Gli sviluppatori di giochi hanno cercato all’infinito nuovi modi per bilanciare la difficoltà, ma l’IA potrebbe semplicemente semplificare il loro lavoro.
Nel film d’avventura per videogiochi ” The Wizard ” (1989), il personaggio di Luke Edwards , Jimmy Woods, scopre la sua innata capacità di gioco partecipando a una competizione di videogiochi. Vince un primo premio di $ 50.000, dopo aver raggiunto il punteggio più alto in Super Mario Bros. 3 , tutto perché la sua abilità è stata sottovalutata.
Poiché il caso è al centro dei giocatori, agli sviluppatori, durante la creazione di qualsiasi nuovo gioco, viene assegnato il compito di bilanciare la difficoltà per servire un’ampia comunità di giocatori. Un gioco troppo facile o difficile può rischiare di alienare un ampio sottoinsieme della community. I giocatori di solito possono scegliere un’esperienza di gioco che funziona meglio per loro. Alcuni potrebbero avere difficoltà a selezionare quelli giusti, rendendo il gioco troppo difficile da superare o rimandare del tutto.
Gli sviluppatori di giochi nell’industria dei giochi da 200 miliardi di dollari di oggi hanno cercato incessantemente nuovi modi per monitorare da vicino il coinvolgimento e il comportamento dei giocatori sul mercato. Ma una nuova svolta nell’IA potrebbe aver portato la “selezione manuale della difficoltà” più vicino alla tomba digitale.
Valutazione dei livelli tramite “Dynamic Difficulty Adjustment (DDA)”
Un gruppo di scienziati del Gwangju Institute of Science and Technology (GIST) ha ora sviluppato una nuova tecnologia che regola la difficoltà dei videogiochi stimando le emozioni dei giocatori in tempo reale. Il documento intitolato ” Diversificare l’agente di regolazione della difficoltà dinamica integrando i modelli di stato del giocatore nella ricerca dell’albero di Monte-Carlo ” pubblicato in “Sistemi esperti con applicazioni” consiste in un modello dinamico che modifica il livello di difficoltà per massimizzare la soddisfazione del giocatore.
La regolazione dinamica della difficoltà (DDA) è una tecnica utilizzata per modificare in modo adattivo un gioco per renderlo più facile o più difficile. Uno dei modi più comuni per ottenere la DDA è attraverso l’intervento euristico e la previsione che regola la difficoltà del gioco una volta osservati gli stati indesiderati del giocatore (come noia o frustrazione).
Fonte: Regolazione dinamica della difficoltà per il massimo coinvolgimento nei giochi digitali (aprile 2017)
Uno dei primi esempi di implementazione di DDA è stato in uno sparatutto chiamato Resident Evil 4 nel 2005, che utilizzava un sistema chiamato “Difficulty Scale”. Questo era sconosciuto alla maggior parte dei giocatori, poiché era menzionato solo nella Guida strategica ufficiale. Il sistema è stato utilizzato per valutare le prestazioni del giocatore su una scala numerica da 1 a 10, regolando sia gli attacchi nemici che la resistenza in base alle prestazioni dell’utente.
Fino ad ora, gli sviluppatori si sono affidati principalmente a “Dynamic Difficulty Adjustment (DDA)” per risolvere il problema del bilanciamento della difficoltà di un videogioco, che si ritiene sia necessario per offrire ai giocatori un’esperienza piacevole. Sebbene utile, la strategia è limitata prendendo in considerazione solo le prestazioni del giocatore, escludendo il fattore divertimento.
Passa all’approccio DDA
Piuttosto che concentrarsi sulle prestazioni del giocatore, il team del GIST ha sviluppato “agenti DDA” che avrebbero regolato la difficoltà del gioco, massimizzando uno dei quattro diversi aspetti che si riferiscono all’esperienza di un giocatore: sfida , competenza , flusso e valenza. Questi agenti DDA sono stati quindi addestrati tramite Machine Learning (ML) utilizzando i dati raccolti da giocatori umani, che hanno giocato contro varie intelligenze artificiali (AI). Ai giocatori è stato quindi chiesto di rispondere a un questionario sulla loro esperienza.
