Czy sztuczna inteligencja poradzi sobie w sporcie elektronicznym?
Sztuczna inteligencja to w skrócie inteligencja wykazywana przez urządzenia stworzone przez człowieka. Przeciwieństwo inteligencji naturalnej, stworzonej przez… Boga – Stwórcę, kosmitów, Naturę* niepotrzebne skreślić.
Sport elektroniczny znany jako esport to współzawodnictwo za pomocą gier komputerowych, stworzonych przez… człowieka, Szatana, kosmitów* niepotrzebne skreślić.
I choć można spotkać się z opiniami, że esport to nie sport, ciężko znaleźć kogoś kto twierdzi, że sztuczna inteligencja to żadna inteligencja.
Ale zostawmy na boku spory lingwistyczne. Przecież portal CoNowego to nie organ leksykograficzny, tylko serwis skierowany do ludzi inteligentnych, lubiących zarazem sport elektroniczny.
Spróbujmy przyjrzeć się tym dwóm zagadnieniom i odpowiedzieć sobie na pytanie zawarte w tytule.
Sztuczna inteligencja jest podzielona na dwie odrębne funkcje, nadzorowaną i nienadzorowaną. Przewidywanie należy do pierwszego, w którym dostarczamy modelowi cechy i wartość do przewidzenia. Model musi następnie nauczyć się, jak najlepiej wykorzystać te dane cechy, aby dokonać prognozy. Aby rzetelnie ocenić, jak dobrze wykonał te prognozy, dobrą praktyką jest poproszenie modelu o prognozowanie nowych wartości przy użyciu danych, które nie zostały użyte do jego uczenia.
Esport – stosowanie modeli predykcyjnych
Jednym z najcenniejszych zastosowań AI w esporcie jest to, w którym przewidywany jest wynik gry. Można to zrobić na kilka dni przed meczem. Główne funkcje byłyby oparte na danych, takich jak ostatnie wyniki lub informacje o zawodnikach. Krok powyżej to model do przewidywania wyników tuż przed rozpoczęciem gry. Zawierałoby to wszystkie poprzednie funkcje, a także nowe, specyficzne dla esportu, takie jak mapa, na której będą grać, po której stronie startują drużyny lub jakie postacie/wyposażenie wybrali. Można zbudować jeszcze bardziej złożone modele do przewidywania w grze. Zawierające ponownie wszystkie poprzednie informacje, a także nowe informacje na żywo, takie jak zasoby posiadane przez gracza/zespoły w dowolnym momencie gry
Trzeba pamiętać jednak, że poza obstawianiem, same prognozy nie mają żadnej wartości dla graczy ani trenerów. Ważne jest zrozumienie i wykorzystanie tych informacji do podejmowania lepszych decyzji. Powiedzmy, że to, co nas interesuje, to przewidywanie wyników gry zaraz po tym, jak gracze wybrali postacie, którymi będą grać (w przypadku gier FPS – wyposażenie). W tym celu modelowi nadano dwie cechy:
- Ostatnia wydajność postaci ogólnie
- Ostatni występ graczy na wybranej przez nich postaci.
Jest prawdopodobne, że będą istnieć dwa związki. Po pierwsze, postać, która wygrała 60% swoich poprzednich gier, powinna mieć większe szanse na wygraną niż ta, która wygrała tylko swoje poprzednie 40%.
Gracz, który wygrał 60% swoich gier swoją postacią, powinien mieć większe szanse na wygraną niż ten, który wygrał tylko 40%. Musimy zrównoważyć siłę postaci z umiejętnościami graczy . Gdybyśmy mieli postać ze współczynnikiem wygranych 60%, ale gracz wygrał tylko 40% swoich gier na tej postaci, czy jest to lepsza sytuacja niż posiadanie postaci ze współczynnikiem wygranych 40%, ale gracz, który wygrał 60% ich gier?
