Ingenieur für maschinelles Lernen bei Staffbit in Staffbit

Schaffung eines Systems, das die Simulation des Gameplays in vielen Game-Economy-Konfigurationen ermöglicht, bei dem ein simulierter Spieler – ein Agent – ​​mit autonomen Entscheidungsfähigkeiten mit der Umgebung interagiert.

Verwendung von Algorithmen der künstlichen Intelligenz für verstärktes Lernen, insbesondere PPO und IMPALA. Der trainierte KI-Agent wird ein neuronales Netzwerk sein, das aus einer endlichen Menge eine Aktion auswählt, die die erwartete Belohnung maximiert. Der Agent unterliegt Einschränkungen, die mit den physischen Einschränkungen eines echten Spielers identisch sind, z. B. begrenzte sichtbare Informationen und Einschränkungen bei der Durchführung von Aktionen. Die Belohnung wird auf Grundlage Ihrer Spielpunktzahl berechnet. Der geschulte Agent ermöglicht es Ihnen, die gegebene Konfiguration der Spielökonomie zu bewerten, in der er trainiert wurde.

Im Sinne der Regeln guten Gamedesigns, die in Absprache mit Gamedesign-Experten definiert werden, wird eine optimale Konfiguration ausgewählt, sodass der Spieler nach einer bestimmten Zeit bzw. Zeit das erwartete Level im Spiel erreicht eine bestimmte Anzahl von Interaktionen.

Das Ziel der nächsten Phase besteht darin, ein Modell zu erhalten, das die Monetarisierung um mindestens 10 % verbessert. Das Endergebnis des Projekts wird die Implementierung innovativer Technologie sein, die im Rahmen der Forschungs- und Entwicklungsarbeit in Form einer Reihe von Tools zur Simulation der Spielökonomie entwickelt wurde, ohne dass historische Spielerdaten verwendet werden müssen, um den Spieleentwickler bei der Auswahl optimaler Spiele zu unterstützen Spielparameter und zur Generierung personalisierter Angebote. Die entwickelte Technologie wird Techniken zur Speicherung und Analyse großer Datensätze und maschinelles Lernen kombinieren.

• Entwicklung einer KI-Simulatorstruktur, die auf Basis von Eingabedaten verschiedene Szenarien und Konfigurationen simulieren kann
• Auswahl und Implementierung von Algorithmen als Optimierungsmethode
• Implementierungsmechanismen, die die Anzahl der zum Testen erforderlichen Konfigurationen reduzieren
• Analyse der Modellleistung im Hinblick auf die Geschwindigkeit
• Erstellung von Modellen für maschinelles Lernen zur Simulation des Spielerverhaltens
< li> Arbeit im Zusammenhang mit der Eingabe von Daten in das Modell über zahlende Benutzer und deren Kategorisierung
• Generierung künstlicher Eingabedaten für die zweite Aufgabe mithilfe von KI-Modellen
• Gameplay-Simulationen mithilfe künstlicher Intelligenz
• Arbeiten im Zusammenhang mit der Erstellung des Systems personalisierter Angebote
• Validierung von Modellen auf der Grundlage historischer Daten

Erstellung eines Systems, das die Simulation des Gameplays in vielen Game-Economy-Konfigurationen ermöglicht, bei denen ein simulierter Ein Spieler – ein Agent – ​​mit autonomen Entscheidungsfähigkeiten interagiert mit der Umgebung.

Verwendung von Algorithmen der künstlichen Intelligenz für verstärktes Lernen, insbesondere PPO und IMPALA. Der trainierte KI-Agent wird ein neuronales Netzwerk sein, das aus einer endlichen Menge eine Aktion auswählt, die die erwartete Belohnung maximiert. Der Agent unterliegt Einschränkungen, die mit den physischen Einschränkungen eines echten Spielers identisch sind, z. B. begrenzte sichtbare Informationen und Einschränkungen bei der Durchführung von Aktionen. Die Belohnung wird auf Grundlage Ihrer Spielpunktzahl berechnet. Ein ausgebildeter Agent ermöglicht es Ihnen, eine bestimmte Konfiguration der Spielökonomie zu bewerten, in der er sich befandrespektiert.

Im Sinne der Regeln guten Gamedesigns, die in Absprache mit Gamedesign-Experten definiert werden, wird eine optimale Konfiguration ausgewählt, sodass der Spieler nach einer bestimmten Zeit bzw. Zeit das erwartete Level im Spiel erreicht eine bestimmte Anzahl von Interaktionen.

Das Ziel der nächsten Phase besteht darin, ein Modell zu erhalten, das die Monetarisierung um mindestens 10 % verbessert. Das Endergebnis des Projekts wird die Implementierung innovativer Technologie sein, die im Rahmen der Forschungs- und Entwicklungsarbeit in Form einer Reihe von Tools zur Simulation der Spielökonomie entwickelt wurde, ohne dass historische Spielerdaten verwendet werden müssen, um den Spieleentwickler bei der Auswahl optimaler Spiele zu unterstützen Spielparameter und zur Generierung personalisierter Angebote. Die entwickelte Technologie wird Techniken zur Speicherung und Analyse großer Datensätze und maschinelles Lernen kombinieren.

Anforderungen: Python, maschinelles Lernen
Zusätzlich: Flache Struktur, kleine Teams.