Анализ стратегий онлайн-игровых пространств

В последние годы индустрия онлайн-игр быстро развивалась, и число онлайн-пользователей продолжало расти. Интернет и цифровые медиа оказывают значительное влияние на деятельность компаний и коммуникации как на корпоративном, так и на маркетинговом уровне. Развитие Интернета от Web 1.0 до Web 2.0 обеспечило платформу, которую могут использовать предприятия (O'Reilly, 2005). 

Онлайн-игры используют операционные возможности, которые предоставил Интернет, и сегодня они имеют глобальный охват. При глобальном проникновении Интернета в процентах от мирового населения на уровне 49,2% (Internet World Stats, 2016) бизнес онлайн-гемблинга продолжает демонстрировать устойчивый ежегодный рост, а также расширяется на развивающиеся рынки и экономики. 

Действительно, это стало глобальной отраслью, которая растет на 11% в год и оценивается примерно в 37 миллиардов долларов, при этом европейский рынок оценивается примерно в 15 миллиардов долларов (Cardplayer.com , 2016). Это означает, что на мировом рынке онлайн-гемблинга доминирует Европа с наибольшей долей рынка, оцененной Европейской ассоциацией азартных игр и ставок (2016) в 48%. Игрокам доступно множество онлайн-игры и сайтов азартных игр. Беглый взгляд на веб-сайт Casino City (2016a) показывает, что в настоящее время существует более 3650 сайтов онлайн-гемблинга. Клиенты практически избалованы выбором, а поскольку многие веб-сайты, например, www.casino.forum, также доступны с мобильных устройств, и таким образом мир азартных игр буквально у них под рукой.

В настоящее время разработано большое количество видов нейронных сетей, которые ранее не использовались в игровых приложениях [1; 2; 3].

На сегодняшний день наиболее успешным примером применения нейронных сетей в онлайн-играх является искусственный интеллект (ИИ) OpenAI Five, который используется для анализа поведения виртуальных соперников в видеоиграх [4].

Учёные ЮЗГУ Томакова Р. А., Джабраилов В. В., Томаков М. В. и др. [5] провели исследование метода глубинного обучения нейронных сетей с подкреплением, основанный на использовании модели проксимальной оптимизации стратегии.

В результате проведенных исследований было разработано программное изделие для анализа игровой стратегии с использованием нейронных сетей.

Для успешного достижения желаемого результата процесса онлайн-игры или онлайн-гемблинга используются сверточные нейронные сети (Сonvolutional Neural Network, CNN), поскольку они лучше подходят для классификации различных типов прогнозирования. Применение сверточных нейронных сетей позволило получить следующие результаты:

• прогнозирование сложности, основанное на формуле, повышает точность на 42%;

• прогнозирование сложности, основанное на прогназирование сцен с уровнями из редактора Unity, повысило точность на 62%.

• При применении обычной модели CNN при прогнозировании сложности, точность увеличилась до 20%.

В заключении нужно так же отметить, что онлайн-игры также приносят некоторые плохие последствия. Люди, которые слабы в самоконтроле, часто не могут отличить виртуальную реальность от реальной. Они легко поддаются играм и имеют много социальных проблем. 15 апреля 2007 года Главное управление прессы и публикаций Китая выпустило Схему сертификации официального названия для «Системы борьбы с зависимостью от онлайн-игр». В этой схеме совокупное игровое время определяется как здоровое игровое время в течение 3 часов в день, игровое время усталости в течение 3-5 часов и нездоровое игровое время в течение 5 часов. 19 июня 2018 года Всемирная организация здравоохранения (ВОЗ) официально опубликовала проект перечня игровой зависимости как психического расстройства, который, как ожидается, будет официально введен для интеграции игровой зависимости в медицинскую систему[6].

Использованные источники

1. Рутковская Д., Рутковский Л., Пилиньский М. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая линия-Телеком, 2006. 452 c.

2. Методы классификации и прогнозирования. Нейронные сети. URL:intuit.ru/studies/professional_skill_improvements/1210/courses/6/lecture/178 (дата обращения: 10.02.2021).

3. Персептроны. URL:neuralnet.info/chapter/персептроны/ (дата обращения: 10.02.2021).

4. Рышард Т., Барбара Б. Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными. М.: Горячая линия-Телеком, 2017.546 c.

5. Томакова Р. А., Джабраилов В. В., Томаков М. В. и др.  / Анализ стратегий игровых пространств с использованием нейронных сетей / Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2021. Т. 11, № 2. С. 51–65.

6. World health statistics 2018, URL:who.int/gho/publications/world health statistics/2018/en/.