Hirdetés

Mesterséges intelligencia a játékiparban, interjú egy magyar MI szakemberrel

Nádai Endre Levente több éve foglalkozik már a mesterséges intelligencia témakörével, többedmagával pedig a jövő potenciális e-sport edzőjét fejleszti!

NÉZD MOST AZ ESPORTGURUN!

ESL Pro League Season 14

Na'Vi vs. Heroic

Hirdetés

Bár sokszor a mai napig hajlamosak vagyunk a mesterséges intelligenciát a távoli jövőbe vízionálni, úgy tekinteni rá, mintha ma még csak álmodoznánk róla, valójában sokkal inkább a hétköznapunk része. Különösképpen akkor, ha szeretünk számítógépes játékokkal játszani, netán sportfogadni, ez a két terület ugyanis egyre komolyabb mesterséges intelligenciát használ a nagyobb felhasználói élmény biztosítására.

Ha téged is érdekel a technika ezen iránya, mindenképp vegyél részt az MI Kihívásban, melyen keresztül mélyebb betekintést kaphatsz ebbe az egyre fontosabb irányzatba, és még PS5-öt is nyerhetsz!

Szerencsére már most is vannak olyan magyar szakemberek, akik saját fejlesztéseikkel színesítik az MI-k sorát, ismerjétek meg Nádai Endre Leventét, az Omnicoach társalapítóját, és aki arról mesélt nekünk, hogyan találkozott először a mesterséges intelligenciával, számára mit jelent, hogyan tudja hasznoítani, és mit várhatunk tőle a jövőben!

Sziasztok, Nádai Endre Levente vagyok, az Omnicoach CTO-ja (technológiai vezetője) és termékmenedzsere. Amit érdemes rólam tudni: kb 25 éve játszom mindenféle játékkal, lassan 20 éve amatőr szinten versenyszerűen, főleg FPS címekben (CoD 1,2,4, 5; TF2; Overwatch), 4+ éve coachként is dolgozom hobbi szinten (Overwatch-ra YouTube csatornám is van ahol ezzel foglalkoztam), és kicsit több mint 10 éve dolgozok a szoftverfejlesztői iparágban.

Hol találkoztál életedben először, és hogyan jött számodra az, hogy mesterséges intelligenciával foglalkozz?

Hagyományos értelemben vett mesterséges intelligenciával (AI) az egyetemen találkoztam először, egyszerű játékok mesterséges intelligenciájának programozása során. Ez tényleg a belépő szint amikor MI témakörről van szó, azaz döntési fák programozása: ha a játékos ezt csinálja, akkor az agent ezt lépi rá, ha valami mást akkor pedig valami mást csinál.

Saját kútfőből pedig hasonló indíttatásból, nagyon egyszerű saját játékon dolgoztam (infinite runner kategória), ahol különböző ellenfelek különböző viselkedésekkel tették érdekesebbé a játékmenetet. Később találkoztam már mélyebb alkalmazásaival az MI-nek.

Van különbség MI és MI között?

Van bizony. Amikor manapság azt mondjuk, hogy MI, akkor általában nem az előbb említett egyszerű MI-re gondolunk, hanem mindenféle varázslatra, mint például hogy az Amazon honnan tudja, hogyha megnéztem egy könyvet, akkor mi más érdekelne, vagy egy élő e-sport meccsre fogadásnál hogyan kalkulálják az oddsokat.

Az MI (angolul AI, azaz Artificial Intelligence) a legnagyobb témakört jelöli, bármilyen megoldást így hívunk, ami a számítógépeket felruházza az emberi intelligenciához hasonló működéssel. A PacMan szellemek viselkedése pl ez a kategória.

Ezen belül van az úgynevezett gépi tanulás (ML azaz Machine Learning), ami mindenféle statisztikai technikákkal dolgozik, és tapasztalati alapon tanulóvá teszi a különböző megoldásokat (sok mintával, sok adattal). Míg az előző esetben a programozó feladata, hogy egyértelműen leprogramozza az MI számára a viselkedésmintákat, a gépi tanulásban már megjelenik a tényleges adat alapú tanulás, azaz olyan megoldásokkal is előállhat a szoftver, amire a programozó nem készítette fel, hanem a látott minták alapján találta ki magának a gép.

