Інженер машинного навчання @ Staffbit в Staffbit

Створення системи, яка дозволяє симулювати ігровий процес у багатьох конфігураціях ігрової економіки, де змодельований гравець – агент – із навичками автономного прийняття рішень взаємодіє з середовищем.

Використання алгоритмів штучного інтелекту навчання з підкріпленням, зокрема PPO та IMPALA. Навчений агент ШІ буде нейронною мережею, яка вибирає дію зі скінченного набору, яка максимізує очікувану винагороду. Агент матиме обмеження, ідентичні фізичним обмеженням реального гравця, наприклад обмеження видимої інформації та обмеження на виконання дій. Винагорода буде розрахована на основі вашого результату гри. Навчений агент дозволить вам оцінити задану конфігурацію ігрової економіки, в якій він був навчений.

Буде вибрано оптимальну конфігурацію з точки зору правил гарного ігрового дизайну, які будуть визначені після консультації з експертами з ігрового дизайну, щоб гравець досяг очікуваного рівня в грі через певний час або певну кількість взаємодій.

Метою наступного етапу є отримання моделі, яка покращить монетизацію принаймні на 10%. Кінцевим результатом проекту стане впровадження інноваційної технології, розробленої в ході науково-дослідних робіт, у вигляді набору інструментів для моделювання економіки гри без необхідності використання історичних даних про гравців, для підтримки дизайнера гри у виборі оптимального параметри гри та створювати персоналізовані пропозиції. Розроблена технологія буде поєднувати методи зберігання та аналізу великих наборів даних і машинне навчання.

• Розробка структури симулятора штучного інтелекту, яка зможе симулювати різні сценарії та конфігурації на основі вхідних даних
• Вибір і впровадження алгоритмів як методу оптимізації
• Механізми реалізації, які зменшують кількість конфігурацій, необхідних для тестування
• Аналіз продуктивності моделі з точки зору швидкості
• Створення моделей машинного навчання для імітації поведінки гравців
< li> Робота, пов’язана з введенням даних у модель про платних користувачів та їх категоризацію
• Створення штучних вхідних даних для другого завдання за допомогою моделей AI
• Симуляції ігрового процесу за допомогою штучного інтелекту
• Робота, пов'язана зі створенням персоналізованих пропозицій системи.
• Перевірка моделей на основі історичних даних. гравець - агент - з навичками автономного прийняття рішень взаємодіє з оточенням.

  Використання алгоритмів штучного інтелекту навчання з підкріпленням, зокрема PPO та IMPALA. Навчений агент ШІ буде нейронною мережею, яка вибирає дію зі скінченного набору, яка максимізує очікувану винагороду. Агент матиме обмеження, ідентичні фізичним обмеженням реального гравця, наприклад обмеження видимої інформації та обмеження на виконання дій. Винагорода буде розрахована на основі вашого результату гри. Навчений агент дозволить вам оцінити задану конфігурацію ігрової економіки, в якій він знаходивсяшанований.

  Буде вибрано оптимальну конфігурацію з точки зору правил гарного ігрового дизайну, які будуть визначені після консультації з експертами з ігрового дизайну, щоб гравець досяг очікуваного рівня в грі через певний час або певну кількість взаємодій.

  Метою наступного етапу є отримання моделі, яка покращить монетизацію принаймні на 10%. Кінцевим результатом проекту стане впровадження інноваційної технології, розробленої в ході науково-дослідних робіт, у вигляді набору інструментів для моделювання економіки гри без необхідності використання історичних даних про гравців, для підтримки дизайнера гри у виборі оптимального параметри гри та створювати персоналізовані пропозиції. Розроблена технологія буде поєднувати методи зберігання та аналізу великих наборів даних і машинне навчання.

  Вимоги: Python, машинне навчання
  Додатково: плоска структура, невеликі команди.