenimiento o - en nuestro caso - para la educación."

Los investigadores utilizaron "aprendizaje profundo" para desarrollar el software de inteligencia artificial. El aprendizaje profundo describe una familia de técnicas de aprendizaje automático que se puede extrapolar los patrones de grandes colecciones de datos y hacer predicciones. El aprendizaje profundo se ha investigado activamente en varios campos de investigación, tales como la visión artificial y procesamiento del lenguaje natural, tanto en el mundo académico y la industria.

En este caso, la gran colección de datos es la suma total de las acciones que los jugadores han hecho en un juego. El software predictivo AI entonces puede recurrir a todos esos datos para determinar lo que un jugador individual está tratando de lograr, sobre la base de sus acciones en cualquier punto dado en el juego. Y el software es capaz de mejorar su precisión con el tiempo, debido a que los datos más el programa de AI tiene, más preciso se hace.

"En algún momento que la mejora se estabilizará, pero no hemos llegado a ese punto todavía," dice Lester.

Para probar el programa de IA, los investigadores recurrieron a un juego educativo llamado "Isla de Cristal", que se desarrolló a principios de año. Al probar Crystal Island, los investigadores acumularon registros de comportamiento de los jugadores (de seguimiento de cada acción un jugador llevó en el juego) para 137 jugadores diferentes. Los investigadores fueron capaces de probar el software predictivo AI contra los registros de jugador Crystal Island para determinar su precisión en el reconocimiento objetivo. En otras palabras, se podría decir que todo el AI un jugador había hecho en Crystal Island hasta un cierto punto y ver lo que piensa la meta AI el jugador estaba tratando de lograr. Al marcar la respuesta de la AI contra el registro de jugador, los investigadores pudieron decir si la AI era correcta.

"Para los juegos, el programa actual estado de la técnica de AI para el reconocimiento objetivo tiene una precisión del 48,4 por ciento", dice Wookhee Min, Ph.D. estudiante en NC State y autor principal del artículo. "La tasa de precisión para nuestro nuevo programa es el 62,3 por ciento. Eso es un gran salto ".

El documento, " Objetivo Reconocimiento-Based Learning profundo de capital variable de Juegos en soporte digital , "será presentado en la X Conferencia Anual de Inteligencia Artificial y Ocio Digital Interactivo, que se celebra 05 al 7 octubre en Raleigh, Carolina del Norte. La investigación fue financiada por la Fundación Nacional para la Ciencia en virtud de concesiones IIS-1138497 y IIS-1344803.

-shipman-

Nota a los editores: El resumen del estudio sigue.

"Deep Learning-base Meta Reconocimiento de capital variable de Juegos Digitales"

Autores : Wookhee Min, Eun Young Ha, Jonathan Rowe, Bradford Mott, y James Lester, de la Universidad Estatal de Carolina del Norte

Presentado : 5-7 de octubre en la Décima Conferencia Anual de Inteligencia Artificial y Ocio Digital Interactivo en Raleigh, Carolina del Norte.

Resumen: Mientras que muchos juegos digitales abiertas cuentan historias no lineales y múltiples vías de solución, es un reto para los desarrolladores de juegos crear experiencias efectivas del juego en estos valores debido a la libertad dada al jugador. Para hacer frente a estos desafíos, el reconocimiento objetivo, una tarea computacional jugador de modelado, se ha investigado para permitir que los juegos digitales para predecir de forma dinámica los objetivos de los jugadores. Este artículo presenta un marco de reconocimiento objetivo basado en autoencoders eliminación de ruido apilados, una variante de aprendizaje profundo. Los modelos de reconocimiento meta aprendidas, que están formados a partir de un corpus de las interacciones de los jugadores, no sólo ofrecen un mejor rendimiento, pero también ofrecen la ventaja sustancial de eliminar la necesidad para la ingeniería característica mano de obra intensiva. Una evaluación demuestra que el marco de reconocimiento de meta-aprendizaje basado en la profunda supera significativamente el enfoque anterior estado de la técnica de reconocimiento objetivo basado en redes lógicas Markov.