Supercell personliggør spilindhold med machine learning

Illustration: Supercell
Et neuralt netværk matcher spillere med det rigtige spilindhold i kæmpesuccesen Clash Royale.

I det finske spilselskab Supercell driver grupper af omkring 20 personer alle aspekter af adskillige verdensomspændende spilsucceser.

Op imod 100.000.000 mennesker spiller dagligt en af Supercells globale spil som Boom Beach, Clash Royale og Clash of Clans.

Hvert spilhold er designet til at rumme alle de nødvendige kompetencer for at drive et spil på DevOps-maner. Og blandt de faste roller som udviklere og serverarkitekter er også data scientists, fortæller Machine Learning Lead i Supercell Jarno Seppänen, til DataTech, Ingeniørens nye nichemedie om data og analytics.

»Det virker godt for os at have dedikerede folk på hvert hold. Det giver først og fremmest bedre understøttelse til spilholdene, for der er altid nogen, du kan spørge, som har ejerskab over data,« fortalte han, da DataTech mødte ham ved Amazon Web Service Summit i Stockholm, der fandt sted tidligere på måneden.

»Derudover sidder vi altid sammen, og vores kommunikation foregår meget ansigt til ansigt. Hvis du ikke er på holdet, vil du gå glip af mange af de vigtigste beslutninger.«

Automatiserer så meget som muligt

I Supercells Clash Royale møder to spillere hinanden på en slagmark og bruger spillekort til at påvirke udfaldet af kampen, der foregår i realtid. Spillekortene kan købes i spillet for en spilvaluta kaldet ‘gems’, der igen kan købes for rigtige penge.

Spillet er over to år gammelt, hvilket betyder, at det skal henvende sig til både veteraner med års erfaring og helt nyankomne spillere. Det skal ske ved at personliggøre indholdet, så det så vidt muligt er relevant for den enkelte spiller, fortæller Jarno Seppänen på AWS-konferencen.

»Vi vil automatisere så meget som muligt af dag til dag-aktiviteterne uden at kuratere dem manuelt. Så vi kan bruge ressourcerne på større begivenheder,« forklarer han.

»Der kan machine learning hjælpe.«

De daglige begivenheder er f.eks. forskellige tilbud til spillerne om at købe digitale spillekort for gems. Men det er ikke de samme kort, som er relevante for alle spillere, forklarer Jarno Seppänen.

Derfor gik Supercell i gang med at udvikle et machine learning-system, der skal forudsige, præcis hvilke kort der er mest relevante for hver enkelt spiller. Og dermed hvad der er størst chance for at få dem til at købe.

Bread and butter

Supercell endte med at bygge et neuralt netværk til at forudsige, hvilket tilbud den enkelte spiller skulle mødes med. Modellen har 3.800 inputsignaler – herunder data om brugerens erfaring, og de kort brugeren allerede spiller med.

Inputtet behandles af 100 skjulte noder og giver 21 mulige outputs, der repræsenterer de forskellige mulige tilbud, som spilleren kan få.

Modellen blev trænet offline, mens selve inferensen foregår i Amazons sky.

»Vi kører inferens i batch en gang om dagen. Det er simpelt, og det virker for os. Det, vi skal analysere, skifter ikke fra time til time,« fortæller Jarno Seppänen.

»Batch-kørsel betyder også, at vi har en meget løs kobling mellem spilserveren og machine learning-modellerne. Jeg kan skifte modellerne frit, og spilholdet behøver ikke vide noget om det, for der er ingen realtidsforbindelse og intet API.«

Personlige tilbud sælger

Løsningen gik online i efteråret, og effekten har været mærkbar, beretter Jarno Seppänen.

Supercell har udregnet, at de personlige tilbud – som den færdige model leverer – sælger over fire gange så godt som almindelige tilbudskampagner og langt bedre end tilfældigt udvalgte kort.

Selv med modellen trænet på bootstrap-data så Supercell et betydeligt løft.

»Du har måske ikke altid den data, du har brug for, for at lave den rene machine learning-udregning. Men du har typisk en anden type data, du kan bruge og måske modificere, så den data, du har, bedre matcher opgaven, du vil løse,« siger Jarno Seppänen.

DataTech er inviteret til AWS Summit af AWS.

Tips og korrekturforslag til denne historie sendes til tip@version2.dk
Følg forløbet
Kommentarer (0)
sortSortér kommentarer
  • Ældste først
  • Nyeste først
  • Bedste først
Log ind eller Opret konto for at kommentere