Machine Learning en el Desarrollo de Juegos

¡Hola! Mi nombre es Denis. Soy un ingeniero de software en My Games. Hoy me gustaría compartir ideas y discutir un problema prevalente en el mundo de los videojuegos: el cheating. Más importante aún, quiero adentrarme en cómo el machine learning puede ser nuestro aliado para preservar la esencia genuina de la competencia y la diversión en los videojuegos.

La confianza es muy importante al jugar juegos. Los jugadores no solo están observando desde el lado. Realmente son parte del juego. Invierten mucho tiempo, trabajo y emoción en estos mundos virtuales. Es más que simplemente jugar. Intentan comprender cómo funciona el juego. Piensan en formas de mejorar. Y también hacen amigos dentro del juego.

Además, a veces gastan dinero en cosas dentro del juego para hacer su experiencia más agradable. Sin embargo, cuando se encuentran con jugadores que hacen trampa, es más que un problema pequeño. Puede hacerles sentir que el juego no es justo para todos. Les resulta realmente difícil disfrutar del juego cuando piensan que no todos siguen las mismas reglas.

Mantener a los jugadores interesados durante mucho tiempo es importante para los juegos en línea. Para mantenerse vivos y tener éxito. Si los jugadores siguen regresando, la comunidad del juego se mantiene viva y los juegos pueden ganar más dinero. Esto es especialmente cierto para los juegos en los que los jugadores compran cosas dentro del juego o juegan regularmente para jugar. Si hay tramposos, pueden arruinar la diversión para otros jugadores. En lugar de ser divertidos o relajantes, los juegos se vuelven molestos y los jugadores se frustran.

Existen diversas formas en las que los jugadores pueden hacer trampa en los videojuegos. Los desarrolladores de juegos necesitan identificar si un juego podría ser vulnerable o tener lagunas, así como identificar ciertas reglas de juego que podrían ser eludidas. Un método de hacking prevalente en los juegos en línea implica manipular el estado de un participante. Dado que una parte significativa del juego ocurre en la propia computadora del jugador, los hackers manipulan esto alterando los datos locales del juego. Por ejemplo, podrían modificar la cantidad de balas en el cargador de un arma, permitiendo al jugador disparar continuamente sin recargar, o amplificar los objetos disponibles en el juego como granadas o botiquines de salud. Existen formas más complejas de hacer trampa en los juegos. Aimbot, aim assistant o puntería automática, todos estos son diferentes nombres para lo mismo. Aimbot ayuda al usuario a rastrear otros objetivos controlando al jugador.

Por supuesto, también existen otros tipos de cheating, pero pasemos al siguiente punto. Muchos de los tipos de cheating mencionados con frecuencia pueden ser controlados utilizando métodos tradicionales. Nos referimos a este método como el modelo basado en reglas. La base de este modelo es un conjunto de reglas que evalúan las acciones de un jugador para garantizar la equidad. Profundicemos más. Los jugadores deben enviar informes después de cada sesión. Estos informes incluyen data sobre las acciones de todos los participantes. Por ejemplo, podemos ver cuántos objetos consumibles utilizó cada jugador al comparar esta información con el estado de la cuenta del jugador en el servidor. Podemos verificar si tenían esos recursos. Otro ejemplo es analizar la cantidad de disparos y el tiempo entre ellos. Esto nos permite determinar si el jugador se adhirió al tiempo de recarga necesario y si la tasa de combate es consistente con los standards. Algunas reglas pueden indicar directamente el uso de cheats. Otras reglas solo proporcionan evidencia indirecta, por ejemplo, los problemas temporales de conexión a Internet pueden afectar los data. Por lo tanto, es una buena idea implementar un sistema de calificación de cheating, donde cada regla agrega una cierta cantidad de puntos de cheating. Algunas reglas pueden contribuir con más puntos, mientras que otras agregan menos, dependiendo de la gravedad de la infracción. Si un jugador se comporta de manera justa, su calificación de cheating disminuye con el tiempo. Por lo tanto, los problemas ocasionales de red pueden darle al jugador un pequeño número de puntos, que se compensarán con

Además, los volúmenes dedata generados por los juegos a menudo son inmensos y elmachine learning puede procesar y analizar eficazmente esta información. Esto permite detectar patrones sutiles e intrincados en el comportamiento de los jugadores, que podrían escapar a un análisis básico. Con el algoritmo adecuado y suficientedata para el entrenamiento del modelo, elmachine learning puede proporcionar una alta precisión en la detección de trampas, reduciendo la probabilidad de falsas alarmas.

