League of Legends es un juego multijugador que requiere un trabajo en equipo tácito. En una batalla que cambia rápidamente, es muy importante cómo tomar la decisión correcta. Recientemente, el analista de datos Philip Osborne propuso y abrió una forma de utilizar la tecnología de inteligencia artificial para mejorar el nivel de toma de decisiones de los equipos de League of Legends. Este método no sólo se refiere a los resultados estadísticos de una gran cantidad de juegos reales, sino que también tiene en cuenta las preferencias de los jugadores actuales.
El proyecto consta de tres partes y tiene como objetivo modelar el combate del juego MOBA "League of Legends" como un proceso de toma de decisiones de Markov, para luego aplicar el aprendizaje por refuerzo para encontrar la mejor decisión, que también toma en cuenta las Preferencias del jugador, más allá de simples estadísticas de "marcador".
El autor subió varias partes del modelo en Kaggle para que todos comprendan mejor el proceso de procesamiento de datos y la estructura del modelo:
Parte 1: /Osborne/lol-ai-model-Part -1-EDA-inicial-y-primer-MDP Parte 2:/Osborne/lol-ai-model-Part-2-Redesign-With-Gold MDP-diff Parte 3:
Actualmente este El proyecto está en curso y esperamos demostrar en juegos lo que pueden hacer los métodos sofisticados de aprendizaje automático. La puntuación en este juego es más que una simple estadística de "marcador", como se muestra a continuación:
Motivación y objetivos
League of Legends es un videojuego de competición por equipos. En cada juego, dos equipos (cinco personas por equipo) compiten en reclutamiento y asesinato. Obtener una ventaja hará que el jugador sea más fuerte que el oponente (mejor equipo, actualizaciones más rápidas) y, si la ventaja de un lado continúa aumentando, las posibilidades de ganar también aumentarán. Por lo tanto, el estilo de juego posterior y la dirección del juego dependen del estilo de juego anterior y de la situación de la batalla. El último equipo destruirá la base del oponente y ganará el juego.
El modelado basado en precedentes como este no es nuevo; los investigadores han estado pensando en cómo aplicar este enfoque al baloncesto y otros deportes durante años. Este artículo explica cómo asignar comentarios con más detalle.
La forma en que recopilamos comentarios determina el éxito de nuestro modelo. En mi opinión, el objetivo final de esto es brindar el mejor asesoramiento en tiempo real para que los jugadores tomen su próxima decisión. De esta manera, los jugadores pueden elegir entre varias decisiones óptimas (clasificadas por victorias) calculadas en función de los datos del juego. Las elecciones de los jugadores se pueden rastrear en múltiples juegos para comprender y comprender mejor las preferencias de los jugadores. Esto también significa que no solo podemos rastrear los resultados de las decisiones, sino también predecir las intenciones de los jugadores (como un jugador que intenta derribar una torre pero es asesinado) e incluso proporcionar información para un análisis más avanzado.
Por supuesto, una idea así puede causar desacuerdos entre los miembros del equipo y también puede hacer que el juego sea menos emocionante. Pero creo que esta idea podría ser beneficiosa para los jugadores de nivel bajo o regular, a quienes les resultaría difícil comunicar claramente sus decisiones de juego. Esto también puede ser útil para identificar a los jugadores "Cáncer", ya que los equipos esperan unificar sus opiniones a través del sistema de votación, y luego se puede ver si el jugador "Cáncer" no está siguiendo el plan del equipo y descuidando a sus compañeros.
Ejemplo de sistema de votación de recomendaciones de modelo en un entorno de juego en tiempo real