«Техносерв» и «КБ Продакшн» тестируют сервис машинного обучения для мобильных игр

MiGA является логическим развитием облачного сервиса для совместной работы аналитиков данных – Data Science Workspace. Работая в облаке TS-Cloud, сервис содержит готовую предсказательную модель для индустрии разработки мобильных игр. Сервис интегрируется с поступающими игровыми событиями и сервером игры через стандартные интерфейсы (API), регулярно предсказывая сегментацию игроков по поведенческим признакам. На основе этих данных сервер игры персонализирует игровой опыт.

«Развивая направление облачных аналитических сервисов, мы выявили спрос на специализированные индустриальные решения с готовыми моделями машинного обучения, обеспечивающими автоматизированное принятие решений в режиме, близком к реальному времени. Индустрия мобильных игр стала лучшим направлением для отработки задач, — рассказал руководитель продуктового направления Центра компетенций больших данных «Техносерв» Тимур Мишин. — Игра «Маша и Медведь: День варенья» хорошо подходит для тестирования предиктивных моделей, так как использует известную игровую механику mach3 и имеет достаточно исторических данных. Кроме того, она содержит узнаваемых персонажей, которые привлекают к себе даже экспертов крупной ИТ компании». Он добавил, что игровые студии оптимальны в качестве клиентского сегмента благодаря активному росту выручки в индустрии (более 60 млрд. долларов в 2018 году), готовности быстро интегрировать и тестировать сервис (T2M).

«Мы следим за растущим рынком мобильной игровой разработки с начала 2018 года и видим хорошие возможности для создания различных продуктов и сервисов. В этом нашей команде очень помогает многолетняя экспертная база по машинному обучению и анализу данных. Мы глубоко погрузились в проблематику индустрии и видим, что предсказательная аналитика — пока одно из самых неисследованных направлений сервисов для разработчиков игр, — рассказал директор Центра компетенций Больших Данных Георгий Шатиров. — Специфика данных мобильной игровой индустрии заключается в большом количестве сегментов как игровых механик, так и самих игроков. Это непростая задача для машинного обучения, видимо, поэтому в данном направлении пока не так много поставщиков сервисов. Для построения качественной модели мы выбрали наиболее часто встречающийся сегмент и стремимся обеспечить наилучшее качество предсказания для него. После успешного результата на одном сегменте будет проще показать хорошие результаты и для других».

«Использование подобного сервиса может помочь студии эффективнее работать с различными сегментами игроков, повышая доходы от рекламы и игровых покупок, с сохранением или даже улучшением игрового процесса», — добавил генеральный директор студии KB Production Виталий Козлов. Из интересных направлений он выделил раннюю сегментацию игроков по игровым навыкам и склонности к покупкам.