Вестник науки и образования

Обучение играть в определенную игру (learning to play the game): Игровые миры предоставляют отличные испытательные стенды для исследования потенциала улучшения возможностей агентов с помощью обучения. Среда может быть построена с различными характеристиками, от детерминированных и дискретных, как в классических настольных и карточных играх, до недетерминированных и непрерывных, как в компьютерных играх действия. Алгоритмы обучения для таких задач изучены достаточно основательно. Вероятно, наиболее известным примером обучающего игрового агента является Backgammon-playing program TD-Gammon.
Обучение об игроках (learning about players): Моделирование противника, моделирование партнера, моделирование команды и моделирование нескольких команд – это занимательные, взаимокоррелирующие и в значительной степени нерешенные задачи, которые направлены на улучшение игры, ориентированные на попытку обнаружить и использовать планы, сильные и слабые стороны противников и/или партнеров игрока. Одной из главных проблем в этой области работы являются такие игры, как покер (Poker), где моделирование противника имеет решающее значение для улучшения теоретически оптимальной игры.
Понимание поведения игроков (behavior capture of players): Создание убедительного аватара на основе поведения игрока в игре является интересной и сложной задачей контролируемого обучения. Например, в массовых многопользовательских онлайн-ролевых играх (Massive Multiplayer Online Role- playing Games – MMORGs) аватар, обученный имитировать игровое поведение пользователя, может занять место своего создателя в те моменты, когда человек-
игрок не может позаботиться о своем игровом персонаже. Первые шаги в этой области были сделаны в коммерческих видеоиграх, таких как Forza Motorsport (Xbox), где игрока может тренировать «Drivatar», обучающий объезжать трассу в стиле игрока, наблюдая и изучая стиль вождения этого игрока и отправляя его на новые трассы и автомобили.