Машинное обучение (англ. machine learning, ML) -- класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение за счёт применения решений множества сходных задач. Для построения таких методов используются средства математической статистики, численных методов, математического анализа, методов оптимизации, теории вероятностей, теории графов, различные техники работы с данными в цифровой форме.

Различают два типа обучения:

1. Обучение по прецедентам, или индуктивное обучение, основано на выявлении эмпирических закономерностей в данных.

2. Дедуктивное обучение предполагает формализацию знаний экспертов и их перенос в компьютер в виде базы знаний.

Дедуктивное обучение принято относить к области экспертных систем, поэтому термины машинное обучение и обучение по прецедентам можно считать синонимами.

Многие методы индуктивного обучения разрабатывались как альтернатива классическим статистическим подходам. Многие методы тесно связаны с извлечением информации (англ. information extraction, information retrieval), интеллектуальным анализом данных (data mining).[ (1, 2023)]

Сферы применения машинного обучения:

1. Медицина: Машинное обучение помогает в диагностике заболеваний, анализе медицинских изображений (например, рентгеновских снимков, МРТ), прогнозировании заболеваний и эффективности лечения, а также в разработке персонализированных лечебных схем.

2. Игровая индустрия: Машинное обучение применяется для создания более реалистичных и интеллектуальных компьютерных противников, улучшения графики и физики игровых миров, оптимизации процессов разработки игр и улучшения пользовательского опыта.

3. Интернет вещей (IoT): В области IoT машинное обучение применяется для анализа данных, собранных с датчиков и устройств, для оптимизации работы систем умного дома, управления энергопотреблением, улучшения производственных процессов и т. д.

4. Автомобильная промышленность: Машинное обучение используется для разработки автономных транспортных средств (автомобилей, дронов), повышения безопасности на дорогах, оптимизации транспортных потоков и предотвращения аварий.

5. Торговля и розничная торговля: Магазины и онлайн-платформы используют машинное обучение для персонализации рекомендаций, прогнозирования спроса, управления запасами, анализа цен и маркетинговых стратегий.

6. Производство и обработка материалов: Машинное обучение применяется для оптимизации производственных процессов, предотвращения дефектов, контроля качества и улучшения эффективности обработки материалов.

7. Естественные науки: В области биологии, экологии, астрономии и других наук машинное обучение используется для анализа и интерпретации данных, обнаружения закономерностей и паттернов, классификации объектов и прогнозирования событий.

Игровой ИИ в основном занимается выбором действий сущности в зависимости от текущих условий. В традиционной литературе по ИИ называет это управлением “интеллектуальными агентами”. Агентом обычно является персонаж игры, но это может быть и машина, робот или даже нечто более абстрактное -- целая группа сущностей, страна или цивилизация. В любом случае это объект, следящий за своим окружением, принимающий на основании него решения и действующий в соответствии с этими решениями. Иногда это называют циклом «восприятие-мышление-действие» (Sense/Think/Act):

· Восприятие: агент распознаёт -- или ему сообщают -- информацию об окружении, которая может влиять на его поведение (например, находящиеся поблизости опасности, собираемые предметы, важные точки и так далее)

· Мышление: агент принимает решение о том, как поступить в ответ (например, решает, достаточно ли безопасно собрать предметы, стоит ли ему сражаться или лучше сначала спрятаться)

· Действие: агент выполняет действия для реализации своих решений (например, начинает двигаться по маршруту к врагу или к предмету, и так далее)

· затем из-за действий персонажей ситуация изменяется, поэтому цикл должен повториться с новыми данными.[ (Гончарук, 2018)]

Цель данной работы состоит в исследовании и анализе применения искусственного интеллекта в играх, с фокусом на алгоритмах, методах автоматического обучения и создании интеллектуальных противников. Работа будет охватывать обзор существующих технологий и методов, их преимущества и недостатки, а также исследование различных подходов к созданию игровых противников с различным уровнем искусственного интеллекта. Основной акцент будет сделан на анализе применения машинного обучения, глубокого обучения и других современных методов для создания более реалистичных, адаптивных и интересных игровых противников.

