Comment l’apprentissage automatique peut-il être appliqué au développement de jeux ?
⌨️
Google parle assez régulièrement du “prochain milliard d’utilisateurs”, en particulier de la manière dont les produits et les fonctionnalités qu’il conçoit les aideront à les intégrer à l’écosystème de l’entreprise. Parler avec GamesIndustry.biz récemment, Erin Hoffman-John, responsable créative de la recherche et du développement chez Stadia, a déclaré que son groupe se concentrait davantage sur le “prochain milliard de joueurs”.
Si Google veut atteindre ce public, Hoffman-John dit que cela va commencer avec les outils qu’il fournit aux créateurs.
“Nous avons pensé qu’en termes d’obtention de jeux qui peuvent atteindre un très large public et de permettre à toutes sortes de nouveaux développeurs d’entrer dans le processus, nous devons rendre le développement de jeux plus facile et les petites équipes plus efficaces”, déclare Hoffman-John.
À cette fin, l’équipe de Hoffman-John a travaillé sur l’apprentissage automatique pour aider à résoudre certains problèmes courants et les goulots d’étranglement des développeurs. L’équipe est composée principalement de développeurs de jeux avec un certain nombre d’ingénieurs dans le mélange pour aider à appliquer une partie de la technologie existante de Google aux prototypes de jeux.
Hoffman-John dit qu’ils regardent le travail avec “un horizon relativement long”. Cela peut prendre de deux à cinq ans pour prouver que la technologie qu’ils explorent fonctionne, et encore moins pour la commercialiser dans un jeu livré.
Elle nous montre un projet appelé Chimera comme exemple de ce sur quoi travaille l’équipe de recherche et développement de Stadia. L’idée pie-in-the-sky est qu’un jour, les outils d’apprentissage automatique permettraient à une équipe de développement de 20 personnes de créer un jeu aussi vaste et complexe que World of Warcraft. Mais Hoffman reconnaît volontiers que c’est un peu loin, donc l’idée était de commencer par utiliser l’apprentissage automatique pour rationaliser le développement sur quelque chose de plus petit, comme un jeu de cartes à collectionner (CCG) sur le modèle de Magic : The Gathering.
Hoffman-John note que pour de nombreux CCG réels, l’essentiel du travail et du budget repose sur des artistes sous contrat qui peignent et conçoivent les différentes cartes. Hoffman-John a déclaré que sur de tels jeux de stratégie, environ 70% du temps de développement et des investissements sont consacrés à la génération de contenu de manière répétitive, comme la création de petites variations de monstres pour peupler le monde.
“Ce n’est pas le truc créatif que les développeurs de jeux veulent vraiment faire”, a déclaré Hoffman-John. “C’est ce que vous devez faire pour remplir un pipeline de contenu afin que le monde semble riche.”
Donc, avec Chimera, l’équipe Stadia voulait que l’apprentissage automatique crée ces monstres pour elle. L’équipe s’est inspirée des réseaux antagonistes génératifs du type utilisé par This Person Does Not Exist, qui produit de fausses photographies à l’aide d’un modèle d’apprentissage automatique formé sur des photos de personnes réelles.
Hoffman-John dit que Chimera fonctionne sur un principe similaire. Les artistes ont créé un certain nombre de modèles d’animaux et ont décomposé la façon dont une carte CCG est généralement composée pour établir certaines règles : la scène est éclairée d’en haut, la créature est dans le cadre et posée dynamiquement, et l’angle de la caméra vient d’en bas pour la rendre avoir l’air puissant. Ensuite, ils ont utilisé un modèle d’apprentissage automatique formé pour reconnaître des poses de qualité et un autre qui trouverait des paysages photographiques pour l’arrière-plan de chaque carte et appliquerait un filtre de style pour leur donner un aspect peint à la main.
Avec tout cela, Chimera générerait des dizaines de cartes possibles pour le développeur. À ce stade, l’artiste pouvait choisir les éléments qu’il aimait parmi les différentes options qui lui étaient présentées et dire au programme de produire une nouvelle carte fusionnant ces traits. L’outil leur a également donné la possibilité d’affiner les créatures, ce qui était absolument nécessaire.
“Il s’avère que si nous laissons les machines coller les animaux ensemble, vous obtenez ce que mon équipe appelle le carburant du cauchemar”, déclare Hoffman-John. “Ils sont horribles. Ils sont drôlement horribles, mais ce n’est pas ce que nous recherchons. Si vous laissez simplement la machine faire son travail, cela vous donnera quelque chose de sauvagement en dehors de l’intention de l’artiste. Donc, si ce que nous je veux faire c’est habiliter [developers]nous devons les laisser être très précis sur la façon dont ils dirigent l’IA.”
Les outils permettent aux développeurs de modifier les parties animales mélangées et appariées qui composent les chimères de Chimera. Ils peuvent dire au système d’ajouter des ailes à diverses parties ou de les supprimer, de faire en sorte qu’une partie ressemble davantage à un oiseau ou une autre à un poisson.
