T EKOÄLYN ONNISTUMISEN MITTARI

Neuroverkkojen koulutus perustuu iteraatioiden tuloksien vertaamista haluttuun lopputulokseen. Dota-pelien yksittäisen päätöksen vaikutus saattaa olla moneen edellisessä kappaleessa esiteltyyn parametriin positiivinen yksittäin tarkasteluna, mutta ainoastaan pelin voittamisella on kilpailullisessa pelissä väliä; yksittäinen korkeatasoinen suoritus ei tuo lisäpisteitä. Tekoälyn päämääräinen koulutustavoite on arvioida pelitilanteen pohjalta voittaako vai häviääkö arvioitava pelaaja ottelun. Kun otteludataa on riittävästi, on odotettavissa että yksittäisten hyvien päätösten korrelaatio voittamiseen on tilastollisesti selkeä. Tätä tukee yleisesti saatavilla oleva otteludata, jossa esimerkiksi tiettyjen kykyjen valinnan priorisoimisella on korkeampi voittotodennäköisyys vaihtoehtoihin nähden. [17]

Alaluvun 3.3.7. vaihtoehtoja on näin koulutetun tekoälysovelluksen avulla mahdollista vertailla ja sovellus voi antaa arvionsa voittotodennäköisyyksistä toteutuneen valinnan ja vaihtoehtojen välillä. Kun parametrit ovat päätetty oikein, voidaan ottaa pelillinen tilanne

20

mahdollisimman hyvin huomioon, kun tekoälyllä on mahdollisimman paljon tosielämän dataa käytettävissä koulutukseen.

Kuva 3. Monkey Kingin kykyvalintojen tilastoja 31.7.2019 Dotabuff.com-palvelussa

21 4.5 Datan generointi

Tekoälyn koulutukseen käytettäviä data-alkioita generoitiin 10 000 kappaletta, jotka esittivät yksittäisen pelitilanteen poikkileikkausta esitetyillä parametreillä. Näiden lisäksi vastaavaa dataa generoitiin vielä 1000 alkiota, joilla verifioidaan koulutuksen onnistuminen.

Generointi toteutettiin yksinkertaisella python-skriptillä. Lukuihin päädyttiin prosessointitehon kohtuullistamiseksi, lisäksi vastaavan magnituudin datamäärää käytettiin myös lasagnan tutoriaalissa, joka saavutti uskottavan tarkkuuden (>90%) tuloksia. Generoitu data noudattaa tietyllä varianssilla ja satunnaisuudella ennaltamäärättyjä sääntöjä jotka mallintavat teennäisiä pelitilanteita, tuottaen sinänsä pelin kontekstissa realistisia lukuja jotka korreloivat voittamisen kanssa dataa varten tehtyjen funktioiden mukaisesti.

22

5 TULOKSET

Tekoäly saatiin koulutettua antamaan oikeat suositukset pelaajan suorituksen parantamiseksi generoidun datamallin mukaisten syötteiden pohjalta Gamementor-yrityksen kanssa sovitun onnistumisprosentin ylittävällä tarkkuudella (>90%), eli tekoäly antoi oikeita arvoja annetun datan pohjalta rajan ylittävällä tarkkuudella rajallisen prosessoinnin ollessa saatavilla.

Vastaus antaa pelaajan näkökulmasta oman pelitilanteessa tehdyn valinnan tilastollisen voittotodennäköisyyden muihin vaihtoehtoihin verrattuna ja sen ympärille on mahdollista rakentaa pitkälle hiottu kuluttajakäyttöön tarkoitettu sovellus. Tekoälyn tarkkuutta voidaan parantaa lisäämällä prosessointiresursseja tekoälyn koulutuksessa ja mahdollisesti todellisen datan analysoinnin pohjalta tehdyllä parametrien optimoinnilla. Yleisesti ottaen tämä työ on ollut todisteena konseptin toimivuudesta ja mahdollistaa muiden pelien avoimen datan hyödyntämisen valmennussovelluksissa. Kehitystyön haastavin osuus oli parametrien valitseminen, mikä vaati toisaalta peliteorian soveltamista myös syvällistä pelintuntemusta ja perehtymistä olemassaolevaan otteludataan. Neuroverkon itsensä koodaaminen oli suhteellisen suoraviivainen prosessi, kun neuroverkkojen koodaaminen lasagnalla ja pythonilla oli hallussa. Palautteen perusteella gamementor näki sovelluksen jatkokehittämisessä potentiaalia ja totesivat sen käyttökelpoiseksi. Työn selvityksen laajuus tyydytti yrityksen vaatimukset ja työstä pyydettiin esittelymateriaalia potentiaalisille sijoittajille.