Nie ma trudnych pytań
Dwie zmienne, obie z oczywistymi i dość prostymi zależnościami. Jednak nadal nie jest to łatwe pytanie (a raczej odpowiedź na nie). Za każdym razem, gdy dodajemy nową funkcję do rozważenia, staje się to jeszcze trudniejsze. Jednak dla AI jest to bułka z masłem. Może studiować tysiące gier i uczyć się subtelnych zasad, w których jeden kompromis faworyzuje inny. W zależności od wybranego modelu może nawet nauczyć się mniej oczywistych relacji.
Na przykład w większości gier korzystne jest posiadanie w składzie uzdrowiciela/medyka, co oznacza, że zwiększenie tej zmiennej jest pozytywne. Jednak czy naprawdę chcesz wystawić zespół składający się tylko z ról pomocniczych? Ile leczenia to za dużo i czy zależy to od mapy, typu gry lub strategii stosowanych przez przeciwnika? Z tymi i wieloma innymi pytaniami trenerzy zmagają się na co dzień. Dokonywanie dokładnych szacunków jest również niemożliwe dla ludzkiego mózgu.
Tak więc bierzemy wszystkie zmienne, które możemy wymyślić i trenujemy model, aby przewidywać wyniki gry. To jedna z części roli Data Scientist. Jednak, co zapewne ważniejsze, musimy korzystać z tych modeli, aby zaproponować zespołowi praktyczne rozwiązania.
Oto kilka przykładów:
„Model mówi, że prawdopodobnie przegramy wiele naszych meczów w tym sezonie. Ponieważ nasze statystyki obrażeń w średnim zasięgu są niskie, a poza sezonem powinniśmy rozważyć zakup gracza, który wyróżnia się w tej roli. Oto niektórzy z najlepszych graczy w lidze, którzy maksymalizują naszą szansę na wygraną”
„Postać radzi sobie dobrze i nasi gracze czują się z nią dobrze. Model wierzy, że będzie walczył ze stylem gry przeciwników. Ta alternatywna postać ma nieco niższy wskaźnik wygranych, ale historycznie stanowi silną przeciwwagę dla agresywnych drużyn.”
„Do tej części gry mieliśmy 60% szansy na wygraną, potem spada ona do 40%. To było wtedy, gdy skupiliśmy się na zabezpieczeniu celu A4, jednocześnie dając przeciwnikowi możliwość zabezpieczenia B2. Model sugeruje, że moglibyśmy zwiększyć naszą szansę na wygraną do 65%, gdybyśmy zamiast tego skupili się na obronie B2 przed ich atakiem.
Dostępność danych
Model jest tak dobry, jak jego dane. Jest to problem, z którym od lat borykają się tradycyjny sport. Tam, choć bardzo chciano wdrożyć sztuczną inteligencję tak szybko, jak to możliwe, od razu zdano sobie sprawę z prostej prawidłowości. Proste statystyki, takie jak „strzelone gole” lub „ilość wygranych na wyjeździe”, tworzą tylko proste modele. Wymagany był nie postęp w sztucznej inteligencji, ale w przechwytywaniu danych. Potrzebna jest możliwość wzięcia udziału w wydarzeniu w świecie fizycznym, takim jak obserwacja zawodnika atakujący lewą stroną boiska. Następnie przekształcenia go w szczegółowe dane, takie jak tempo, krok i dokładna pozycja. Nie jest to tanie. Po pierwsze, materiał filmowy musi być nagrywany pod różnymi kątami na kamerach wideo o wysokiej rozdzielczości. Te dane muszą następnie zostać przekształcone w użyteczny format. Zanim zostaną ostatecznie przetworzone przez modele Computer Vision, które mogą konwertować miliony obrazów na surowe dane.
Powodem, dla którego esport jest w tak korzystnej sytuacji, jest to, że ten etap można ominąć. Gry są zwykle zaprojektowane w taki sposób, że surowe informacje, takie jak pozycja gracza na mapie lub umiejętności, z których korzysta, są domyślnie przechwytywane. Ci, którzy chcą pracować nad sztuczną inteligencją, mogą swobodnie bawić się danymi od samego początku. Bez wszystkich kosztownych inwestycji w gromadzenie danych wymaganych w sporcie tradycyjnym.
