【GameLook专稿，未经授权不得转载！】
GameLook报道/在游戏行业，尤其是手游领域，Playtika可以说是个非常独特的公司。随着市场环境的变化，这家以色列公司是首个公开表态短期内不会发布新游戏的头部大厂。更值得注意的是，Playtika在多次财报电话会中都提到了AI技术对其业务增长的关键作用，并表示其对AI技术的探索已经持续了很多年。
那么，Playtika的AI技术到底是什么、又是如何打造的呢？
8月24日科隆展大会期间，Playtika产品团队主管Noa Avishur和产品技术副总裁 Gadi Ganon分享了该公司利用AI技术为每一个玩家打造个性化体验的工具和方法。Noa表示，通过利用不同类型的先进人工智能算法，Playtika正在创造一个适应个人偏好的沉浸式世界，并展示了AI如何通过简单易用的工具，利用人与机器团队为玩家打造个性化体验。
Gadi:
很高兴能够在这里分享，我是Gadi，今天主要谈到两个有趣的领域：游戏与个性化。在Playtika我们对最佳的游戏体验深信不疑，这也是我们自从发布第一款游戏到现在成为行业领导者的秘密武器。
Playtika“Infinite ways to play”宣传片
所以，由于生活需要玩耍，我们的愿景就是让我们的每一个玩家开心，就像游戏是只为他们一个人打造的那样。因此，我们需要理解，你是喜欢探索、喜欢成就，还是喜欢与其他人一起玩，或许你的游戏动机实际上是打破自己的记录。
例如，对于探索型玩家，我们会建议他们没有接触过的功能；对于社交型玩家，我们将增加越来越多的社交能力，使参与者能够想要相互挑战。这很好，但还是远远不够的。因为作为一名社交型玩家，你可能喜欢与其他人一起玩、但也喜欢与其他人竞争，因为你同时还是一个想要打破自己记录的成就型玩家。
因此，换句话说，我们的目标是给对的玩家、在游戏里对的环境下带来动态体验。所以你们可能理解个性化是很复杂的事情。在幕后，我们需要很多专业人员来分析、执行，做到有创意、带来定制化体验，而且还只是在一款游戏里。
现在，我们将这个复杂度放到数百万玩家、14款游戏，其中9款游戏进入了美国畅销榜前100名，每个游戏都有着不同的品类，从在我们的《Bingo Blitz》里探索岛屿到游戏策划们在我们的应用里寻找创意想法。而且，所有都必须是高品质内容，都是全天候运营。
那么，我们如何能够实现这个目标？
我们的方法是保留许多人工智能算法的所有戏剧性和复杂性，正如我的同事稍后将立即展示的那样。这是通过在没有专业人员流动的情况下端到端地处理业务流程实现的，换句话说，是一个AI驱动的产品来赋能我们的游戏团队，并且不断地从他们的反馈和商业知识学习，至于我们是怎么做的，交给Noa来解释：
个性化的两个步骤
Noa:
现在，我们已经了解Playtika是什么，我们的生态系统以及在个性化游戏体验方面我们试图克服的挑战是什么。接下来，我们深度分析不同的产品和这些产品背后帮助我们克服了这些挑战的AI引擎。
实际操作中，我们将个性化流程划分为两个主要的步骤，首先是识别游戏里的人物画像，识别一组玩家，出于某种原因，我更喜欢将他们作为整体来对待。我们视为个性化一部分的第二步，就是为游戏里的玩家选择理想的体验。
在每一步背后，我们都有一些AI产品。现在我们进一步解释和理解它们。
先从左侧开始，识别用户画像，这里我们选择聚焦两款产品来解释我们在这个流程要做什么。第一个是基于多维度划分的产品，我们创造了一个知道如何考虑现代玩家多维度偏好的AI引擎，并且在游戏里以最佳的方式将他们进行划分。我们这里说的不是他们的一个或者两个游戏内偏好，而是数百个偏好。
帮我们实现这个目标的另一个产品，是我们打造的预测引擎。我们知道如何解读玩家的这个多维度偏好，不仅是在今天的游戏里，还包括明天、一周之后。比如，我们想知道我们的玩家中有谁会喜欢我们即将发布的一个功能，所以我可以预测他会对这个功能如何反应。
例如，如果我想知道我的玩家当中谁会在7天之后回到游戏里，我们就可以进行预测。