Вместо того чтобы узнать, как лучше всего победить игроков, ИИ в видеоиграх предназначен совсем для другого. Он необходим для улучшения игрового опыта геймеров. Самая распространённая роль ИИ в видеоиграх -- управление неигровыми персонажами, и разработчики часто используют различные трюки, чтобы NPC выглядели более умными. Один из широко используемых алгоритмов называется конечным автоматом (FSM или finite-state machine). Его ввели в разработку видеоигр в 1990-х годах. В FSM-алгоритме разработчик обобщает все возможные ситуации, с которыми может столкнуться ИИ, а затем программирует конкретную реакцию для каждой из них. Например, в шутерах искусственный интеллект атакует, когда появляется игрок, а затем отступает, когда его собственный уровень здоровья становится слишком низким.[ (Лебедов, 2021)]

Рис.4. Упрощенный алгоритм FSM

В примере алгоритма FSM NPC может выполнять четыре основных действия в ответ на возможные ситуации: поиск помощи, уклонение, блуждание и нападение. Многие известные игры, например Battlefield, Call of Duty и Tomb Raider, включают в себя успешные примеры искусственного интеллекта на основе FSM-алгоритма.

Более продвинутый метод, который используют разработчики для повышения персонализированного игрового опыта, -- алгоритм дерева поиска Монте-Карло (MCTS или Monte Carlo Tree Search). Алгоритм MCTS был создан для предотвращения аспекта повторяемости, который присутствует в FSM-алгоритме. MCTS-алгоритм сначала обрабатывает все возможные ходы, доступные NPC в конкретный момент времени. Затем для каждого из этих возможных ходов он анализирует все действия, которыми игрок мог бы ответить. А далее -- снова возвращается к оценке NPC уже на основе информации о поступках игрока.

Этот алгоритм искусственного интеллекта использовала компания IBM при создании Deep Blue -- первого шахматного суперкомпьютера, который 11 мая 1997 года вошёл в историю и выиграл матч из шести партий у чемпиона мира по шахматам Гарри Каспарова. Подобный алгоритм применяют и во многих стратегических играх. Но поскольку возможных ходов гораздо больше, чем в шахматах, рассмотреть их все попросту не получится. В таких играх алгоритм MCTS будет случайным образом выбирать некоторые из возможных ходов. Благодаря этому действия NPC становятся гораздо более непредсказуемыми для игроков.

Вспомним такую игру, как Civilization, в которой существует огромное количество вариантов событий, доступных для компьютерного противника. Постройка дерева для каждого возможного выбора и сценария заняла бы очень много времени. Именно поэтому, чтобы избежать столь огромных вычислений, алгоритм MCTS случайным образом выбирает несколько возможных вариантов. В итоге игра отнимает меньше ресурсов системы, при этом ИИ в ней всё ещё способен удивлять игроков.[ (Лебедов, 2021)]

Рис.5. Упрощенная блок-схема использования алгоритмов MCTS

Как ИИ передвигается в простаранстве

Заключение

В данном докладе были рассмотрены основные особенности ИИ в сфере игр. Были описаны два основных алгритма используемые при создании игр такие как FSM и MCTS. Данные алгоритмы являются самыми популярными на сегодняшний день алгоритмами при разработке NPC.

Использование искусственного интеллекта в игровой индустрии имеет огромный потенциал и может привести к созданию более увлекательных, интерактивных и динамичных игр. Кроме того, ИИ может помочь улучшить процессы разработки игр и повысить их безопасность.

Однако, следует помнить, что развитие ИИ в игровой индустрии может столкнуться с рядом проблем, таких как этические и моральные вопросы, а также опасения относительно замещения живых актеров в игровой индустрии. Поэтому, необходимо проводить дальнейшие исследования и обсуждения, чтобы убедиться в безопасности и этичности использования искусственного интеллекта в игровой индустрии.

В целом, ИИ - это инновационная технология, которая имеет огромный потенциал в игровой индустрии. Он может привести к созданию более увлекательных и интерактивных игр, а также улучшить процессы разработки игр и повысить их безопасность. В будущем, мы можем ожидать еще более интересных и захватывающих игр благодаря использованию искусственного интеллекта.

Список литературы

1. (13 Октябрь 2023 г.). Машинное обучение. Получено из wWikipedia: https://ru.wikipedia.org/wiki/Машинное_обучение

2. Гончарук, Н. (30 декабрь 2018 г.). Реализация игрового AI. Получено из medium.com: https://medium.com/game-dev-channel/обзор-техник-реализации-игрового-ai-96889c74b1ea

3. Лебедов, В. (23 август 2021 г.). Не совсем человек: искусственный интеллект в играх. Получено из skillbox.ru: https://skillbox.ru/media/gamedev/iskusstvennyy-intellekt-v-igrakh/

4. Нетология. (29 декабрь 2021 г.). Имитация разума: как устроен искусственный интеллект в играх. Получено из habr.com: https://habr.com/ru/companies/netologyru/articles/598489/

Размещено на Allbest.ru