Úgy kell elképzelni, mint egy kisgyereket, aki megtanulta a “cica” szót, és ha először mutatunk neki egy tigrist, akkor első körben az is “cica” lesz; ha viszont elmondjuk neki, hogy ez nem cica, hanem tigris (gépeknél ez azt jelenti, hogy mutatunk neki sok ezer tigrist), akkor meg fogja tudni különböztetni őket.

Az egyik fontos technológia ezen belül a neurális hálók (angolul NN, Neural Networks), amik az emberi agyhoz hasonló működést imitálnak különböző feladatokra.

És még ezen belül fontos megemlíteni a mélytanulást (angolul Deep Learning), ami speciális “mély” neurális hálókat használva tanul (általában) iszonyatos mennyiségű adatokon. A mélytanuló megoldások közül néhány példa: Siri és Google asszistens működés, önvezető autók, új exobolygók kutatása. A használatuk nagyon széleskörű.


Mit jelent számodra a mesterséges intelligencia?

Hiszek abban, hogy nagyon sok dolognak az életünkben az automatizáció és egyszerűsítés a jövője. A mesterséges intelligencia törekvései általában itt fogannak meg a végfogyasztó számára, ezáltal lett könnyebben hozzáférhető- és fejlődött nagyon sok olyan szolgáltatás, amit napi szinten használunk. Ma már léteznek olyan boltok, amibe csak besétálunk, arc alapján azonosít minket, levesszük a polcról az árut, és kifelé automatikusan fizetünk, mindenféle sorbanállás és kasszázás nélkül. Ebben az egy dologban is temérdek MI alapú megoldás jelenik meg.

A másik nagyon fontos dolog számomra a fejlődés: micro és macro szinten is. Olyan mennyiségű információ áll ma már rendelkezésünkre, amivel a hagyományos módokon nem tudunk mit kezdeni, nincs olyan ember vagy cég, aki fel tudná ezeket dolgozni. A gépi tanulás ezekre tud megoldásokat kínálni, és segíteni akár az egyén, akár a társadalom jólétét. Persze mindennek megvan az árnyoldala, lehet ezeket rossz dolgokra is használni (választási manipulációk, deep fake videók), sokan beszélnek erről is.

Mi az Omnicoach és milyen céllal jött létre?

Az Omnicoach-csal eredetileg a cél az volt, hogy egy olyan eszközt hozzunk létre, ami adat alapon képes segíteni a játékosok fejlődését. Az inspiráció az volt, amikor coachként dolgozva (Overwatch) először elértem a havi 40 tanítványt, és rájöttem, hogy ennél több embert csak úgy tudok tanítani, ha azt valamilyen szoftverrel teszem.

Így jött a cég alapötlete: elemezzük a játékosok által felvett videókat, nyerjünk ki belőle adatokat, és ezekre építve segítsük őket a fejlődésben. Ha azt látjuk, hogy minden lövésed mellé megy, tudunk adni gyakorló feladatokat. Ha mindig korán, elsőként halsz meg akkor meg tudjuk mutatni a videódban, hogy hol és milyen hibákat követtél el.

Ma már kicsit mást csinálunk, az adatelemzés és fejlődés irány is megmaradt, de a felhasználását most nagyon interaktív küldetések formájában csináljuk: a platformunkat gaming csapatok, cégek és brandek használják, a rajongóiknak és fogyasztóiknak érdekes küldetéseket tudnak létrehozni és ajándékokat kiosztani ha a játékos felvesz és feltölt olyan videót, ahol az adott kiírás teljesül (emellett a végfelhasználó meg tudja tekinteni a meccs elemzését is).

Hirdetés
Hirdetés
Légy Te az első hozzászóló!
Lépj be, ha hozzá akarsz szólni!
Hirdetés
Hirdetés
Hirdetés
Hirdetés