23

6 POHDINTAA JATKOSTA

Sovelluksen toimivuus on osoitus kompleksin ongelman, tässä tapauksessa pelin sisäisen suorituksen analysoinnin, taipuvan hyvin neuroverkoille pureksittavaan muotoon.

Vastaavan projektin kehityksessä erityisen tärkeäksi nousi syvä ymmärrys pelistä itsestään.

Peliä pitkään pelanneilla ja/tai ammattilaista e-urheilua seuranneilla henkilöillä on kokemuksen tuoma näkemyksensä pelin lainalaisuuksista. Valmennuksen näkökulma tuo myös vaatimuksena erityisen ymmärryksen pelistä kokonaisvaltaisena e-urheilulajina.

Tekoälyn tuottaman datan tulee antaa pelin kontekstissa merkittäviä vastauksia joista pystyy koostamaan rakentavan palautteen pelaajan suorituksesta. Yleinen peliteorian ja tietokonepelien tuntemus auttaa tiedostamaan selvät resurssit ja parametrit, joita seuraamalla voi luoda syvempää ymmärrystä pelin tilasta. Pelien monimuotoisuus johtaa väistämättä siihen, että yhtä sovellusta ei voi sellaisenaan käyttää useassa pelissä, vaan parametrit ja mitattavat tulokset ovat mietittävä jokaisen pelin omassa kontekstissa. Tässä ensiarvoista on löytää pelin asiantuntija kehittämään sovellusta, mutta teoriapohjalta peliteoriaa soveltamalla voidaan saada syvempää ymmärrystä pelin mekaniikoista ja luonteesta. Dota 2 osoittautui erinomaiseksi valinnaksi lähestyttävänä pelinä erityisesti avoimen rajapintansa puolesta. Kokonaisen sovelluksen luonnissa parserin teko vaikuttaa erityisen työläältä näinkin hyvällä datan saatavuudella ja vaikeutukset tähän työvaiheeseen saattavat kaataa koko kehitystyön heti kättelyssä.

24

7 YHTEENVETO

Työn tavoitteena oli luoda MVP neuroverkkoihin pohjautuvan tekoälyn soveltuvuutta e-urheilun strategisen päätöksenteon valmentamisessa. Kohteeksi valittiin Dota 2-peli ja Monkey King-hahmo. Työssä tutkittiin neuroverkkojen vaatimien parametrien valintaa ja sovellustyötä yleisesti pelin kontekstissa. Työn aihe pohjautui Gamementor-yrityksen tehtävänantoon kehittää MVP tekoälyvalmennussovelluksesta. Valmennuksen ja e-urheilun välistä ei löytynyt vastaavaa tutkimusta ja e-urheilu yleisesti on uusi ja tutkimusta kaipaava ala. Perinteisten urheilulajien valmennuksesta on olemassa laajalti tutkimusta ja esimerkiksi konenäön luomaa dataa on jo pyritty hyödyntämään koneoppimisen kautta suoritusten analysoinnissa. Työn lopputulemana saatiin kehitettyä tekoäly, joka pystyi antamaan datan perusteella oikeellisia vastauksia. Vaadittava data on mahdollsita saada Dota:sta ulos ja se pystytään sovelluksessa pukemaan muotoon, joka antaa rakentavaa palautetta pelaajalle omasta suorituksestaan. Työn tulos on positiivinen merkki Gamementorille ja yleisesti siitä, että tekoälyä voidaan soveltaa valmennussovelluksissa. Kun tekoälyn viabiliteetti oli koko tutkimuksen ytimessä, voidaan todeta vastauksen olevan selkeä. Lopullinen tuote jääkin yrityksen tai kilpailijoiden omiin käsiin. Tämä työ on keskittynyt yhden pelin strategiseen päätöksentekoon, mutta vastaavaa dataa voi lähteä parsimaan syvällisemmin ja ottaa mukaan muutkin e-urheilun muuttujat: pelaajat inhimillisenä tekijänä myös fyysisinä datalähteinä:

henkinen kantti ja stressinsietokyky, joukkuekemiat ja riskinottokynnys.

