Unity AI Başkan Yardımcısı Danny Lange: Oyun endüstrisini geliştirmek için AI nasıl kullanılır? | ACMMM 2017
26 Ekim'de California, Mountain View'da düzenlenen ACMMM 2017 konferansı, konferansın üçüncü gününe girdi. Toplantıda Unity Technology'de yapay zeka ve makine öğrenimi başkan yardımcısı Danny Longe, "Derin Öğrenmeyle Oyun, Sanal Gerçeklik ve AR'yi Hayata Getirmek" başlıklı bir konuşma yaptı. Konuşmada Danny, Unity'yi mevcut yapay zeka ve makine öğrenimi konusunda dünyanın en büyük oyun motoru sağlayıcısı olarak tanıttı ve Unity'nin oyunlarda ve ilgili AR ve VR teknolojilerinde makine öğrenimini kullanma uygulamasını tanıttı.
Unity, iki yıldan daha uzun bir süre önce saf bir motor sağlayıcısından İnternet + bulut katma değerli hizmetlere dönüşümü hazırlıyor olsa da, Danny Longe, Unity'nin AI alanındaki son çabalarının arkasındaki itici güçtür. Unity'ye katılmadan önce Danny, Uber'in makine öğreniminin başında görev yaptı. Bundan önce, Danny ayrıca Amazon ve Microsoft'un makine öğrenimi ürünlerinin araştırma ve geliştirmesinden sorumluydu. Danny'nin derin teknik geçmişi ve makine öğrenimindeki uzmanlığının Unity için önemli olduğuna şüphe yok. Geliştiricilerin hızla değişen oyun geliştirme ihtiyaçlarını daha iyi karşılamak ve AR / VR alanında yeni uygulamaları teşvik etmek önemlidir. Danny ayrıca bize Unity derin öğrenme uygulamalarının dört yönünü tanıttı:
1. Oyun geliştiricilerin daha alakalı reklamlar ve oyunları, oyuncuları ve geliştiricileri daha iyi eşleştirme dahil olmak üzere para kazanmayı daha iyi anlamalarına izin verin;
2. Geliştiricilerin oyunları daha iyi oluşturmalarına yardımcı olmak için oyunculara derin öğrenme sanat araçları sağlayın;
3. Gerçek dünyayı daha iyi simüle eden fiziksel bir model ve otonom sürüş simülasyon ortamı gibi oldukça ölçeklenebilir bir oyun simülasyon ortamı;
4. Oyun geliştiricilerin AI araçlarını kullanarak yeteneklerini geliştirmelerine izin verin.
Sonra Danny bize bu dört yöndeki uygulamalara ayrıntılı bir giriş yaptı.
Unity, dünyanın en büyük 3D oyun motoru haline geldi ve bu da Unity'nin oyuncuları oyunlarla nasıl daha iyi eşleştireceğini sürekli olarak düşünmesini gerektiriyor. Bununla birlikte, oyun oyuncuları genellikle sadece eğlence amaçlı oyunlar indirdikleri ve yaş ve cinsiyet gibi bilgileri doldurmadıkları için, bu aynı zamanda Unity'nin oyuncuları oyun ekranları, ses efektleri, metin ve diğer bilgiler gibi diğer karakteristik yöntemlerden tanımlamasını ve sınıflandırmasını gerektirmektedir.
Reklam eşleştirme açısından Danny güldü ve reklamla gerçekten ilgilenen kişileri bulmak için makine öğrenimini kullanmanın, Amazon'daki sahte yorumları ortadan kaldırmak için makine öğrenimini kullanmasıyla aynı şey olduğunu söyledi ve o sırada biri sahte yorumlar oluşturmak için iki farklı ağ kullandılar. Biri yanlış yorumları yargılar ve böyle bir yüzleşmede hem nesil hem de yargı geliştirilir;
Danny, geliştiricilerin oyunları daha iyi oluşturmalarına yardımcı olurken bize birkaç örnek gösterdi:
-
Oyunlar için daha iyi aydınlatma ve gölge oluşturma efektleri;
-
Farklı resim ve dokuların sentezi ve mutasyonu, farklı tarzdaki resimleri daha doğal bir resim haline getirme;
-
Basit sahne oluşturma aracı, mevcut malzemelerden öğrenebilir ve ardından basit lekeleme ile yeni malzemeler üretebilirsiniz;
-
Resmin çözünürlüğünü artırın, 256x256 çözünürlüklü sıradan resmi 4K çözünürlüğe yükseltebilirsiniz;
-
Resimlerin, videoların vb. Stilini değiştirmek için GAN'ı kullanın.
Materyal oluşturmada makine öğreniminin uygulanması: sol üst köşedeki desen haritasını (Kılavuz) almak için sol üst köşeye ağaç materyalini (Stil) girin ve ardından doodle yöntemiyle ağaç materyalini (Sunucu Çıktısı) grafitiyle tutarlı hale getirebilirsiniz. .
