Расширяем кругозор с GOAP (Goal-Oriented Action Planning) – методикой и фреймворком проектирования ИИ в играх, при котором цепочки поведений и действий агентов (NPC, абстрактных сущностей, "живых" препятствий) моделируют игровые миры и события в режиме live.

+ Часть 2: Непредсказуемый ИИ: интеллект толпы

Погружение в GOAP:

– Extending Behavior Trees with Classical Planning
– Three States and a Plan: The A.I. of F.E.A.R.
– AI in Games: Automated Planning (lecture 5)

Есть два(?) момента:

1) Каждое состояние должно реализовывать метод «Evalute», который оценивает себя относительно мира и/или агента;

2) Каждое действие должно реализовывать метод Execute, который занимается своим выполнением в игровом мире.

Обо всём остальном должен заботиться фреймворк.

Как определить фичи с наибольшей ценностью для пользователей?

Простой шаблон аудита функций поможет расставить приоритеты в соответствии с частотой использования функций среди ваших пользователей.

Шаблон аудита имеет два измерения:

– На шкале X сколько людей используют фичу (несколько человек, некоторые люди, большинство людей и все люди).

– На шкале Y частота использования фичи (никогда, некоторое время, большую часть времени и всё время).

В идеале, все функции продукта должны быть расположены в правом верхнем углу шаблона (все пользователи постоянно ими пользуются).

1) Определите функции, которые, по вашему мнению, представляют ценность для ваших пользователей.

2) Отслеживайте использование функций с течением времени, чтобы понять частоту и скорость их принятия.

3) Используйте качественные и количественные данные, чтобы понять, как пользователи на самом деле используют ваш продукт и какие функции они считают ценными.

4) Размещайте функции в нужные квадраты в шаблоне.

5) Систематически анализируйте и актуализируйте этот шаблон.

🩻 Шаблон в Miro

LLM-модели пока не всесильны.

Согласно недавнему исследованию, проведенному учеными из Суперкомпьютерного центра Юлиха, Бристольского университета и лаборатории LAION, даже самые продвинутые модели искусственного интеллекта для обработки естественного языка (LLM) демонстрируют серьезные проблемы с простейшими логическими задачами.

В своей работе "Алиса в Стране чудес: простые задачи, выявляющие полный крах рассуждений в современных крупных языковых моделях" исследователи обнаружили "резкое нарушение функций и способностей к рассуждению" у тестируемых LLM. Они предполагают, что хотя у моделей есть потенциал для базовых рассуждений, они не могут стабильно его реализовать.

Авторы призывают научное сообщество срочно пересмотреть заявленные возможности современных LLM и разработать новые стандартизированные тесты для выявления недостатков в их базовых навыках рассуждения.
Исследование сосредоточилось на простой задаче, названной "проблемой AIW": "У Алисы N братьев и M сестер. Сколько сестер у брата Алисы?". Несмотря на простоту задачи, которую легко решит ребенок младшего школьного возраста, языковые модели справлялись с ней лишь эпизодически.

Модели часто давали неверные ответы, сопровождая их псевдологичными объяснениями. Даже попытки исследователей побудить ИИ пересмотреть свои ответы не приводили к улучшению результатов.

В среднем частота правильных ответов у LLM была значительно ниже 50%. Более крупные модели, такие как GPT-4, показывали лучшие результаты (около 60% правильных ответов), но все равно недостаточные для модели с надежными базовыми навыками рассуждения.

Исследователи отмечают, что многие протестированные модели, несмотря на высокие результаты в стандартных тестах на рассуждение, не справились с простой задачей AIW. Это ставит под сомнение адекватность существующих методов оценки возможностей языковых моделей. Оригинальная статья

«Большие идеи» и банк «Точка» рассказывают о масштабировании бизнеса в исследовательском спецпроекте для управленцев и предпринимателей «Точка роста».

Проект состоит из пяти материалов, где каждый посвящен одной из проблем, с которыми компании сталкиваются в процессе роста.

«Не по размеру» — о том, что делать предпринимателю, если размер компании перерастает масштабы его личности.

«Культура роста» — как сохранить в растущей компании культуру и ценности проекта.

«Трансформация всего» — как контролировать операционные процессы во время перехода в сегмент крупного бизнеса.

«Вовремя остановиться» — как решить проблемы, связанные с неустойчивым ростом.

«Остаться на вершине» — как удержать успех и всегда ли остановка масштабирования — это плохо.

