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!

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).

Hogyan használja fel az Omnicoach a mesterséges intelligenciát?

Mi főleg a gépi tanulás témakörből merítünk, számítógépes látással (angolul CV, Computer Vision) kapcsolatos technológiákat használunk a videók elemzésére. Vannak hagyományos statisztikai módszerek a rendszerben, használunk publikusan elérhető ML modelleket és vannak saját fejlesztéseink is, mivel a felhasználásunk elég egyedi.

Nagyon hagyományos MI pedig az adatok kiértékelésében található meg, ezekkel döntjük el, hogy egy videóban található események kielégítik-e a küldetés kívánalmait. Például: LoL-ban legyen meg az első ajánlott felszerelésed 3 percen belül, majd miután megvetted 2 percen belül szerezz legalább 1 killt vagy assistot (ADC küldetés).

Teljes mértékben helyettesíthetőek lesznek a jövőben például az e-sport edzők, vagy inkább csak egyfajta kiegészítőként kell tekinteni az AI-n alapuló tréningekre?

A távoli jövőben simán lehet, 15 éve nagyon kevés volt meg abból, amikről itt már szó esett. A közeljövőben viszont kétlem a teljes helyettesíthetőséget, mivel az edzők munkájának nagy része az emberekről szól (csapatdinamika, kommunikáció, stb) és kisebb része az adat alapú edzésről. Emellett persze megvan az, hogy bizonyos szintig a játékos ugyanazokat a tipikus hibákat követik el, itt elég sok értéket tud teremteni bármilyen megoldás már ma is.

Azt gondolom, hogy a már elérhető eszközök jó alapokat adhatnak egy edzőnek, de meg kell tanulni használni őket. A mi rendszerünk például erősen meggyorsít egy-egy edzői alkalmat, mivel aki tudja használni, nagyon gyorsan meg tud benne találni példákat olyan rossz vagy jó pillanatokra, amin érdemes dolgozni.

Tegyük fel, hogy egy mesterséges intelligenciára épülő gamer startupot szeretnék indítani és meg is van az ötlet alapja. Hogyan vágjak neki? 

Ne csináld, gyere inkább hozzánk dolgozni :)

Viccet félretéve: ötlete mindenkinek van, megvalósításig kevesen jutnak el. Kell egy jó csapat aki kitart veled és hasonlóan rajong az ötletedért, mint te magad. Meg kell nézni, hogy az ötletednek van-e piaca, megvalósítható-e és a te csapatod tényleg meg tudja-e valósítani. Utána pedig munka, munka, munka.

Megmondom őszintén én senkinek nem ajánlom, hogy ilyenbe kezdjen, iszonyatosan nehéz és embert próbáló feladat egy startupot beindítani. Ha viszont valami olyanod van, amiért hajlandó vagy nagy áldozatokat hozni a siker reményében, akkor hajrá, én nem bántam meg.

Használhatják a jövőben a játékfejlesztők a mesterséges intelligenciát úgy, hogy beépítik a játékukba, hogy olyan feladatokat lásson el, amelyek növelik az élményfaktort, technológia szintet? (Például, hogy az MI generáljon új tartalmakat, mondjuk egy Pokémon játék esetében új Pokémonokat hozzon létre a játékos tevékenységei alapján.)

Hogyne, elkezdődtek már ezek az integrációk. A legtöbb játék matchmaking rendszerében már valamilyen ML megoldás van. Az új Nvidia DLSS egy deep learning alapú grafikai fejlesztés. A felhasználhatósága ezeknek a techológiáknak nagyon széleskörű, de itt is van aki “rosszra” akarja használni.

Ott van például az EA által beadott patent, ami arról szól, hogy a játék matchmakingje direkt olyan meccsekbe rakjon be, hogy azt érezd, hogy neked venned kell valamit a boltból. Olyanokkal rak össze, akiknek egy fegyver megvan ami neked nincs, ezáltal arra ösztönöz, hogy pénzt költs, hogy tartani tudd a tempót. Itt is arról van szó, hogy játékos adataiból tanulunk, és valahogy azt használjuk fel, kérdéses, hogy ez mennyire oké.

Mit gondolsz, a játékipar mely területein tudjuk majd még alkalmazni a jövőben a mesterséges intelligenciát?

Mostanában nagyon trendi a fogadás, nagy eseményeken valós idejű adatelemzés, streameken adatok megjelenítése a játékos teljesítményéről.

Szerintem a jövőben is azok a trendek folytatódnak, amik a felhasználói élmény növelésére mennek: jobban személyre szabott játékélmény, kényelmi funkciók, MI által javasolt játék balansz, ilyesmik.

Emellett pedig az üzleti, technológiai háttérben is nagyon sok adat van, aminek a megfelelő elemzéséhez már elengedhetetlen a mesterséges intelligencia használata.

OSZD MEG VELÜNK A VÉLEMÉNYED HOZZÁSZÓLÁSBAN! KÖVESS MINKET FACEBOOKON IS!