如果说左侧我们讨论的都是同行们比较熟悉的东西，那么，右侧我们要说的就是比较高级的算法，比如可执行XXX，还有生存模式。因为我们感兴趣的不只是玩家是否会从游戏里流失，还要知道他何时可能会流失。
既然我们理解了通过识别用户画像试图实现的是什么，接下来我们来了解为他们定制化理想的游戏体验意味着什么。
在AI的帮助下，我们研发了一个实时引擎，它知道如何实时为一个玩家提供最佳的体验，这个产品是基于Multi-Armed Bandits Algorithm（多重搜索算法）集的多个算法，我们为不同目的使用不同的算法。但无论如何，我们在任何时候都会给玩家一个体验，在收集到他们对这个体验的反馈之后，立即继续改变和调整算法，以便明天对玩家有更好的理解。
这里我们为不同目的使用不同算法，例如，对于我们没有任何关于玩家偏好的历史数据的情况，我们用host多重算法托管，像冷启动一样通过强化学习来向玩家提供一些体验，然后一边学习他们最喜欢的是什么。
再比如，对于我们有上下文环境，我们知道玩家在游戏里喜欢什么、他们一个月、两个月或三个月之前喜欢什么的情况下，我们会使用情景化多重搜索算法。对此，我们需要算法帮我们理解怎样对玩家进行实时划分是最好的，以便为他们提供尽可能最好的体验。
总结个性化的这两步，我们可以说，用一个AI引擎，我们可以识别用户画像，理解这组玩家想要玩什么；通过第二个引擎，我们为玩家定制化理想的游戏体验。
但对我们来说同样重要的是，我们始终在对基于另一个高级算法的另一个产品数据进行执行A/B测试。因为对我们而言很重要的是，理解算法模型不是基于数据科学KPI进行优化，实际上是基于我们业务KPI最重要的部分进行优化。所以我们始终在进行测试，来了解真实情况。
AI个性化工具打造的挑战
不过，同样重要的是，不要让我们的游戏用户、客户服务人员以及变现经理觉得算法是个难以理解的黑盒子，我们不希望这样。我们想让他们与算法互动，让他们真正理解他们在游戏里在做什么，让他们相信算法，并乐于使用。
理解了这些产品之后，我们现在从引擎侧看看AI方面，理解这方面的挑战是什么。这部分我们选择聚焦于预测模型，并展示流程是什么、以及这个产品是怎么完成的。在此之前，我简短回顾一下什么是预测模型，并对不熟悉的同行谈谈创作预测模型的过程。
当定义一个新的预测模型的时候，我要做的第一件事就是确定标签是什么，我想预测的数据里的事件是什么？举个例子，我想预测现有玩家当中谁是流失者。流失者指的是，不登录游戏14天以上的玩家。而我想要至少在他流失之前7天知道他可能会流失这件事。
因为我很不希望七天之后才知道，我想要今天就知道，这样就能够改变他的游戏体验，确保他得到最适合他自己的体验。
定义了标签之后，我会开始理解数据，我会将数据与游戏功能联系起来，进行建模，去理解玩家对不同功能的互动、关联是什么。它会帮助我打造决策树，从这一刻开始将我游戏里的每个玩家放到这个引擎，并得出一个分数（从0到1），帮助我们理解每个玩家从现在开始的七天之内流失的可能性，是0.8还是0.9？
我们还将这个产品与AI监测工具进行打包，因为我今天打造的模型、对今天数据有关联性的模型，不一定在六个月后还能使用，所以我们想要确保实时理解这些模型是否有数据迁移、概念迁移。
基本而言，我在这里用几乎话就概括了我们的数据科学工程师几个月的工作，他们在这个过程中起到了很大的作用，做起来是困难的。
这让我想起了研发该产品时我们遇到的困境，在创造这个产品的时候我们想要实现什么结果？我们想要的从专业服务到AI、到自助服务解决方案规模是多大？
因为，如果我们要求数据科学家现在为一款游戏创造一个流失模型，那会是一个相对容易的任务。他们会收集数据、创造功能放入模型，运行然后甚至可以通过人工方式来检测。这个表现将会非常出色，推向市场的时间也会很快，因为他们只需要创造一个模型，他们可以全力以赴。