25

LÄHTEET

[1] Happonen A., Minshkina D., 2019 Professionalism in Esport: Benefits in Skills and Health & Possible Downsides, LUT Reports series, report number 90, ISBN 978-952-335-374-9, p. 36, DOI: 10.13140/RG.2.2.28958.59208

[2] Kortelainen, H., Happonen, A., 2017, Digitalisaatio muokkaa tiedon hallintaan pohjautuvien palveluiden markkinoita, In VTT Blog, DOI: 10.13140/RG.2.2.10075.52006, Last visited (2019-07-31)

[3] Kortelainen, H., Happonen, A., Hanski, J., 2019, From Asset Provider to Knowledge Company—Transformation in the Digital Era., In: Asset Intelligence through Integration and Interoperability and Contemporary Vibration Engineering Technologies. Lecture Notes in Mechanical Engineering. Springer, Cham, ISBN: 978-3-319-95710-4, p. 333-341, DOI:

https://doi.org/10.1007/978-3-319-95711-1_33

[4] E-sports earnings, Top games awarding prize money [verkkodokumentti]. [Viitattu 30.7.2019]

https://www.esportsearnings.com/games

[5] steamcharts.com, Dota 2 steam charts. [verkkodokumentti]. [Viitattu 30.7.2019]

https://steamcharts.com/app/570

[6] Elo Entertainment LLC., Monkey King – Melee, Carry, Disabler, Escape, Initiator

[verkkodokumentti]. [Viitattu 15.7.2019]

https://www.dotabuff.com/heroes/monkey-king

[7] Heap, S. H. & Varoufakis, Y. (1995). Game theory: A critical introduction. London:

Routledge.

[8] Ferm A., Galle S. 2013 Testing e-sport athletes – A study on competitive gaming, The Swedish school of sport and health sciences, Bachelor degree project 157:2013 http://gih.diva-portal.org/smash/get/diva2:721155/FULLTEXT01.pdf

[9] Szasz R, 2014 Investigating e-Sport from a sport psychological perspective, Högskolan I Halmstad, Thesis

http://hh.diva-portal.org/smash/get/diva2:724198/FULLTEXT01.pdf

[10] Kennard S. 2018, JoinDota.com The coaches of Dota 2 [verkkodokumentti]. [Viitattu 16.7.2019]

https://www.joindota.com/en/news/76563-the-coaches-of-dota-2

26

[11] Gamer Sensei Dota 2 personal coaching service, [Verkkodokumentti]. [Viitattu 21.8.2019] https://www.gamersensei.com/games/dota-2-coaching

[12] OpenAi Five, 2019, [verkkodokumentti]. [Viitattu 9.9.2019]

[13] Haastattelu kuusijärven rannalla Laukaalla, 13.7.2018, FM L. Leppänen

[14] The OpenDota Project, 2019 Data Explorer – Professional Dota 2 Stats [verkkodokumentti]. [Viitattu 15.7.2019]

https://www.opendota.com/explorer

[15] The OpenDota Project, 2019 Monkey King Matchups[verkkodokumentti]. [Viitattu 15.7.2019]

https://www.opendota.com/heroes/114/matchups

[16] Elo Entertainment LLC. Monkey King – Items [verkkodokumentti]. [Viitattu 15.7.2019]

https://www.dotabuff.com/heroes/monkey-king/items

[17] Elo Entertainment LLC. Monkey King – Builds [verkkodokumentti]. [Viitattu 15.7.2019]

https://www.dotabuff.com/heroes/monkey-king/builds

LIITE 1.

vaadittu xp