Odvrátená strana bezplatných hier

Vyriešený rébus extrémne vzácneho správania hráčov

Predstavte si svet, v ktorom 99,6 % vašich zákazníkov za vaše služby nikdy nezaplatí, no vy napriek tomu dokážete prosperovať. Presne v takejto realite funguje herný priemysel postavený na modeli Free-to-Play. Väčšina hráčov strávi pri hrách množstvo času, no len absolútny zlomok z nich sa odhodlá k reálnemu nákupu týchto hier. Ako v tomto miliónovom digitálnom stohu ihiel nájsť tie najvzácnejšie okamihy, kedy sa bezplatný hráč mení na platiaceho zákazníka – a to bez toho, aby sme narušili jeho súkromie alebo skreslili realitu?

Slovenský výskumný tím z Univerzity Konštantína Filozofa v Nitre a Univerzity Komenského v Bratislave prijali túto výzvu. S využitím európskeho superpočítača Leonardo dokázali to, v čom bežné algoritmy fatálne zlyhávajú.

Výzva

Keď sa umelá inteligencia učí z dát, kde platby tvoria iba 0,34 % z desiatok miliónov herných relácií, narazí na tvrdú stenu. Štandardné modely sa zachovajú prefíkane, ale nepoužiteľne: zjednodušia si prácu a vyhlásia, že nezaplatí nikto. Matematicky dosiahnu 99,66 % úspešnosť, no pre herné štúdio je takýto model slepý – nedokáže identifikovať žiadneho budúceho platiaceho hráča.

Tradičné metódy „dopočítavania“ chýbajúcich dát (ako populárny SMOTE) situáciu v hernom prostredí ešte zhoršujú. Generujú totiž obrovské množstvo falošných poplachov. Správanie hráča navyše nie je statický bod v tabuľke. Pred nákupom človek prechádza fázami: hromadí hernú menu, naráža na náročné prekážky alebo opakovane navštevuje obchod. Druhým obrovským úskalím bol tzv. únik dát (label leakage) – ak model analyzuje reláciu, v ktorej nákup už prebieha, vidí skoky v štatistikách a má ilúziu dokonalej predpovede. V reálnom čase je však už na zásah neskoro.

Riešenie

Slovenskí vedci sa preto rozhodli namiesto generovania izolovaných riadkov v tabuľkách učiť umelú inteligenciu chápať kontext a časovú následnosť. Navrhli unikátny rámec založený na generatívnych adverzálnych sieťach (GAN), konkrétne upravený pre prácu s časovými oknami.

Namiesto modelovania samotného nákupu začal ich algoritmus (CTGAN) analyzovať krátke trajektórie správania – sekvencie piatich po sebe idúcich herných relácií, ktoré nákupu bezprostredne predchádzali. Výskumníci vytvorili špeciálne maskovanie (padding-aware mask), vďaka ktorému model dokázal pracovať s hráčmi s rôzne dlhou históriou. Výsledkom bolo, že umelá inteligencia dokázala vygenerovať takmer milión úplne nových, syntetických, no psychologicky a štatisticky verných nákupných trajektórií, ktoré obohatili tréningový proces bez akéhokoľvek narušenia súkromia reálnych ľudí. Celý proces prebiehal striktne v režime next-session prediction – model predpovedal nákup v budúcej relácii výhradne na základe histórie z minulosti.

Prínos

Nasadenie tohto revolučného prístupu prinieslo hmatateľné výsledky, ktoré v komerčnom prostredí znamenajú obrovský rozdiel:

• 3,18-násobný nárast schopnosti predikcie: Schopnosť modelu správne zoradiť a zachytiť vzácnu skupinu budúcich platiacich hráčov (meraná cez PR-AUC) vyskočila z hodnoty 0,0044 na 0,0140.
• Koniec falošným poplachom: Na rozdiel od starších metód, ktoré kompletne rozbili rozhodovacie hranice a zaplavili analytikov chybnými údajmi, generované trajektórie udržali vysokú čistotu dát.
• Prepojenie matematiky s biznisom: Výskum jasne ukázal, že samotné generovanie dát nestačí. Skutočný úspech prichádza v momente, kedy sa pokročilá GAN augmentácia prepojí s optimalizáciou rozhodovacieho prahu (threshold calibration). Až posunutím tejto citlivej hranice dokáže herné štúdio premeniť surové pravdepodobnosti na spoľahlivé rozhodnutia, kedy hráča včas podporiť, ponúknuť mu personalizovaný obsah alebo správne zacieliť kampaň.

Celú štúdiu vrátane detailných dát nájdete priamo v knižnici Machine Learning with Applications.

Pohľad do budúcnosti