/dev: ¿Los bots sueñan con poros eléctricos?

Por BuffMePlz

Si recordamos la victoria de AlphaGo contra Lee Sedol hace un año, es claro que la IA de los juegos ha mejorado mucho desde que implementamos por primera vez nuestros bots. Tenemos curiosidad de ver qué tan lejos podemos llevar las redes de aprendizaje artificial en LoL.

Sabíamos que queríamos que la IA pudiera seleccionar campeones, tomar decisiones estratégicas durante las partidas y tener una curva de aprendizaje única con cada campeón. Comenzamos a ver esto con una intrincada creencia de jerarquía que comprime una red neuronal de selección de variables. Puede ser difícil calcular la inteligencia de una IA, pero, según nuestros cálculos, si se hace a través de un escaso diccionario de regresión de factores QRS en la estructura subyacente de transporte, creemos que esos bots podrán alcanzar pronto un CI de 200.

Los bots están diseñados para aprender de los jugadores en tiempo real. Es por eso que realizamos pruebas de PvP en lugar de partidas de cooperativo contra IA. Queremos que los bots tengan la experiencia PvP más realista posible. Creamos un ícono exclusivo para recompensar a quienes participaron y terminaron una de esas partidas antes de las 02:00hs (PE) 03:00hs (BO) 04:00hs (AR/CL/UY) del 03 de abril del 2017. (Los íconos pueden tardar unas semanas en aparecer en tu cuenta).

Hemos visto unos comportamientos muy interesantes hasta el momento. En ocasiones, los bots avanzados usan gestos después de los asesinatos, usan provocaciones o intentan engañar al oponente. Incluso han desarrollado sus propias personalidades y estilos de juego, posiblemente se deba a las mutaciones de los fenomas dentro de las expresiones Markov de los individuos dado el algoritmo de propagación inversa de las matemáticas combinatorias que resultan de los grafos acíclicos dirigidos.

¿Exactamente cómo lo hacemos? No soy experto, pero el concepto básico se basa en un proceso de aprendizaje supervisado que acepta secuencias de entrada que consisten en bloques de cadena reales (con una transformada de Fourier inversa) a través de un bloqueo de canales sintético. La demodularización de los valores Craighton de la variable de estabilización izquierda mostró ganancias considerables de los transeptos planos no cualificados.

El equipo tuvo problemas al principio con la convexidad de tipo gamma usual en la red neuronal central que inhibía la magnificación de los nodos p senoides, pero tuvimos éxito en mitigar la preocupación con los controladores del filtro del sistema. El equipo planea mitigar todas las ecuaciones Chebysev existentes que se usan para calcular desde los coeficientes Gringel en tiempo real hasta el enfoque mucho más eficiente de olas mecánicas hasta los conjuntos Z infinitos.

Espero que eso lo resuma. Gracias por participar en nuestra prueba de Bots avanzados que lanzamos hoy.


8 months ago