Çevresel simülasyon açısından Danny, mevcut robotların genellikle yalnızca mekanik işi tamamlayabildiğini ve aktarım öğrenmenin robotların daha iyi ölçeklenebilirlik kazanmasına izin verebileceğini söyledi (farklı şekil ve konumlardaki şeyleri kavramayı öğrenmek gibi). Unitynin yeni başlatılan Makine Öğrenimi Aracıları, çeşitli 3B modeller, dokular, ışık ve gölge efektleri, nesnelerin çarpışması ve geri tepmesi ve hatta lastik lastikler ile beton zeminler arasındaki sürtünme gibi gerçek fizik kurallarına uyan güçlü bir eğitim ortamı oluşturabilir. Bu tür oyunlar Senaryolar, yapay zeka araştırmacılarının gerçek dünyadaki robotları ve otonom sürüş gibi yapay zeka uygulamalarını daha iyi simüle etmesine ve eğitmesine yardımcı olabilir.
(Unity tarafından oluşturulan bir tenis oyunu RL / ML simülasyon eğitim ortamı örneği)
Danny bize basit bir "yoldan geçen tavuğu" eğitmek için makine öğrenimini kullanma senaryosunu gösterdi. Başlangıçta civciv kolayca bir araba çarptı, ancak ödüller ve cezalar (yemesi için hazine sandığı, arabanın çarpması) ayarlandıktan sonra ve bir süre öğrenmenin ardından civciv hızla profesyonel seviyeye ulaştı. Ayrıca oyunda, bir NPC'yi eğitmek istiyorsanız, oyun geliştiricisinin yalnızca bir oyun sahnesi oluşturması, oyun kurallarını belirlemesi (örneğin, oyuncu tarafından öldürülmekten kaçınmak) ve NPC'yi eğitmek için Python API ile bağlantılı "bulut gelişmiş öğrenmeyi" kullanması gerekir. . Bu NPC'nin performansı gereksinimlere ulaştığında, oyun geliştiricileri, ek kodlama ve bulut platformuna bağlanmadan TensorFlow modelini oyunlarına doğrudan yerleştirmek için başka bir Unity API seti kullanabilir.
Danny'nin görüşüne göre, AI'nın oyun alanındaki ilerlemesi böyle bir döngüdür: İlk olarak, AI, oyundaki sorunları bulmamıza, ilgili eylemleri yapmamıza ve ardından ödüller almamıza yardımcı olabilir ve bu ödül, yenilerini daha iyi araştırmamıza yardımcı olabilir. sorun. Ve burada, oyunun uzunluğu, yükseltmeler, oyun içi satın alımlar, oyun kontrol davranışı (dokunma, tıklama, sürükleme) ve hatta ses, duygu, duruş, güç vb. Dahil olmak üzere farklı ödül değerleri belirleyerek farklı iyileştirmeler elde edilecektir. .
Konuşmanın ardından sorgulama oturumunda Leifeng.com ve Danny Longe da kısa bir görüş alışverişinde bulundu:
Lei Feng.com: Konuşmanızda Unity Machine Learning aracısının otonom sürüşe uygun bir eğitim senaryosu oluşturabileceğinden bahsetmiştiniz Bunun avantajları ve dezavantajları nelerdir?
Danny: Elbette avantajı, otonom bir sürüş ortamı yaratmanın daha kolay olması. Dezavantajı ise hiç kimsenin San Francisco'yu otonom bir sürüş sahnesine koymak gibi gerçek bir şehri nasıl simüle edeceğini bilmemesidir ki bu çok zor. Yola başka arabaları ve yayaları da koymanız gerekiyor ve belirlenen düzene göre hareket ediyorlarsa bu ortamda sürücüsüz araba hiçbir şey öğrenemez. Waymo gibi şirketlerin hala gerçek yolda test etme konusunda ısrar etmelerinin nedeni budur, ancak biz de iyileştirmek için çok çalışıyoruz.
Lei Feng.com: Microsoft, Amazon, Uber ve Unity gibi birçok tanınmış şirkette makine öğreniminden sorumlu oldunuz. Bu şirketler tarafından makine öğrenimi kullanımındaki benzerlikler veya farklılıklar hakkında bize bilgi verebilir misiniz?
Danny: Microsoft, Amazon, Uber'de ne olursa olsun çözülmesi gereken görevler farklı olsa da hepsi aynı algoritmayı kullanıyor Unity'de aynı şey oyun alanında da geçerli.Geliştiricilerin daha iyi para kazanabileceğini umuyoruz. Amazon size aslında aynı olan daha fazla kitap satmak istiyor. Ama öte yandan Amazon veya Uber, aslında ister daha fazla şey satsın ister arabanın sizi almasını hızlandırsın, bu aslında verileri kullanmaktır.Oyun dünyasında yapmamız gereken şey oyunu yapmaktır. Önceki ortamdan öğrenin ve oyuncular ile oyun arasındaki etkileşimi daha doğal hale getirin. Bu nedenle makine öğrenimini tanıttık.
