Sensei Home 2018-03-29T15:57:50+00:00

PROJEKT SENSEI

Tytuł: SENSEI – System wspomagający umiejętności graczy

Realizowany w ramach Działania 1.2 Programu Operacyjnego Inteligentny Rozwój

# POIR.01.02.00-00-0184/17

Beneficjent: ESENSEI sp. z o.o.

W dniu  4 października 2017 roku NCBiR ogłosił wyniki konkursu GameIN 2, do którego został zgłoszony projekt eSensei. Nasz projekt znalazł się na drugim miejscu pośród 38 projektów (na 90 zgłoszonych), które zostały zakwalifikowane do dofinansowania. [ranking]

Założenia

Gry typu e-sport stają się coraz bardziej popularne. Środowiska, w których gry te są rozgrywane pozostawiają jednak wciąż wiele do życzenia, nie wykorzystując wszystkich możliwości, jakie daje współczesna nauka. Po pierwsze, istniejące środowiska nie zapewniają graczom pełnego wachlarza informacji, które mogłyby wynikać z inteligentnej analizy danych gromadzonych podczas rozgrywek (metody typu big data analytics, machine learning, knowledge discovery). Po drugie, środowiska te nie wykorzystują możliwości płynących z tego rodzaju informacji celem wsparcia graczy przy, np., doborze przeciwników i poziomów trudności, wskazywaniu (w trybie offline, nie podczas danej gry), dlaczego w ostatniej rozgrywce zostało się pokonanym (podsumowując mocne i słabe strony graczy, a nawet – w przypadkach na to wskazujących – raportując możliwość popełnienia oszustwa przez przeciwnika), czy też jakie elementy warto w swoich przyszłych grach poprawić lub na co zwracać uwagę. Po trzecie, istniejące środowiska nie łączą możliwości, jakie daje nowoczesna analiza danych, z innymi elementami budowy przyjaznej, nakierowanej na pozytywne zachowania, w jakimś sensie „nietoksycznej” sieci społecznej, w której gracze – oprócz rywalizacji w rozgrywkach – potrafią wspomagać się nawzajem, aktywnie uczestniczyć w procesie budowania wiedzy (np. poprzez wspomaganie procesów analitycznych w definiowaniu nowych zachowań i sytuacji zachodzących w grach).

Ekosystem Sensei, którego realizacja jest celem niniejszego projektu, ma za zadanie wypełnić powyższe luki w funkcjonalności i jakości środowisk wspierających gry online. W jednym zdaniu, projekt nasz ma umożliwić transformację suchych informacji kolekcjonowanych podczas gier na wiedzę, która będzie istotnie przydatna dla indywidualnego a nawet społecznego rozwoju gracza. Warto zaznaczyć, że kolekcjonowanie i raportowanie informacji nie jest czymś nowym. Na wzór „rzeczywistych” gier sportowych, coraz więcej serwisów wspiera gromadzenie i podsumowywanie indywidulanych statystyk dotyczących gier online (np.: https://hsdecktracker.net/ i http://www.vicioussyndicate.com/). Rozwój tego typu funkcjonalności ilustruje zapotrzebowanie na nie wśród graczy, zaś z drugiej strony – jeśli chodzi o stosowane do tej pory technologie – pokazuje, iż jest to dopiero początek drogi w kierunku pełnego wykorzystania systemów uczących się z danych w tej dziedzinie.

Architektura ekosystemu będzie miała charakter uniwersalny, bazujący na warstwach gromadzenia i przetwarzania danych oraz na interfejsach wpierających interakcje pomiędzy algorytmami analitycznymi i graczami występującymi w rolach zarówno odbiorców usług jak i ekspertów dziedzinowych, jak również na wyodrębnionej składowej ekosystemu dedykowanej społeczności analityków wspomagających rozwój metod algorytmicznych poprzez uczestnictwo w konkursach eksploracji danych. W ramach trwania projektu skoncentrujemy się natomiast na wybranych grach „pilotażowych”. W pierwszej kolejności, do badań i testów zostanie wybrana gra bardziej klasyczna (np. Stratego), dla której istnieje duża baza graczy i możliwość stosunkowo łatwego pozyskania danych do prac badawczych, zaś w dalszej kolejności system zostanie zaadaptowany, przetestowany i wdrożony dla bardziej współczesnych gier, cechujących się szybko przyrastającymi, złożonymi logami. W ten sposób, projekt pozwoli na przemyślaną, iteracyjną realizację celów, jakie docelowo stawiamy przed opracowywanym środowiskiem.

Kierunki badań

Wykaz kierunków badań, które można umieszczać w etapach:

  1. Model reprezentacji zintegrowanych danych
  2. Zaadaptowanie istniejących taksonomii
  3. Model architektury ekosystemu
  4. Model zachęt w ekosystemie
  5. Metody uczenia się klasyfikatorów z danych
  6. Wychwytywanie istotnych wzorców z danych
  7. Model przepływu danych
  8. Indeksowanie danych
  9. Metody spersonalizowanego wsparcia
  10. Interakcyjne metody wzbogacające semantykę

Przydatna literatura

„AI2 : training a big data machine to defend” (https://people.csail.mit.edu/kalyan/AI2_Paper.pdf)

Co prawda jest to praca o atakach, ale ładnie zarysowuje role algortymów supervised learning (metody uczenia klasyfikatorów) oraz unsupervised learning (metody wychwytywania outliersów), a także znaczenie ekstrakcji cech – tu nazywanej konstrukcją behavioral signatures. Warto odnieść się do procesu (a)-(f) na str 1, przy czym naszym zadaniem jest zastąpienie „analyst feedback” wiedzą pochodzącą od graczy, pod kątem opisów np. kategorii oszustw, doboru próbek uczących dla tych kategorii, etc.