Senior / Mid-Game-Designer 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.

• Integration von Währungen mit anderen Elementen der Spielökonomie, wie Belohnungen, Ereignissen und Gegenständen, um die Systemkonsistenz sicherzustellen.
• Eine Analyse der aktuellen Währungssysteme im Spiel und wie verschiedene Gegenstände derzeit bewertet werden.
• Definieren der Hauptziele der Standardisierung, z. B. Vereinfachung der Spielökonomie, Erleichterung des Verständnisses des Werts von Gegenständen für Spieler und bessere Ausbalancierung der Spielökonomie.
• Entwicklung allgemeiner Spielmechaniken
• Analyse und Arbeit zur Verbesserung der Spielerkonvertierung
• Erstellung und Test von Wirtschaftssimulationsszenarien
• Arbeiten im Zusammenhang mit Flusskartierung das sogenannte Harte und weiche Währung, die in der mobilen Gaming-Wirtschaft üblich sein wird
• Analyse des Gameplays in verschiedenen kostenlosen 2-Play-Spielen, um ein generisches Kernschleifenmodell zu erstellen
• Arbeit im Zusammenhang mit generischem PvP Gameplay-Systeme zwischen Spielern – Kategorisierung von Spielelementen entsprechend ihrer Rolle im Spiel

Schaffung eines Systems, das die Simulation des Gameplays in vielen Game-Economy-Konfigurationen ermöglicht, bei denen ein simulierter Spieler – Agent – ​​mit Autonomie Entscheidungskompetenz interagiert mit der Umwelt.

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 Aktionention. 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.