Machine Learning in Games und Gamification

Allgemein, Digitalisierung und Digitale Transformation

Hinter dem Oberbegriff Machine Learning, maschinelles Lernen, verbirgt sich das künstliche Generieren von Wissen. Immer mehr verblüffende Projekte und Anwendungsbeispiele aus dem großen Feld der künstlichen Intelligenz gelangen an die Oberfläche. Ein Teilbereich des Machine Learning ist das Deep Learning („tiefgehendes Lernen“), eine spezielle Methode der Informationsverarbeitung. Sie nutzt künstliche neuronale Netze. Und kann damit intellektuelle und mentale Prozesse darstellen, von denen lange angenommen wurde, dass sie dem Menschen vorbehalten sind, wie Sprach- und Gesichtserkennung. Was es jetzt schon gibt und in welche Richtung die Entwicklung geht zeigen wir in diesem Blogbeitrag auf – wie immer mit dem Blick auf Games und Gamification-Projekte.

Die Einleitung des Wikipedia-Artikels beschreibt die Besonderheiten des Machine Learnings gegenüber anderen KI-Modellen knapp und verständlich:

Ein künstliches System lernt aus Beispielen und kann diese nach Beendigung der Lernphase verallgemeinern. Dazu bauen Algorithmen beim maschinellen Lernen ein statistisches Modell auf, das auf Trainingsdaten beruht. Das heißt, es werden nicht einfach die Beispiele auswendig gelernt, sondern Muster und Gesetzmäßigkeiten in den Lerndaten erkannt. So kann das System auch unbekannte Daten beurteilen (Lerntransfer) oder aber am Lernen unbekannter Daten scheitern (Überanpassung).

Grafik Künstliche Intelligenz

Machine Learning als ein Bereich der künstlichen Intelligenz und Deep Learning eine bestimmte Methode im Machine Learning.

 

Experimente und Meilensteine

Machine Learning ist für alle großen Tech-Firmen ein aktuelles und zukunftsweisendes Thema. Gerade mit der Deep Learning Methode, die durch wiederholtes Training ein neuronales Netz immer weiter verbessert – ähnlich den Synapsen im menschlichen Hirn. Firmen und Organisationen arbeiten schon länger an den Algorithmen: 2010 war die Markteinführung von IBMs künstlicher Intelligenz „Watson“. 2014 kaufte Google die britische KI-Firma DeepMind. 2015 die Gründung der kalifornischen Non-Profit-Organisation „OpenAI“. 2017 veröffentlichte DeepMind drei KI-Modelle, die sich selbstständig die Fortbewegung auf einem virtuellen Parkour beigebracht haben. 2019 zeigt Adobe ihr gemeinsames Projekt mit der Universität Edinburgh für KI-gestützte humanoide Animationen.

Nicht zuletzt führte der technologische Fortschritt in der Rechenleistung, insbesondere von Grafikchips, überhaupt dazu, dass Deep Learning Algorithmen funktionsfähig gemacht wurden. Und immer noch ist das Trainieren der neuronalen Netze ein erheblicher Zeitfaktor bei der Entwicklung. Wenn Sie mal kleine KI-Tüfteleien selber ausprobieren möchten, können wir die „Experiments with Google“ -Sammlung empfehlen. Mittlerweile gibt es 18 sehr nahbare und interessante Experimente!

 

Machine Learning in Games

Man kann definitiv erkennen, dass die neuesten Errungenschaften im maschinellen Lernen immer interessanter für Bereiche der Games-Branche werden. Beim Player-Experience-Modeling soll z.B. eine KI verschiedene Parameter im Spielsystem ansteuern. Dadurch wird die Spielerfahrung an die persönlichen Bedürfnisse der Spielenden angepasst. Beispielsweise einen fairen Anstieg des Schwierigkeitsgrads, der die Fähigkeiten der Spielenden beachtet.

Durch Machine Learning werden aktuell sogar so starke KI-Gegner trainiert, die professionelle Spielende problemlos schlagen, sei es im digitalen Schach, im Strategiespiel Starcraft 2 oder in MOBAs wie Dota 2. Auch in der Verbesserung von Algorithmen, die man aus Trend- oder Suchvorschlägen auf Social Media Plattformen kennt, kann Machine Learning unterstützen. Die Anwendungsgebiete sind schier grenzenlos. Ob Machine Learning auch für langzeitliche Verbesserungen und Content-Generierung in Spielen Verwendung findet, wird sich bestimmt in naher Zukunft zeigen.

Durch KI-Unterstützung sind auch dynamischere Dialoge möglich. Also das nächste Level für Chatbots und Dialogsysteme. Und wie schon DeepMind und Adobe demonstrieren konnten, gibt es auch bei Grafik und Animation großes Potenzial. KI-gestützte und prozedurale Animationen wirken jetzt schon glaubwürdiger als viele handgemachte Animationen.

 

Deep Learning (als Teil des Machine Learning) für Gamification-Projekte

Deep Learning mit künstlichen neuronalen Netzen blühte im letzten Jahrzehnt besonders auf und ist nun ein Thema mit dem sich viele IT-Engineers und Entwickler beschäftigen. Es wird also sicher nicht mehr lange dauern, bis wir trainierte neuronale Netze in alltäglichen Anwendungen sehen.

Natürlich sind Projekte mit Deep Learning noch immer Pionierarbeit und jede Form künstlicher Intelligenz birgt einen nicht zu unterschätzenden Entwicklungsaufwand. Doch das Know-How wächst und Entwickler veröffentlichen neue Algorithmen und Werkzeuge. Damit wächst auch die Zugänglichkeit und das Potenzial für weitere Ideen und Experimente. Die nötige Expertise bleibt jedoch nach wie vor wertvoll. Um neuronale Netze mit Deep Learning effektiv zu trainieren, können auch Kosten für rechenstarke Server-Farmen anfallen. Ob sich die Nutzung von Machine Learning bei Gamification-Projekten also lohnt, hängt natürlich zunächst von den eigentlichen Anforderungen und dem Kundenbedarf ab. Momentan ist es immer noch ein zeit- und testintensives Unterfangen, was sich auf jeden Fall auch im nötigen Budget widerspiegelt.

 

Haben wir Ihr Interesse geweckt?

Sie möchten auch Gamification für Ihr Unternehmen nutzen? Vielleicht brauchen Sie ja ein Konzept für ein KI-System? Sei es für eine spielerische Lösung in der Industrie oder für andere Projekte – Zögern Sie nicht und kontaktieren Sie uns!