Danskudviklet algoritme forudsiger vinderne i online computerspil under kampene

Algoritmer ved, hvem der er vindere og tabere i multiplayer computerspil - måske før spillerne selv er klar over det.
Forskere har udviklet en algoritme, der i realtime kan forudsige udfaldet af en kamp i multiplayer-spillet Dota 2 med 80 pct. nøjagtighed efter blot 9 minutter.

Hvis du tror, at en kamp i et multiplayer computerspil som Dota 2 først afgøres hen mod slutningen, så tro om igen.

Allerede efter ni minutters spil, kan udfaldet forudsiges med 80 pct. nøjagtighed, viser resultaterne fra et internationalt forskerhold bestående af blandt andet den danske lektor ved Aalborg Universitet Anders Drachen.

Det er lykkedes forskerne at udvikle en algoritme, der kan modellere udfaldet af kampe i det populære computerspil Dota 2 i realtime - dvs. mens de bliver spillet. Algoritmen er udviklet specifikt til Dota 2, men modellen kan bruges til at forudsige vindere og tabere i stort set alle kompetitive online computerspil ifølge Anders Drachen.

»I modsætning til eksempelvis fodbold, kan kan vi måle hvad som helst og har adgang til enormt store datasæt, fordi det er computerspil,« siger lektoren, som - ganske vist uden hjælp fra en algoritme - spår en stor fremtid for forskerholdets opdagelser:

»Fordi vi kan lave forudsigelser i realtime, så bliver det et virkelig spændende værktøj for eksempelvis spil-kommentatorer, der løbende kan bruge det til at vurdere kampene.«

Forskerne arbejder i øjeblikket på at få investeringer til at lave en web-udgave af værktøjet, som spillere, kommentatorer og analytikere kan bruge. Dota 2 har omkring en million spillere på enhver given dag på verdensplan.

Machine learning-model slår statistikerne af banen

Det er normalt, at kampene under store turneringer i computerspil som Dota 2 bliver analyseret i hoved og bagdel. Spillerne har brug for at vide, hvad de gjorde rigtigt og forkert og vælge de rigtige strategier fremover, mens kommentatorer og andre fans bruger det til at følge ivrigt med i spillernes ræs mod toppen af rangstigen.

Typisk foregår dette analysearbejde ifølge Anders Drachen statisk ved at kigge på resultaterne efter kampene.

Dette gør forskerne nu op med ved hjælp af en model skabt ved hjælp af machine learning, som løbende analyserer på udfaldet af kampene.

»Vi går ind internt i en kamp og får omsat hyperkomplekse interaktioner mellem spillerne til en model, som identificerer de vigtigste punkter under kampen,« siger Anders Drachen

Modellen blev skabt ved at lave såkaldte clusteranalyser på store datasæt fra 412 Dota 2-kampe, og på den måde lykkedes det forskerne at identificere forskellige typer af ‘encounters’, dvs. situationer hvor spillerne mødes (oftest for at slås mod hinanden).

Herefter kunne forskerne blot føde forskellige parametre ind i ‘forudsigelses-modellen’, som vurderede chancerne for de forskellige udfald.

Eksempelvis er to af de mest afgørende variabler i Dota 2 henholdsvis, hvor meget ‘guld’ man som spiller tjener, samt hvor meget XP (experience eller erfaringspoint) man indsamler.

Ved blot at kigge på disse to parametre kunne forskerne som sagt afgøre udfaldet af en kamp med 80 pct. sandsynlighed efter 9 minutter.

Er en spiller særligt hurtig til at optjene erfaringspoint i starten af spillet, vil det også få afgørende betydning for hele kampens udfald.

»Vi kan sagtens gøre det meget bedre med flere parametre,« siger Anders Drachen.

Neurale netværk kan starte ny realtime analyse-trend

Det er særligt for spillet Dota 2, at vindere og tabere oftest bliver afgjort ret hurtigt i spillet, selvom en kamp i gennemsnit tager omkring 40 minutter.

Det skyldes, at de fordele som tidlige sejre giver, hurtigt tipper magtbalancen i spillet.

Dermed vil modellen måske ikke kunne forudsige vindere og tabere med lige så høj sandsynlighed i andre computerspil. Alligevel er det dog blot et spørgsmål om at forstå præmisserne for det enkelte spil ifølge Anders Drachen.

Således vil et skydespil som Counter-Strike i højere grad handle om parametre som hver enkelt spillers hurtighed og præcision.

Og netop dette rejser en problemstilling: Hvordan ved man, hvilke parametre der betyder mest for udfaldet af kampene i et givent computerspil?

Hidtil har forskerholdet selv fundet frem til parametrene, men næste skridt bliver at overlade hele arbejdet til computeren ved hjælp af deep learning-teknikker.

Forskellen kan lyde lille, men den kan få afgørende betydning. Forskerne vil opbygge et neuralt netværk bestående af datasæt fra flere tusind Dota 2-kampe, og selv lade computeren identificere, hvilke parametre der har mest indflydelse på sejren.

»Der vil vi være i stand til at bygge endnu mere sofistikerede regler og modeller på,« siger Anders Drachen.

På den måde vil modellen endnu tidligere i kampene kunne identificere spillernees fejltrin, der tipper magtbalancen, måske før spillerne selv er klar over det.

Følg forløbet

Kommentarer (5)

Kim Henriksen

Jeg forudsiger mange penge at tjene i en kort periode, i forbindelse med live betting på e-sport, indtil betting firmaerne får rettet deres odds/spil :-)

René Nielsen

Hvis værktøjet virker, så behøver man vel ikke mere som bettingfirma end blot at "lukke for væddemål" ved spilstart?

Dermed er vil tilbage til at værktøjet er et kommentarværktøj.

Rasmus Aa

Jeg antager at de gør det fra data i logfiler og ikke på baggrund af billede analyse.
Derfor kunne det være spilfirmaerne havde en interesse i at have bettingfirmaerne med på eSport vognen og derfor ikke giver mulighed for at benytte logfiler i analyseværktøjer før efter kampene.

Log ind eller opret en konto for at skrive kommentarer

JobfinderJob i it-branchen