Senior / Mid Game Designer 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.

• Інтеграція валют з іншими елементами ігрової економіки, такими як винагороди, події та предмети, для забезпечення узгодженості системи.
• Аналіз поточних ігрових валютних систем і того, як зараз оцінюються різні предмети.
• Визначення основних цілей стандартизації, наприклад, спрощення економіки гри, полегшення розуміння гравцями цінності предметів, кращий баланс економіки гри.
• Розробка загальної ігрової механіки
• Аналіз та робота над покращенням конверсії гравців
• Створення та тестування сценаріїв економічного моделювання
• Робота, пов’язана з відображення потоку т.зв тверда та м’яка валюта, яка буде спільною для економіки мобільних ігор
• Аналіз ігрового процесу в різних безкоштовних іграх 2 play для створення загальної моделі основного циклу
• Робота, пов’язана із загальним pvp Системи ігрового процесу між гравцями - Категоризація елементів гри залежно від їхньої ролі в грі

Створення системи, що дозволяє симулювати ігровий процес у багатьох конфігураціях ігрової економіки, де змодельований гравець - агент - з автономним навички прийняття рішень взаємодіє з навколишнім 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 дійції. 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.