Inżynier uczenia maszynowego w Staffbit w Staffbit

Stworzenie systemu pozwalającego na symulację rozgrywki w wielu konfiguracjach ekonomii gry, gdzie w interakcję ze środowiskiem wchodzi symulowany gracz - agent - posiadający umiejętności autonomicznego podejmowania decyzji.

Stosując algorytmy sztucznej inteligencji uczenia ze wzmocnieniem, w szczególności PPO i IMPALA. Nauczony agent AI będzie siecią neuronową wybierającą spośród skończonego zbioru akcję, która maksymalizuje oczekiwaną nagrodę. Agent będzie miał ograniczenia tożsame z fizycznymi ograniczeniami prawdziwego gracza jak ograniczona widoczna informacja oraz ograniczenia wykonywania akcji. Nagroda będzie obliczana na podstawie osiągniętego wyniku w grze. Nauczony agent pozwoli ewaluować daną konfigurację ekonomii gry, w której był uczony.

Wybrana zostanie konfiguracja optymalna pod kątem reguł dobrego game designu, które będą definiowane w porozumieniu z ekspertami od projektowania gier, tak by gracz uzyskiwał zakładany poziom w grze po określonym czasie lub określonej liczbie interakcji.

Celem kolejnej fazy jest otrzymanie modelu, który pozwoli poprawić monetyzację o minimium 10%. Efektem końcowym projektu będzie wdrożenie opracowanej w toku prac B+R innowacyjnej technologii w postaci zestawu narzędzi do symulacji ekonomii gry bez potrzeby użycia danych historycznych graczy, do wsparcia game designera w wyborze optymalnych parametrów gry i do generowania spersonalizowanych ofert. Opracowana technologia będzie łączyć ze sobą techniki do przechowywania i analizy znacznych zbiorów danych i uczenia maszynowego.

• Opracowanie struktury symulatora AI, który będzie w stanie symulować różne scenariusze i konfiguracje na podstawie danych wejściowych
• Wybór i implementacja algorytmów jako metody optymalizacji 
• Implementacja mechanizmów redukujących liczbę koniecznych do przetestowania konfiguracji 
• Analiza wydajności modelu pod kątem szybkości działania
• Tworzenie modeli uczenia maszynowego do symulacji zachowań graczy
• Prace związane z danymi wejściowymi do modelu na temat płacących użytkowników oraz ich kategoryzacji
• Generowanie sztucznych danych wejściowych do zadania drugiego z wykorzystaniem modeli AI 
• Symulacje rozgrywki z wykorzystaniem sztucznej inteligencji 
• Prace związane z tworzeniem systemu personalizowanych ofert
• Walidacja modeli na danych historycznych

Stworzenie systemu pozwalającego na symulację rozgrywki w wielu konfiguracjach ekonomii gry, gdzie w interakcję ze środowiskiem wchodzi symulowany gracz - agent - posiadający umiejętności autonomicznego podejmowania decyzji.

Stosując algorytmy sztucznej inteligencji uczenia ze wzmocnieniem, w szczególności PPO i IMPALA. Nauczony agent AI będzie siecią neuronową wybierającą spośród skończonego zbioru akcję, która maksymalizuje oczekiwaną nagrodę. Agent będzie miał ograniczenia tożsame z fizycznymi ograniczeniami prawdziwego gracza jak ograniczona widoczna informacja oraz ograniczenia wykonywania akcji. Nagroda będzie obliczana na podstawie osiągniętego wyniku w grze. Nauczony agent pozwoli ewaluować daną konfigurację ekonomii gry, w której był uczony.

Wybrana zostanie konfiguracja optymalna pod kątem reguł dobrego game designu, które będą definiowane w porozumieniu z ekspertami od projektowania gier, tak by gracz uzyskiwał zakładany poziom w grze po określonym czasie lub określonej liczbie interakcji.

Celem kolejnej fazy jest otrzymanie modelu, który pozwoli poprawić monetyzację o minimium 10%. Efektem końcowym projektu będzie wdrożenie opracowanej w toku prac B+R innowacyjnej technologii w postaci zestawu narzędzi do symulacji ekonomii gry bez potrzeby użycia danych historycznych graczy, do wsparcia game designera w wyborze optymalnych parametrów gry i do generowania spersonalizowanych ofert. Opracowana technologia będzie łączyć ze sobą techniki do przechowywania i analizy znacznych zbiorów danych i uczenia maszynowego.

Requirements: Python, Machine learning
Additionally: Flat structure, Small teams.