ఎమోషన్స్‌ ఆధారంగా గేమింగ్ ఇబ్బందులను మార్చేసే AI మోడల్
దిశ, ఫీచర్స్: గేమింగ్ విషయానికొస్తే.. చాలెంజ్, ఫన్ మధ్య సరైన బ్యాలెన్స్ ఉండాలి. అలాకాకుండా ప్లేయర్ ఎంత ప్రయత్నించినా నెక్ట్స్ లెవెల్‌కు వెళ్లడం కష్టమైతే ఆసక్తిని కోల్పోవచ్చు. అలాగే సింపుల్‌గా హర్డిల్స్‌ దాటేసినా కిక్ ఉండకపోవచ్చు. సో.. మళ్లీ గేమ్‌పై ఇంట్రెస్ట్ పోతుంది. ఈ సమస్య పరిష్కారానికి చాలామంది గేమ్ డెవలపర్స్ 'డైనమిక్ డిఫికల్టీ అడ్జస్ట్‌మెంట్(DDA)'ని ఉపయోగిస్తారు. ఇది రియల్ టైమ్‌లో ప్లేయర్ పర్ఫార్మెన్స్ ఆధారంగా గేమ్‌లో క్రిటికల్ స్టేజ్‌ను సర్దుబాటుచేసే విధానం. అయితే ఇది గేమర్ పనితీరును పరిగణిస్తుంది తప్ప భావోద్వేగాలను లేదా వారు నిజంగా గేమ్‌‌ను ఎంజాయ్ చేస్తున్నారా? వంటి విషయాలను పట్టించుకోదు. ఈ క్రమంలోనే కొరియన్ పరిశోధకులు గేమింగ్‌లో భిన్నమైన విధానాన్ని అభివృద్ధి చేశారు.
కొరియాలోని గ్వాంగ్‌జు ఇన్‌స్టిట్యూట్ ఆఫ్ సైన్స్ అండ్ టెక్నాలజీ పరిశోధకులు.. చాలెంజ్, కాంపిటెన్స్, ఫ్లో అండ్ వాలెన్స్ ఆధారంగా నాలుగు విభిన్న అంశాలలో ఒకదాన్ని గరిష్టీకరించడానికి విభిన్న విధానాన్ని డెవలప్ చేశారు. ఇది గేమింగ్ డిఫికల్టీస్‌ను సర్దుబాటు చేసింది. DDA ఏజెంట్లు.. AIలకు వ్యతిరేకంగా ఫైటింగ్ గేమ్స్ ఆడిన రియల్ హ్యూమన్ ప్లేయర్స్ నుంచి సేకరించిన డేటా సాయంతో మెషిన్ లెర్నింగ్‌ని ఉపయోగించి శిక్షణ పొందారు. వారి అనుభవం ఆధారంగా ప్రశ్నావళికి సమాధానం ఇచ్చారు.
మోంటే-కార్లో ట్రీ సెర్చ్ అల్గారిథమ్‌ను ఉపయోగించి, ప్రతి DDA ఏజెంట్.. ఒక నిర్దిష్ట భావోద్వేగం లేదా 'ప్రభావవంతమైన స్థితి'పై నొక్కిచెప్పే AI ఫైటింగ్ స్టైల్ వ్యతిరేకతను సర్దుబాటు చేయడానికి వాస్తవ గేమ్ డేటా, అనుకరణ డేటాను ఉపయోగించారు. ఇతర భావోద్వేగ-కేంద్రీకృత పద్ధతుల వలె ఎలక్ట్రోఎన్సెఫలోగ్రఫీ వంటి బాహ్య సెన్సార్‌లపై ఆధారపడడకపోవడమే ఈ విధానానికి గల ప్రయోజనమని లీడ్ ఆథర్ ప్రొఫెసర్ క్యుంగ్-జూంగ్ కిమ్ వివరించారు. శిక్షణ పొందిన తర్వాత తమ మోడల్ గేమ్ ఫీచర్స్‌ను ఉపయోగించి ప్లేయర్ లక్షణాలను అంచనా వేయగలదని తెలిపారు.
