Zjednodušený koncepční pohled pod kapotu našich nových pokročilých botů.

Když se zpětně podíváme na loňské vítězství AlphaGo nad Lee Sedolem, je jasné, že herní umělá inteligence (UI) ušla dlouhou cestu od té doby, co jsme poprvé implementovali stávající UI botů. Zajímá nás, jak daleko dokážeme dotáhnout systém umělého učení v LoL.

Chtěli jsme, aby si UI dokázala vybírat šampiony a činit strategická rozhodnutí během zápasu a aby měla jedinečný způsob učení pro každého šampiona. Začali jsme to zkoumat pomocí spletité hierarchie názorů, která zestručňuje síť metod pro výběr proměnných . Vypočítat inteligenci UI může být složité, ale dle našich odhadů na základě řídké slovníkové regrese faktorů QRS základové transportní struktury se domníváme, že tito boti by mohli brzy dosáhnout IQ 200.

Boti jsou navrženi tak, aby se od hráčů učili v reálném čase. Právě proto hodláme testovací hry dělat ve frontách PvP namísto kooperativních zápasů proti botům. Chceme, aby měli boti co možná nejrealističtější PvP zážitek. Vytvořili jsme exkluzivní ikonu coby odměnu pro hráče, kteří jeden z těchto zápasů dokončí do 2. dubna 2017 23:59 SELČ. (Ikona by se vám měla objevit na účtu během několika týdnů.)

Už jsme zaznamenali velmi zajímavé chování, kdy pokročilí boti občas po zabití šampiona dělali gesta, rozdávali urážky či se snažili protivníka napálit. Dokonce si vyvinuli vlastní odlišnou osobnost a herní styl, nejspíš kvůli mutacím fenomu prostřednictvím Markovových výrazů jedinců na základě zpětné propagace výsledků kombinatoriky z řízených acyklických grafů.

Ale jak to vlastně všechno funguje? Nejsem žádný expert, ale základní koncept spočívá v monitorovaném procesu učení, který přijímá sekvence vstupu sestávající z reálných (ale fourierovsky reverzně transformovaných) blokových řetězů generovaných syntetickým non-gutteringem. Demodularizace základních craightonských hodnot z levosměrné variační stabilizace přinesla úžasné výsledky jak u kvalifikovaných, tak nekvalifikovaných planárních transeptů.

Tým měl původně potíže s gamma konvexností inherentní v síťové materii centrálních neuralit, které inhibovaly magnifikaci sinusoidálních p-nodů, ale nakonec se mu podařilo tento problém zmírnit pomocí filtrových ovladačů přímo na zařízení. Do budoucna má tým v plánu přesunout všechny stávající Chebyshevovy rovnice sloužící pro kalkulaci Gringelových koeficientů v reálném čase na mnohem efektivnější přístup s vlnovým mechanismem k nekonečným Z-studnám.

Doufám, že teď je to jasné. Děkujeme za účast při testu pokročilých botů, který dnes začíná.