首页 » 亚马逊云科技解决方案 » 游戏行业 » 游戏智能体 » 游戏 AI Bot 推动自动化开发解决方案指南
游戏 AI Bot 推动自动化开发解决方案指南
通过 Game AI-Bot 分布式强化学习方案，提升游戏制作的品质，提高游戏开发测试的效率，加快游戏上线速度。
概览
在游戏角色及关卡难度评测场景下，游戏设计人员需要在新关卡推出前进行通关难度的测试，人工测试无法模拟实际玩家的水平和能力，需要训练自动化的智能体，进行游戏通关测试。亚马逊云科技面对该场景打造 AI Bot 解决方案指南，该方案借助强化学习技术，使用云端弹性资源优势实现深度强化学习的云上分布式训练、推理。支持客户针对特定游戏训练私有的 AI Bot 实现游戏的关卡难度自动化测试，游戏数值的平衡调优。客户也可将训练出的 AI Bot 用于游戏 NPC ，与玩家对战或与匹配玩家组队，增强玩家体验。该指南基于 Amazon SageMaker、Amazon EKS、Amazon ECR 等服务构建。
亚马逊云科技解决方案架构图及说明
步骤 1
游戏开发者准备游戏环境图像，并将镜像推送到 Amazon ECR。
步骤 2
游戏开发者在 Amazon CloudFormation 模板中启动资源，以设置配备 Amazon EFS 和 Amazon S3 的分布式 Ray 集群，用于共享文件系统和存储。
步骤 3
游戏算法科学家在 Amazon SageMaker Notebook 中编写强化学习算法
步骤 4
游戏算法科学家使用游戏环境调整算法，并在 Amazon EKS 上的 Ray 集群中启动分布式训练作业。
步骤 5
游戏算法科学家通过 Amazon CloudWatch 观察训练过程和集群指标
步骤 6
游戏开发者从 Amazon ECR 中拉取经过训练的模型镜像，并在 Amazon SageMaker Endpoint 中部署。
步骤 7
游戏环境与 Amazon SageMaker Endpoint 交互，以实现 AI Bot 服务。
步骤 1
游戏开发者准备游戏环境图像，并将镜像推送到 Amazon ECR。
步骤 2
游戏开发者在 Amazon CloudFormation 模板中启动资源，以设置配备 Amazon EFS 和 Amazon S3 的分布式 Ray 集群，用于共享文件系统和存储。
步骤 3
游戏算法科学家在 Amazon SageMaker Notebook 中编写强化学习算法
步骤 4
游戏算法科学家使用游戏环境调整算法，并在 Amazon EKS 上的 Ray 集群中启动分布式训练作业。
步骤 5
游戏算法科学家通过 Amazon CloudWatch 观察训练过程和集群指标
步骤 6
游戏开发者从 Amazon ECR 中拉取经过训练的模型镜像，并在 Amazon SageMaker Endpoint 中部署。
步骤 7
游戏环境与 Amazon SageMaker Endpoint 交互，以实现 AI Bot 服务。
应对的需求和挑战
在游戏制作中，QA 测试约占开发预算的 30%， 一款大型游戏可能包含超过 15000 以上的步骤。目前游戏开发者有两个主要工具来测试：测试脚本和人工测试者。
测试脚本需要大量的工作来构建，并且对发布迭代中的任何变化都很敏感，而人工测试者在处理庞大的游戏环境时，他们的速度会大大降低，覆盖率也很低。
游戏中的关卡设计、NPC（非玩家角色）设计，平衡性测试通常依赖游戏策划的个体经验和运营后期的数据分析，风险性和滞后性都可能导致游戏产品的失败。
游戏上线中实现冷启动，温暖局，掉线托管等功能，就可以提升玩家整体满意度，提升留存，进而提升收入。
