Starszy/średni projektant gry 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.

• Integracja walut z innymi elementami ekonomii gry, takimi jak nagrody, eventy, i przedmioty, w celu zapewnienia spójności systemu.
• Analiza obecnych systemów walutowych w grze oraz sposobów, w jakie różne elementy są aktualnie wartościowane.
• Określenie głównych celów standaryzacji, np. uproszczenie ekonomii gry, ułatwienie zrozumienia wartości przedmiotów przez graczy, lepsze zbalansowanie ekonomii gry.
• Opracowanie generycznych mechanik gry
• Analiza i prace nad poprawienienm konwersji graczy
• Tworzenie i testowanie scenariuszy ekonomicznych symulacji
• Prace związane z odwzorowaniem przepływów tzw. twardej i miękkiej waluty, która będzie wspólna dla ekonomii gier mobilnych
• Analiza rozgrywki w różnych grach free 2 play w celu stworzenia generycznego modelu core loop
• Prace związane z generycznymi systemami rozgrywki pvp pomiędzy graczami - Kategoryzacja elementów gry w zależności od ich roli w grze

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.