También vale la pena mencionar la naturaleza proactiva delmachine learning. Mientras que muchos métodos tradicionales responden a formas de trampas ya conocidas, elmachine learning puede detectar nuevos métodos previamente desconocidos. Esta adaptabilidad y la capacidad de detectar nuevas amenazas más rápidamente lo convierten en una herramienta ideal en la lucha contra los tramposos. Permítanme compartir mi experiencia utilizando el ML para detectar tramposos. La idea detrás de mi investigación era utilizar elmachine learning para identificar comportamientos anómalos de los jugadores que detectaran tramposos que utilizan aimbot. Una de las primeras tareas fue determinar cómo representar el comportamiento de los jugadores comodata digital en el que se entrenaría el modelo. Otra tarea fue minimizar el volumen de estadata para aliviar las cargas de trabajo del servidor y reducir el tráfico de usuarios. El desafío fue identificar los datos mínimos necesarios que quedaran para sobrevivir en el juego en el que estoy trabajando, que es un shooter móvil específico. Los jugadores se mueven por la escena como si estuvieran en rieles, de ahí la decisión de no utilizardata de movimiento y centrarse más en la puntería parecía evidente. La teoría era que la diferencia en el comportamiento entre un jugador y un aimbot sería más notable al compensar el retroceso del arma. Después de numerosos experimentos, se identificó un conjunto de datos óptimo que produjo resultados comparables. Se determinó un vector de características que capturaba el movimiento de la mira en ambos ejes 0.5 segundos antes y 0.25 segundos después de que el jugador disparara, así como información sobre si el disparo alcanzó a un oponente. Estos vectores de características solo se consideraban cuando un jugador usaba un arma de disparo rápido.

Soy principalmente un desarrollador de juegos, no un desarrollador experimentado demachine learning. Para ser honesto, enfrenté numerosos desafíos durante mi investigación. El mayor problema fue no tenerdata etiquetados. Para enseñarle a un modelo a detectar sidata se trata de trampas, se necesitadata que ya esté etiquetada como trampa o no trampa. Esto significa dividir losdata en dos grupos, comportamiento normal y comportamiento de trampa.

Sin embargo, sin un modelo entrenado, distinguir entre estos dos se convierte en un problema de causa y efecto. Bueno, finalmente determiné cómo recolectar los datos y representarlos, pero estos datos no estaban etiquetados. Necesito una técnica para organizar estos datos de manera adecuada para el aprendizaje automático. A veces, después de pensar en un problema durante mucho tiempo, la respuesta resulta sorprendentemente simple. Eso es lo que sucedió aquí. Tenía una idea básica sobre los datos que estaba observando. Pensé que los datos de trampas serían mucho más pequeños que los datos normales, lo que los haría destacar. Por lo tanto, se puede utilizar la detección de anomalías en este conjunto inicial de datos para entrenar un modelo para clasificar los datos. El aspecto fundamental de utilizar el aprendizaje automático para detectar trampas fue formular datos claros y relevantes que representen el comportamiento de los jugadores y seleccionar el modelo de aprendizaje automático más apropiado y simple para la tarea. Sin embargo, desde mi punto de vista como desarrollador de juegos, esta fue la parte más desafiante de todo el proceso.

A pesar de que la funcionalidad de aprendizaje automático para detectar tramposos, que discutí hoy, todavía está en desarrollo activo, su potencial ya es evidente. En el mundo tecnológico en constante evolución de hoy en día, el aprendizaje automático se ha convertido en una herramienta clave para detectar y contrarrestar actividades fraudulentas en los videojuegos. Estos avances fomentan el optimismo de que la industria de los videojuegos desarrollará sistemas antitrampas aún más avanzados y eficientes. Sin embargo, es crucial reconocer que la aparición de nuevos métodos en el aprendizaje automático no niega la importancia de los enfoques tradicionales probados. Los modelos basados en reglas, un método clásico para detectar tramposos, siguen siendo relevantes. Estos modelos, basados en reglas claramente definidas, complementan y amplifican la efectividad de los sistemas de detección desarrollados con algoritmos de aprendizaje automático. La combinación de métodos probados con innovaciones en el aprendizaje automático puede ofrecer los mejores resultados en la lucha contra jugadores deshonestos.

Creo firmemente que el futuro radica en sistemas de seguridad flexibles en los que cada componente colabore de manera fluida con los demás, garantizando una protección sólida contra las trampas. Y gracias por su atención hoy. Tengo la esperanza de que, a medida que continuemos avanzando en las tecnologías de aprendizaje automático, desarrollaremos formas cada vez más efectivas de mantener la integridad de la experiencia de juego que todos apreciamos. Sigamos empujando los límites para crear juegos más seguros, divertidos y justos para todos los involucrados. Muchas gracias por recibirme y que tengan un excelente resto de la conferencia.