Meta na mobilność? Też bądź mobilny! Sprawdź mobilne How2Win

/dev: Czy boty śnią o elektrycznych poro?

Przypominając sobie zeszłoroczne zwycięstwo AlphaGo nad Lee Sedolem, mamy jasność, że sztuczna inteligencja w grach znacznie się rozwinęła od chwili, gdy po raz pierwszy zastosowaliśmy SI w naszych botach. Jesteśmy ciekawi, jak wielki postęp mogą osiągnąć nasze sieci sztucznego uczenia się w League.

Chcieliśmy, aby SI potrafiła wybierać bohaterów, dokonywać strategicznych decyzji podczas gier i uczyła się oddzielnych zagrywek dla poszczególnych bohaterów. Zaczęliśmy analizować to pod kątem konwolucyjnej hierarchii głębokiego uczenia kompresującego sieci wskaźników typu „skok-wypłaszczenie”. Obliczenie inteligencji SI może być trudne, ale na podstawie naszych aproksymacji, dokonanych za pomocą metody regresji rozsianej słownika wskaźników QRS w podszytej strukturze transportowej, uważamy, że te boty wkrótce osiągną 200 IQ.

Boty zaprojektowane są tak, aby uczyły się od graczy w czasie rzeczywistym. Dlatego wybieramy gry testowe z kolejek PvP zamiast gier razem przeciw SI; chcemy, by boty doświadczyły możliwie jak najbardziej realistycznego środowiska PvP. Stworzyliśmy ekskluzywną ikonę jako nagrodę dla graczy, którzy wezmą udział i ukończą jedną z takich gier do godziny 23:59 2 kwietnia 2017 r. (Ikony mogą pojawić się na waszym koncie dopiero po kilku tygodniach).



Jak dotąd zaobserwowaliśmy kilka bardzo ciekawych przykładów zachowania — zaawansowane boty czasami używały emotek po zabójstwach, rzucały prowokacje lub usiłowały przechytrzyć przeciwników. Co więcej, rozwijały własne, unikalne osobowości i style gry, zapewne dzięki mutacjom fonemu w zakresie ekspresji osobniczej macierzy stochastycznej Markowa wynikłych ze wstecznej propagacji kombinatoryki powodowanej ukierunkowanymi diagramami acyklicznymi.

Ale jak dokładnie to wszystko działa? Nie jestem ekspertem, ale podstawowa koncepcja opiera się na nadzorowanym procesie uczenia się, który przetwarza sekwencje składające się z rzeczywistych (ale wstecznie transformowanych fourierowsko) łańcuchów bloków generowanych przez syntetyczne antyrozpryskowanie. Demodularyzacja peryferyjnych wartości Craightona z lewobrzeżnych stabilizacji niezgodności zapewniła znaczące zyski w transeptach planarnych, zarówno kwalifikowanych, jak i niekwalifikowanych.

Zespół początkowo zmagał się z inherentną wypukłością typu gamma w tkance sieci centralnych neuronów wstrzymujących amplifikację sinusoidalnych p-węzłów, ale udało mu się złagodzić ten problem za pomocą filtracyjnych sterowników pokładowych. W przyszłości zespół zamierza przeprowadzić transpozycję wszystkich istniejących równań Czebyszowa wykorzystywanych do obliczania w czasie rzeczywistym współczynników Gringela na znacznie bardziej efektywne falowo-mechaniczne podejście do infinitezymalnych Z-studni.

Mam nadzieję, że to podsumowuje cały problem. Dziękujemy za udział w naszych testach zaawansowanych botów, które startują dzisiaj.

Jeśli zauważyłeś literówkę/błąd we wpisie - prosimy o zgłoszenie tego poprzez specjalny formularz kontaktowy - dzięki automatycznemu systemowi powiadomień będziemy mogli błyskawicznie usunąć błąd.