Reinforcement Learning pelinkehityksen työvälineenä

Abstract

Machine learning, tai suomalaisittain koneoppiminen, on tekoälytutkimuksen ala, jossa tekoälyä koulutetaan hoitamaan erilaisia tehtäviä, kuten tunnistamaan puhetta ja parantamaan hakutuloksia. Pelialalla tekniikkaa on suuremmaksi osaksi käytetty luomaan tekoälypelaajia, jotka kykenevät voittamaan ihmispelaajan.

Tässä opinnäytteessä käytettiin OpenAI:n Gymnasium työkalua luomaan ympäristö, josta haettiin pelitestaustietoa Reinforcement Learning - tyylillä toimivalla tekoälymallilla. Haetun tiedon avulla pyrittiin tunnistamaan pelissä olevia ongelmia, parannettiin niitä ja tehtiin pelistä parempi. Opinnäytteen ympäristön testaamiseen käytettiin Q learning policya, jonka tarkoituksena oli saada oppiva tekoäly siihen, että se pyrkii ahneilla päätöksillä maksimoimaan voittonsa.

Tehtyjen testien perusteella oppivista tekoälyistä oli hyötyä pelitestauksessa. Tekoäly pystyi pelaamaan pelejä paljon nopeammin kuin ihminen, ainakin niin kauan kuin pelattava ympäristö pysyy yksinkertaisena ja peliä ei tarvinnut hirveästi visualisoida.