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

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.

Советы как писать заметки по совещаниям и встречам

Секрет успешного развития команды и продукта не только в эффективных встречах и совещаниях, но и в... том, как ведутся заметки по ним.

В большинстве крупных компаний цель встреч состоит в том, чтобы назначить ещё одну встречу

В итоге, все встречи смешиваются друг с другом, не прогрессируя и не достигая никаких целей.

Секрет успешных совещаний в выполнении элементов действий.

Элемент действия — задача, которая отвечает на 3 вопроса и вносит ясность в то, что нужно сделать:

1) Кто? Это не только тот, кто отвечает за задачу (вы или коллега), но и тот, с кем вы будете работать или другие люди, от которых вы зависите в завершении этой задачи.

2) Что? Это краткое описание задачи в виде одного-двух предложений с использованием глаголов действий (например, "Просмотреть бэклог продукта и подготовить идеи по приоритизации фич на следующий квартал") .

3) Когда? Это конкретная дата и время, когда действие должно быть завершено или продолжено(!!!).

🎁 Полезные советы:

– Заметки о встречах не являются протоколами собраний.

Записывая прошлое, твои мысли должны быть направлены исключительно в будущее

– Вы должны использовать заметки как возможность зафиксировать все идеи и мысли, которые приходят вам в голову во время встреч.

– Относитесь к записям совещаний как самым актуальным корпоративным знаниям.

– Ведение заметок от руки заставляет вас быть экономным и сфокусированным (не пытайтесь записать всё).

– Сделайте свои заметки "сканируемыми". Используйте разные стили и форматы для выделения важных моментов.

– Выберите "правильный метод" для "правильной встречи".

Неизвестно, что появилось первее – правильная встреча или правильная заметка по встрече

Главный вопрос любой встречи: «А в чём смысл этой встречи?»

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: ...

Разминаем мозги с теорией иерархически-механистического разума (The Hierarchically Mechanistic Mind, HMM).

Мозг – сложная адаптивная Система, которая активно минимизирует энтропию сенсорных и физических состояний человека, генерируя циклы действия-восприятия

HMM объединяет две взаимодополняющие точки зрения на мозг:

– Разум работает по принципу свободной энергии "free-energy" (обеспечивая биологически правдоподобную математическую модель функций мозга);

2) нейронные структуры и функции мозга возникают из причинно-следственных механизмов, которые формируются системой "мозг-тело-окружающая среда" в различных временных масштабах и рамках.

Согласно этой точке зрения, настроение напрямую влияет на реакции в мозге, вызывая изменения в восприятии им окружающей среды и факторов, например, чрезмерной чувствительность/бесчуствию к рискам, которые находят своё отражение в дальнейших действиях или умышленном бездействии по отношению к ним.

Ещё больше умных слов: https://www.sciencedirect.com/science/article/pii/S1571064519300028