Como me pidieron que respondiera … Hay dos tipos de aprendizaje automático utilizados en los juegos. Una es aprender en tiempo de diseño, donde los resultados del aprendizaje se aplican antes de publicar el juego; el otro es aprender en tiempo de ejecución, ajustado a un jugador particular o sesión de juego.
Algunos ejemplos de aprendizaje en tiempo de diseño pueden ser:
- Productos LiveMove / LiveAI de AiLive, que son herramientas ML para reconocer entradas de movimiento o de control, y convertirlas en acciones de juego (por ejemplo, entrenar a un oponente de la computadora)
- El juego independiente reciente City Conquest, que usaba ML para guiar el diseño + equilibrio de las unidades de juego (ver ¿Obsoleto a los diseñadores? Evolución en el diseño del juego)
Ejemplos de aprendizaje en tiempo de ejecución:
- ¿Qué tipo de IA es la computadora esposa de plancton en Bob Esponja?
- ¿Cuáles son los algoritmos de aprendizaje automático más importantes? ¿Cuáles son los algoritmos más comúnmente aplicados al atacar un problema?
- ¿No dependería la calidad de un robot de IA de la cantidad de código que uno escribe en respuesta a todas las posibilidades / interacciones que enfrentaría?
- ¿Cuáles son los pros y los contras del uso de redes adversas generativas (un tipo de red neuronal)? ¿Se podrían aplicar a cosas como la forma de onda de audio a través de RNN? ¿Por qué o por qué no?
- En el procesamiento del lenguaje natural (PNL), ¿cuál es la distinción entre minería de opinión, análisis de sentimientos y análisis de temas?
- Blanco y negro (1 y 2), donde la criatura mascota del jugador aprendió qué hacer mediante recompensa y castigo
- Serie de criaturas, que incluía una simulación de aprendizaje de redes neuronales y un sistema hormonal que controlaba la entidad
- Forza Motorsports, donde uno podría entrenar a un conductor artificial basado en su propio estilo (ver Drivatar ™ en Forza Motorsport)
Dicho esto, la cuestión de si hacer que los oponentes aprendan y / o se adapten al jugador en tiempo de ejecución no es en gran medida una cuestión tecnológica, es una cuestión de diseño. Es decir, no es un problema si es difícil, sino una cuestión de si se debe hacer y cómo afectaría la experiencia del jugador. ¿El jugador lo disfrutaría si la computadora aprendiera rápidamente cómo contrarrestar las estrategias particulares del jugador y lo aplastara? A menudo, la respuesta del diseñador es un rotundo “no”.
En este punto, la aplicación automática de ML a los juegos sigue siendo bastante rara. Lo que es mucho más común es la recopilación y el análisis automático de datos, combinados con la interpretación manual, humana y la aplicación al diseño, por ejemplo:
- Mapas de calor de nivel, utilizados por juegos de acción como Halo (Halo 3: Cómo Microsoft Labs inventó una nueva ciencia del juego)
- Análisis UX, tal vez más famoso por Zynga, pero también utilizado por la mayoría de los otros creadores de juegos gratuitos.