Nieunikniona wada AI w esporcie
Jest jedna rzecz, która jest sporą jednak ostrzec przed jedną wadą. Jest to coś, z czym można się spotkać niemal natychmiast podczas pierwszego badania i będzie mieć wpływ na cały wynik operacji.
Chodzi o fakt, że gry ulegają zmianom. W grach planszowych, na przykład w szachach zasady pozostają takie same od wieków. Jeśli graliśmy przeciwko tobie w zeszłym roku, to można bezpiecznie założyć, że następnym razem, gdy zagramy, my się nieco zmienimy, gra pozostanie taka sama. To dlatego sztuczna inteligencja tak skutecznie weszła w świat szachów. Potrafiła uczyć się z milionów rozgrywanych meczów, z milionów gier, z których każda kieruje się tymi samymi zasadami. W końcu, nieuchronnie, nauczy się nawet najbardziej wyrafinowanych podstępów niezbędnych do pokonania przeciwnika.
A teraz wyobraźmy sobie, że w szachach każdy pion będzie podlegał nowemu zestawowi losowych zmian w każdej grze. Nagle pionki mogą się cofać. Królową można przesuwać tylko co trzeci ruch. Skoczek przeskakuje dwa kroki do przodu, a następnie dwa w bok. Sztuczna inteligencja „głupieje” przy każdej zmianie, cofając miliony precyzyjnie dostrojonych parametrów, które nagle przestają wiedzieć, jak grać w grę, nie mówiąc już o jej wygraniu. W takiej sytuacji znajduje się esport, gdzie najpopularniejsze gry zmieniają się (aktualizują) co chwilę.
Powiedzmy, że nasz model został wyszkolony w celu zidentyfikowania najsilniejszej postaci (lub wyposażenia), którą należy pokonać na początku gry. W ciągu ostatnich 2 tygodni ta postać wygrała 60% swoich gier — ale wczoraj gra została zaktualizowana i teraz zadaje połowę obrażeń, niż wcześniej. Tak, więc czy nadal wygra 60%? A może 30%? Co się stanie, jeśli ta gra jest pierwszą grą po aktualizacji i nie ma jeszcze nowych danych do analizy? Mimo, że esport jest popularny, ale nie aż tak by dostarczać masę danych do szybkiej nauki AI reakcji na nowe zmiany.
Esport – sekretna broń
Olbrzymią korzyścią esportu jest fakt, że miliony ludzi grają w tę grę codziennie. Profesjonalni gracze, którzy co tydzień rywalizują na scenie lub podczas wielkich turniejów, wracają do domu, aby grać wśród ogólnej populacji. Możemy to porównać z sytuacją, że każdego dnia nie tylko rozgrywano by miliony meczów piłkarskich na konkretnym poziomie, ale wszystkie ich dane byłyby śledzone, przechowywane i poddawane dogłębnym analizom.
Co więcej, większość gier korzysta z systemu dobierania graczy. Dzięki temu najlepsi z nich mogą grać razem, a przypadkowi nowicjusze mogą zostać sami (w większości). Pozwala to nie tylko zbierać dane, ale także ręcznie je dobierać. Aby uwzględnić tylko tych, których poziom gry najbardziej przypominają środowisko zawodowe.
Oczywiście te „zwykłe” gry nigdy nie będą naprawdę śledzić profesjonalnej sceny esportowej. Głównie ze względu na to, że zawodowi zawodnicy mają niższą tolerancję na ryzyko. A także dlatego, że drużyny mają lepszą koordynację, zwłaszcza jeśli mają trenera.
Czy zatem sztuczna inteligencja poradzi sobie z tak skomplikowaną materią jak esport?
Po tym poznamy, czy zasługuje na miano inteligencji. Jeżeli jest prawdziwą inteligencją – na pewno sobie poradzi.
Czytaj także: Bukmacherka i esport – wzajemny handicap