🪜 Cерия материалов «Точка роста»

Каждый материал — мультиформатная история с разборами кейсов в формате текста, видео и аудио.

Среди спикеров — CEO и основатели Flowwow, SkyEng, Sokolov, Whoosh, «ВкусВилла», «Алгоритмики», «Азбуки Вкуса» и других известных компаний.

С каждым материалом читатели также получают чек-лист для проверки собственного бизнеса, а в конце проекта фреймворк — «рабочую тетрадь», которая поможет организовать и провести со своей командой полноценную стратсессию на тему масштабирования. Реклама. АО «Точка»

Статистика и тренды игрового рынка 2024 по версии Newzoo

– Кол-во игроков в 2024: 3,42 миллиарда (+4,5% YoY).

– 53% игроков в Азиатско-Тихоокеанском регионе (1,809 миллиарда; +4% YoY), MENA-регион (559 миллионов; +8,2% YoY); Европа (454 миллиона; +2,4% YoY); Латинская Америка (355 миллионов; +5,6% YoY); Северная Америка (244 миллиона; +2,9% YoY).

– Прогноз роста по игрокам к 2027 году: 3,759 миллиарда человек.

– Объём игровой индустрии по итогам 2024: $187,7 миллиардов (+2,1% YoY).

– К 2027 году игровой рынок достигнет выручки в $213,3 миллиардов.

Тренды

1. Комфортнее всего себя чувствуют инди-разработчики и проекты AA-уровня, т.к. на их разработку тратится меньше ресурсов, комады могут экспериментировать и нет давления больших бюджетов.

2. Поэтому разработчики осознанно уменьшают масштаб своих проектов.

3. Мобильная игровая экосистема обретает второе дыхание благодаря европейскому DMA, допускающему новые разные платёжные методы на iOS и Android.

4. Лояльность и коммуникации с пользователями по-прежнему играют ключевую роль в развитии игрового комьюнити.

7. Gen-AI продолжает всё глубже проникать в разработку, но массовых и известных кейсов применения нет.

8. Для игроков поколений Alpha и Z предпочтения меняются в сторону UGC.

STORM — свежая ИИ-система от Стэнфордского университета, демонстрирующая работу Агентских Систем.

Фреймворк STORM может использовать большие LLM и моделировать многосторонние разговоры и решения между ИИ-агентами, объединённых в Агентскую Систему.

Агентские Системы — это глобальные ИИ-фреймворки, построенные с помощью сетей ИИ-агентов для выполнения множественных подзадач и имеющие определённую степень автономности.

В системе STORM работает несколько типов ИИ-агентов:

– Исследовательские агенты, которые отвечают за сбор информации по теме из различных источников в Интернете.

– Агенты, задающие вопросы, которые моделируют различные точки зрения, чтобы задавать содержательные вопросы по теме исследования.

– Агенты-эксперты, которые дают ответы на вопросы, заданные агентами, задающими вопросы.

– Агенты синтеза, которые объединяют и организуют собранную информацию в целостную структуру.

Работа STORM состоит из 3 этапов:

1) Извлечение. Получив тему, STORM отправляет свою команду агентов на поиски в Интернете соответствующей информации из различных источников.

2) Далее STORM имитирует беседы, в которых другие агенты представляют разные точки зрения и задают вопросы эксперту по теме, помогая агентам развить всестороннее понимание темы исследования.

3) Синтез. Наконец, STORM синтезирует все собранные данные в связанный, хорошо организованный и структурированный ответ в духе профессиональной статьи с Википедии.

🌊 https://storm.genie.stanford.edu (manual).

Наглядная визуализация работы LLM или что скрывается за чатом с ИИ: данные, абстракции, вычисления, сложность, тензоры, веса + масштабы расчётов для разных моделей (на видео самая маленькая).

https://bbycroft.net/llm (пояснения)

Юзер: «приветкакдела»
ИИ: ...

В AppMetrica появились инсайты, которые анализируют динамику ключевых метрик приложения.

Новая фича позволяет оперативно отслеживать значимые колебания по времени и частоте использования приложения, а также упрощает отслеживание динамики ключевых метрик (DAU/WAU/MAU, Sticky Factor, ARPPU, ARPWAU), экономя время на изучении отдельных отчётов и сопоставлении данных.

Функция уже доступна владельцам и пользователям с правами чтения и редактирования в AppMetrica.