但问题是，我们希望立即进行规模化，拓展到第二个、第三个用例之中，那么在第二个和第三个的时候，我们就要投入像第一个模型那么多的努力。而且它也是不稳定的，因为它随时会失效，所以，这是我们创造预测引擎产品时候没有想到的处境。
完全自动化解决方案的另一部分，就是这个产品要有很高的灵活性让用户使用，这里我们说的是，哪怕是一个不动数据科学的用户也要能够创造自己的标签。你可以说，我想要定义这个，这是我们此前从未定义过的新事物，那么你就可以进行定义，然后，基于我们已经创造的数据，你甚至可以训练模型，然后直接用到制作当中。
为了实现这一点，我们要使用大量的算法、大量的自学UI，还需要大量的AI监测工具，因为一旦你将这个能力给了不熟悉AI的人，就要确保它与合适的流程和监测打包。实现这一点可能需要很多年，但在Playtika，我们不可能等那么久，不可能等待很多年才做出流失模型，所以这也是我们选择不同方法的原因。
但是，在这之前，我想要解释端对端自动化解决方案大产品中的一个产品，谈谈它有多大、使用的范围有多广。
我们以每周数据举例，Playtika有很多的游戏，而且这些游戏各自之间有很大的差别。因此处理这些数据、对数据建模、创造功能可能是非常复杂的事情，但如果我们可以形成玩家自主（autonomy）并创造游戏抽象（Game Abstraction），我们就可以打下基础，让随后的所有自动化功能都能在此之上创造。
对于这个原因，我们看两个例子。比如我们有两个游戏，一个是消除游戏，一个是乒乓游戏，他们有着差别很大的核心循环，你在一个游戏里不断升级，另一个游戏则通过与其他玩家匹配获胜。而且，它们有不同的日常任务、月度活动、Meta功能等等。
但是，基本而言，如果我们能够给它对的语言，在不同的游戏之间有恰当的自主，我们就能够在这个基础上得到这个玩家在所有新游戏的数据，然后在它的基础上自动打造我们实现个性化所需要的AI产品。
这里我们不进行更深度的细节说明，但这是个非常复杂的事情，需要大量的基础设施，而且这只是我们为了实现端对端解决方案所做的一个产品而已。
出于那么多的原因，我们在这个规模基础上创造了一个产品，它更偏向于右侧，也就是端对端解决方案。所以，你并不是自己创造标签、不是自己训练模型，用户、游戏玩家会得到非常简化的UI，然后在大量的模型列表当中，选择他们想使用的那一个。
但事情并没有到此结束，他们会看到有关优化的问题，你是否想要优化精确度？你想要模型达到怎样的精准度？你愿意让多少玩家成为我们试图预测的玩家，哪怕那些玩家并不积极？
基本来说，这是个业务问题，而不是AI问题，很重要的是，我们要给用户自己选择的能力，这会获得他们对产品的信任，也会让他们不把AI工具视为黑盒子。这就是我们努力的方向，将很多戏剧性的东西用漂亮的UI隐藏起来，做成业务说明，而不是AI说明，让非数据科学的用户也能正常使用。
Gadi：
感谢Noa，我们可以用数个小时来说个性化，我们甚至还没有谈到去年就已经开始在使用的生成式AI革命，而且看到了结果。
不过，让我们试图总结一下，从我们过去几年的数据经历总结一些经验，我们过去处理了很多的数据、处理了很多的用例。
首先是为什么？它的答案是，优化的游戏体验需要个性化。作为一名玩家，我对一起玩游戏的数百万人并不那么在意，我只在意自己的体验，我希望游戏给我的感觉是它就是为我一个人做的。如果能够理解这一点，你会拥有巨大的优势，我们就有了无限的可能。
试想，我们用生成式AI来生成美术、生成更多的体验等等。对于游戏团队，始终考虑你的终端用户，也就是那些与AI和完整产品互动的用户。这里的答案很简单，将所有戏剧性的东西藏起来，让他们能够轻易操作和使用产品，就像是没有AI一样，这方面已经了很多可以参考的素材。
从AI的角度来看，你的基础发展的越好，在我们的案例中，就是游戏抽象化，那么你要规模化就会越简单。AI对于用例非常敏感，一旦你可以对它规模化，你就赢了。
如若转载，请注明出处：http://www.gamelook.com.cn/2023/08/526324