“Avec ce système, cela me permet d’essayer des trucs fous, puis la machine me dira ce qui ne va pas et quelles sont les probabilités de gagner en utilisant ces capacités”
Hoffman-John appelle le processus “avoir une conversation avec la machine”, et ce n’est pas la seule partie du projet qui fonctionne comme ça. Au-delà des applications de l’apprentissage automatique pour la création d’actifs, Chimera examine également son potentiel pour la conception de jeux. En plus d’utiliser l’apprentissage automatique pour aider à créer les visuels des cartes, Hoffman-John s’y est appuyé pour informer les mécanismes du jeu de cartes lui-même.
Il n’est pas rare que des jeux compétitifs découvrent des problèmes d’équilibre uniquement après la sortie d’un titre auprès d’un large public. C’est une chose qu’un jeu paraisse équilibré à un groupe expérimenté de développeurs et de testeurs de jeu ; c’en est une autre pour qu’il apparaisse équilibré pour des centaines de milliers de joueurs à la recherche d’un avantage le jour du lancement.
Hoffman-John dit que l’apprentissage automatique peut y aider, car il peut tester un jeu des millions de fois en utilisant une multitude de stratégies et mettre en lumière celles qui pourraient être plus puissantes que prévu par le concepteur. Pour Chimera, elle a délibérément créé un système de jeu problématique avec des capacités qui seraient probablement surpuissantes ou difficiles à tester et a utilisé le modèle d’apprentissage automatique pour l’affiner.
“Avec ce système, cela me permet d’essayer des choses folles, puis la machine me dira ce qui ne va pas et quelles sont les probabilités de gain d’utiliser ces capacités, puis nous les nerferons simplement”, déclare Hoffman-John. “Et nous pouvons faire tout cela sans le divulguer aux joueurs. Normalement, vous devriez le mettre dans la nature et vous énerveriez les gens parce que c’est comme, ‘Qu’est-ce qui ne va pas avec cette capacité.’ Et c’est parce que le système était si complexe que je ne pouvais pas prédire que cela allait arriver.”
Ce n’est pas une application tout à fait unique de l’apprentissage automatique au développement de jeux – Ubisoft parlait d’utiliser l’apprentissage automatique pour tester For Honor en 2018 – mais cela correspond à l’objectif de l’équipe de recherche et développement de créer une technologie qui peut rationaliser le développement. processus.
“Je ne sais pas si, dans le net, cela réduirait les coûts ; c’est juste que ces coûts seraient redirigés vers d’autres choses”
Le projet Chimera a les implications les plus évidentes pour les artistes et les concepteurs de jeux, mais Hoffman dit qu’une partie de l’objectif de l’équipe de recherche et développement de Stadia est de découvrir les disciplines pour lesquelles l’apprentissage automatique est le mieux adapté à tous les aspects du développement de jeux.
“Au fur et à mesure, nous essayons de distiller [discoveries] en principes sur l’utilisation de l’apprentissage automatique lui-même », dit-elle. « Je pense que nous n’en sommes pas encore complètement là parce que nous ressentons encore les choses. Mais généralement, lorsque vous avez des situations où vous voulez des centaines de milliers de possibilités, et que vous avez besoin d’aide pour organiser ces possibilités dans ce que vous voulez, c’est là que l’apprentissage automatique est utile. Vous pouvez en quelque sorte y penser comme la prochaine étape au-delà de la génération procédurale. Avec des jeux comme No Man’s Sky, vous voyez les limites de la génération procédurale.”
Donc, si des expériences comme celles de l’équipe de recherche et développement de Stadia se concrétisent et que l’apprentissage automatique permet même à de petits groupes de développeurs de créer le genre de jeux qui nécessitaient auparavant la production de petites armées de développeurs, quel impact cela a-t-il sur les budgets des jeux ?
“Cela soulève des questions macro intéressantes sur l’ensemble du développement de jeux”, déclare Hoffman-John. “Vous pourriez supposer que nous pourrions simplement tourner le cadran et faire cela. Je pense que c’est probablement vrai, mais ce qui aura tendance à se produire, c’est que lorsque vous donnez plus de pouvoir aux développeurs, ils font simplement plus de choses. Je ne sais pas si sur le net cela réduirait les coûts; c’est juste que ces coûts seraient redirigés vers d’autres choses. Et j’espère que le net est que les jeux s’améliorent.
Quoi qu’il en soit, elle souligne que l’impact total de l’apprentissage automatique sur l’industrie ne sera pas connu avant un certain temps et que le travail effectué par son équipe en est encore à ses débuts.
“Il y a beaucoup de choses que nous ne savons pas et je pense que ce qui nous passionne, c’est de mettre ces choses entre les mains des développeurs pour voir ce qu’ils en font de manière créative”, déclare Hoffman-John. “Ce qui signifie également que tout cela est assez loin. Même nous ne savons pas exactement ce qui en sera fait. Nous espérons simplement remettre ces outils aux développeurs et voir ce qu’ils veulent en faire.”
Découvrez encore plus d’articles dans nos catégories Astuce, Consoles et Jeux.
Merci pour votre visite on espère que notre article Comment l’apprentissage automatique peut-il être appliqué au développement de jeux ?
, n’oubliez pas de partager l’article sur Facebook, pinterest et whatsapp avec les hashtags ☑️ #Comment #lapprentissage #automatique #peutil #être #appliqué #développement #jeux ☑️!