Fonte: Istituto di scienza e tecnologia di Gwangju
A parlare in esclusiva con Analytics India Magazine , il corrispondente autore dello studio JaeYoung Moon, dottorando presso il GIST ha dichiarato: “Ci sono state due motivazioni per cui ho iniziato a condurre questo studio. In primo luogo, la precedente ricerca sulla regolazione dinamica della difficoltà (DDA) tendeva a regolare la difficoltà per mirare a una percentuale di vincita di 50:50. Ma ho visto che alcune persone amano i giochi difficili, ma alcuni vogliono giochi facili a seconda dell’abilità del giocatore. Quindi, ho pensato che non fosse sufficiente fornire un gioco 50:50 a tutti i giocatori. In secondo luogo, ho quindi cercato di mirare a incoraggiare gli stati interni dei giocatori (ad esempio, il divertimento) da parte della DDA. Ma il godimento è troppo soggettivo per essere misurato in un unico modo. Quindi, abbiamo preso di mira quattro diversi stati interni (sfida, competenza, valenza e flusso) per misurare il divertimento e diversificare le strategie dell’IA di gioco per incoraggiare ogni stato”.
Il modello era basato sull’algoritmo di Monte-Carlo Tree Search (MCTS) in cui ogni agente DDA utilizzava dati di gioco reali e simulati per mettere a punto lo stile di combattimento dell’IA avversaria. Questo viene fatto in un modo che massimizza una specifica emozione o “stato affettivo”.
Il professore associato Kyung-Joong Kim, GIST afferma : “Una volta addestrato, il nostro modello può stimare gli stati dei giocatori utilizzando solo le funzionalità di gioco”.
Monte Carlo Tree Search è un algoritmo decisionale che consiste nella ricerca di spazi combinatori rappresentati da alberi. L’algoritmo è costituito da nodi che denotano stati (configurazioni del problema), mentre gli archi indicano transizioni (azioni) da uno stato all’altro. L’algoritmo è stato originariamente proposto nel lavoro di Kocsis e Szepesvári (2006) come algoritmo per creare lettori di computer in Go .
Attraverso un esperimento di 20 volontari, il team ha verificato che gli agenti DDA proposti potevano produrre IA che miglioravano l’esperienza complessiva dei giocatori, a parte le loro preferenze. Pertanto, la ricerca segna la prima volta che gli “stati affettivi” sono stati incorporati direttamente negli agenti DDA, dimostrandosi un catalizzatore per i giochi commerciali.
Per ‘Gamify’ altri campi
Gli utenti sono rapidamente alla ricerca di modi per sentirsi connessi all’interno di un gioco poiché l’immersione e il realismo sono al centro della scena nel gioco. Uno degli strumenti famosi che molti creatori di giochi stanno utilizzando, per promuovere il coinvolgimento, produrre nuovi contenuti e narrazioni interattive, è l’IA.
“Il nostro lavoro può aiutare gli utenti dei servizi educativi a rimanere incoraggiati e motivati per i compiti che stanno imparando. Ad esempio, se gli utenti imparano compiti più difficili rispetto alla loro competenza, potrebbero voler abbandonare l’attività di formazione nel mezzo. O, al contrario, se gli utenti imparano compiti troppo facili rispetto alla loro competenza, potrebbero annoiarsi e perdere la concentrazione. Per alleviare questo problema, il nostro approccio aiuterà i servizi ad adattare la difficoltà del compito in modo che gli utenti possano mantenere la loro motivazione e concentrazione per i lavori. Nelle applicazioni sanitarie, può essere impiegato in modi simili. Il nostro lavoro può essere applicato in modo da fornire programmi sanitari adeguati che i pazienti possono permettersi nel loro stato attuale”, afferma JaeYoung Moon.
Gli sviluppatori potranno ora migliorare il gameplay, trovare nuovi flussi di entrate raccogliendo i dati degli utenti. Il Professore Associato Kim, GIST ha osservato : “Le aziende di giochi commerciali hanno già enormi quantità di dati sui giocatori. Possono usare questi dati per modellare i giocatori e risolvere vari problemi relativi al bilanciamento del gioco usando il nostro approccio”. L’approccio improvvisato ha il potenziale per altri campi che possono essere “gamificati”, in campi come l’assistenza sanitaria, l’esercizio fisico e l’istruzione.
Nuove innovazioni come queste stanno sollevando i progettisti dal carico di tutte le attività contemporaneamente, dall’osservazione del comportamento di gioco al controllo del coinvolgimento tra i giocatori, insieme all’intelligenza artificiale che aggiunge valore per approfondire la comprensione umana nei videogiochi. L’implementazione del modello potrebbe richiedere tempo. Potrebbe non costare quanto un blockbuster hollywoodiano, ma sicuramente assomiglierebbe a uno!
