درباره سخنران

امین بابادی دانشجوی دکترای بازی‌های ویدیویی در دانشگاه آلتو کشور فنلاند است و در حال حاضر در زمینه استفاده از یادگیری ماشین برای تولید خودکار انیمیشن‌های سه‌بعدی فعالیت می‌کند. وی بیش از ده سال تجربه در صنعت بازی سازی دارد و تاکنون در پروژه‌های مختلفی از جمله «ارتش‌های فرازمینی»، «بیداری: خاکسترهای سوزان» و «کات» فعالیت داشته است.

ارائه‌ی اول

کاربردهای یادگیری ماشین در بازی‌سازی

چکیده

یادگیری ماشین به حوزه‌ای از هوش مصنوعی گفته می‌شود که هدف اصلی آن، بهبود عملکرد کامپیوتر در حل مسائل از طریق کسب تجربه است. در حال حاضر، یادگیری ماشین و زیرشاخه‌های جدید آن تحت عنوان یادگیری عمیق٬‌ به علت کسب نتایج خیره‌کننده در حل مسائل پیچیده، از داغ‌ترین مباحث هوش مصنوعی به حساب می‌روند. به طوری که در سال‌های اخیر، یادگیری عمیق کاربردهای بسیاری در صنایع پزشکی، نظامی، خودروسازی و ... پیدا کرده است. همین مساله سبب شد که بسیاری از فعالان حوزه‌ی بازی‌سازی نیز به این حوزه ورود کنند. طبق یافته‌های گزارش شده در دهه‌ی اخیر، یادگیری ماشین کاربردهای بسیار متنوعی در بازی‌سازی دارد و می‌تواند در حل طیف وسیعی از چالش‌های بازی‌سازی٬‌ از تولید محتوا گرفته تا مدل‌سازی رفتار بازیکنان استفاده شود. هدف از این ارائه، آشنایی فعالان حوزه‌ی بازی‌سازی با این کاربردها است. به این منظور، ابتدا به مرور مفاهیم پایه‌ای در یادگیری ماشین و یادگیری عمیق پرداخته شده٬‌ و سپس رویکردهای موجود برای استفاده از یادگیری ماشین در فرآیند بازی‌سازی بررسی می‌شوند.

ارائه‌ی دوم

مدل‌سازی رفتار بازیکن‌ها در بازی‌های F2P

چکیده

در دهه‌ی اخیر، محبوبیت بازی‌های F2P به طور چشم‌گیری افزایش داشته است. دلیل اصلی محبوبیت این بازی‌ها این است که بازیکن می‌تواند بدون پرداخت هیچ هزینه‌ای، برای مدتی طولانی از انجام بازی لذت ببرد. همین ویژگی باعث شده که معمولا تعداد کاربرهای بازی‌های F2P بسیار بالاتر از بازی‌های پریمیوم باشد، که در واقع فرصتی برای شرکت‌های بازی‌سازی فراهم می‌کند که از طریق تبلیغات یا خرید درون‌برنامه‌ای به کسب درآمد بپردازند. به همین دلیل، چالش اصلی شرکت‌های سازنده‌ی بازی‌های F2P پس از انتشار محصولاتشان این است که تعداد کاربرها را تا حد ممکن افزایش داده و آنها را برای مدت طولانی در بازی نگه دارند. به همین منظور٬‌ سازندگان باید به طور مداوم و منظم رفتار کاربران را زیر نظر داشته باشند تا بتوانند برای تولید محتوای جدید و بهبود ساختار فنی محصول خود برنامه‌ریزی کنند. از آنجایی که چنین کاری وقت و انرژی بالایی از سوی تیم سازنده می‌طلبد، نیاز شدیدی به استفاده از هوش مصنوعی برای کاهش هزینه‌ها در چنین بازی‌هایی احساس می‌شود. خوشبختانه٬‌ مسائل مذکور نقاط مشترک بسیاری با مسائل پرکاربرد در حوزه‌ی یادگیری ماشین دارند و به همین علت، شرکت‌های بازی‌سازی در حال روی آوردن به استفاده از یادگیری ماشین در پروژه‌های خود هستند. هدف از این ارائه، معرفی کاربردهای گوناگون یادگیری ماشین برای مدل‌سازی رفتار بازیکن‌ها در بازی‌های F2P است. به همین منظور، به معرفی چند نمونه از این کاربردها به صورت عملی در بازی‌ها و پژوهش‌های منتشر شده پرداخته می‌شود.

ارائه‌ی سوم

طراحی عامل‌های هوشمند با استفاده از یادگیری تقویتی

چکیده

طراحی هوش مصنوعی کاراکترها٬‌ یکی از چالش‌های مهم در توسعه‌ی بازی‌ها به حساب می‌آید؛ زیرا در ایجاد حس غوطه‌وری بازیکن نقشی اساسی بازی می‌کند. از سوی دیگر٬‌ تیم سازنده باید دقت کند که هوش مصنوعی طراحی شده برای بازیکن از حد مشخصی ساده‌تر یا دشوارتر نباشد؛ در غیر این صورت بازی ممکن است کسل‌کننده یا ناامیدکننده شود. علاوه بر این، می‌توان از هوش مصنوعی برای تست خودکار بازی استفاده کرد که در پروژه‌های F2P می‌تواند برای تست محتوای جدید بازی یا بالانس گیم‌پلی بسیار مفید واقع شود. یکی از تازه‌ترین روش‌ها برای طراحی هوش مصنوعی بازی ها، استفاده از یادگیری تقویتی است. یادگیری تقویتی، شاخه‌ای از یادگیری ماشین است که در آن یک عامل هوشمند مشابه موجودات دنیای واقعی، از طریق سعی و خطا با محیط اطراف خود آموزش داده می‌شود‌. هدف از این ارائه، معرفی یادگیری تقویتی و نحوه‌ی استفاده از آن در بازی‌سازی است. به این منظور، ابتدا مفاهیم پایه‌ای و الگوریتم‌های مهم یادگیری تقویتی معرفی شده و سپس به معرفی ابزارهای مهم برای استفاده از یادگیری تقویتی در موتورهای مختلف بازی‌سازی پرداخته می‌شود.