edu.robogeek.ru

все об обучении робототехнике

prom.robogeek.ru

все о промышленной робототехнике

Основное меню
Категории новостей

Как в Trivia Crack используются ИИ и машинное обучение

Викторина Trivia Crack остаётся одной из самых популярных социальных игр в мире, но её создатели не считают это просто удачным стечением обстоятельств и уверены, что такой долговременный рост популярности их детища обеспечило применение новых технологий и машинного обучения.

Более того, они считают, что именно за технологиями на базе ИИ — будущее рынка мобильных игр. Этот сегмент рынка растёт огромными темпами вот уже несколько лет подряд и рост интереса к социальным играм стал логичным результатом настоящего бума популярности социальных сетей и развлекательных приложений.

Со временем и с развитием инструментов сам процесс разработки «казуальных» мобильных игр стал проще, но это привело к возникновению новых проблем. Ежедневно на рынок выходит более 6000 новых приложений и все они вступают в борьбу за привлечение и удержание пользовательской аудитории. В этих нелёгких условиях на помощь компаниям-разработчикам приходят новые технологии, которые помогают им выделиться из общей массы. В первую очередь, это — анализ данных и технологии на базе ИИ.

Анализ данных: ключевой фактор развития в эпоху больших данных

Учитывая сложившиеся условия, компаниям-разработчикам мобильных игр необходимо постоянно совершенствовать их продукты. Чтобы это сделать, им нужно анализировать получаемые от пользователей данные и, используя их, предсказать и смоделировать поведение и вкусы пользовательской базы. Помимо этого, очень важно вести исследования в новых направлениях и осваивать новые инструменты, например, машинное обучение, которое помогает более эффективно моделировать поведение пользователей в социальных играх.

Машинное обучение стало одной из технологий, которые помогают сделать современные приложения, включая и мобильные, более «умными». Это — технология, позволяющая компьютерам обучаться при помощи специальных алгоритмов. Таким образом у приложения или устройства появляется собственный ИИ. В Etermax машинное обучение используется чтобы понять и предсказать, как пользователи будут себя вести в играх компании. В некоторых их них, включая и Trivia Crack, оно оказалось очень эффективным. Для Trivia Crack машинное обучение стало тем самым инструментом, который превратил игру в по-настоящему увлекательное и интересное пользователям приложение. Главное, чего хочет компания, применяя эти технологии – чтобы Trivia Crack смогла «подстраиваться» под интересы и вкусы каждого игрока.

«Система предложения вопросов»

«То, что Trivia Crack стала одной из самых популярных социальных игр в мире — не случайность. За этим не стоит какая-то особая «магия», и к удаче успех игры тоже не имеет отношения, — отметил Симон Сельва (Simón Selva), глава отдела бизнес-аналитики Etermax. — Команда разработчиков Etermax, которая занимается ИИ и машинным обучением довела подбор вопросов до совершенства, используя созданную ими «Систему предложения вопросов». Эта система даёт возможность подбирать для каждого из пользователей контент, который гарантированно будет им интересен».

Также они разработали ряд алгоритмов для машинного обучения, чтобы понять поведение пользователей и предложить им максимально подходящие вопросы. В качестве базы использовались профили пользователей и учитывались различные переменные, включая личный рейтинг вопросов («лайки» и «дислайки», которые они ставят вопросу после того, как ответили на него) и общее отношение к игре (отзывы к вопросам, оставленные пользователями). В дополнение к этому разработчики использовали A/B тестирование (метод сравнения данных, который помогает определить, какая из версий чего-либо оказалась более эффективной или полезной) и выбирали варианты с максимально успешным сочетанием разных параметров.

Система постоянно адаптируется и уровень кастомизации зависит от активности самого пользователя. Чем чаще он играет, тем точнее предложенный контент будет соответствовать его вкусам. Например, система будет подбирать для него вопросы или категории, в которых вопросы получили больше «лайков».

Испытание временем: определение «ценности» пользователей

Когда на рынок выходит новая казуальная игра, компания-разработчик сосредотачивает усилия на привлечении и удержании новых пользователей. Показатель LTV (буквально — «пожизненная ценность клиента») характеризует потенциальную «ценность» клиента для компании в определённом временном промежутке. В Etermax стараются оценивать этот показатель с учётом просмотра внутриигровых рекламных роликов и внутриигровых покупок.

Для этого бизнес-аналитики компании используют сразу несколько моделей машинного обучения, которые помогают вычислить показатель LTV более точно. Такая система позволила лучше понять ценность определённых сегментов пользователей в разных странах и запустить для каждого их них соответствующую рекламную кампанию. Итоги превзошли все ожидания Etermax и позволили оптимизировать подход к разработке новых рекламных кампаний.

Машинное обучение — это будущее новых технологий. Оно может принести колоссальную пользу (и прибыль) мобильным приложениям и помочь им лучше соответствовать потребностям пользователей. Использование таких систем для сбора и обработки данных позволяет автоматически распознавать различные сценарии поведения пользователей и принимать решения в реальном времени. Несомненно, анализ информации в эпоху больших данных и внедрение новых технологий ИИ очень важны для будущего индустрии мобильных игр. И разработчики из Etermax счастливы, что уже активно применяют эти методы в своих приложениях.

Комментарии

(0) Добавить комментарий


Ищите команду разработчиков? Не можете найти робота для своих нужд? Пишите нам!

Для обратной связи укажите ваш E-mail, он будет доступен только администратору. Так вы сможете оперативно узнать, когда ответ на ваш вопрос будет опубликован

Новые комментарии

Автономные ноги робота передвигаются самостоятельно (+видео)
Александр
13.11.2018
09:49:14
Секрет устойчивого хождения антропоморфного робота на двух ногах в автономном режиме на сайте: http://streltsovaleks.narod.ru/WalkingRobots.htm