Väitös tietotekniikan alalta, M.Sc. Shaghayegh Roohi

Väitöskirjan nimi: Advances in AI-assisted Game Testing

Vastaväittäjä: apulaisprofessori Julian Togelius, Tandon School of Engineering, New York University, Yhdysvallat
Kustos: apulaisprofessori Perttu Hämäläinen, Aalto-yliopiston perustieteiden korkeakoulu, Tietotekniikan laitos

Väitöskirja on julkisesti nähtävillä 10 päivää ennen väitöstä Aalto-yliopiston julkaisuarkiston verkkoriiputussivulla.

Elektroninen väitöskirja

Väitöstiedote:

Väitöskirja tutkii ja kehittää koneoppimista ja tekoälyä tietokonepelien testaamisessa. Uskomme, että tutkimus on hyödyllistä sekä pelaajatutkimuksessa, että pelien kehityksessä. Ehdotamme ja arvioimme uusia tapoja vähentää pelitestauksen vaatimaa aikaa ja resursseja syväoppimisen ja vahvistusoppimisen avulla (deep learning, reinforcement learning). Tässä väitöskirjassa keskitymme erityisesti pelikokemukseen (player experience).

Väitöskirjan ensimmäisen kahden osajulkaisun keskiössä on emotionaalisen pelikokemuksen ymmärtäminen. Esittelemme Affect Gradient -menetelmän eli uuden tavan mitata emotionaalisten ilmeiden muutoksia pelitestausvideoissa eri pelitapahtumien yhteydessä. Automaattisen ilmeanalyysin hyödyntämisessä on kuitenkin syytä olla varovainen, sillä pelaajat voivat ilmaista epäselviä tunnevihjeitä esimerkiksi rypistäessään otsaansa keskittyneesti, minkä tekoäly voi tulkita vihaisuutena. Väitöskirjan toinen osajulkaisu kehittää pelistreamien (pelaamisesta kaapattujen videoiden) multimodaalista emootiotunnistusta, joka perustuu sekä kuvan, että äänen analyysiin. Tulokset osoittavat, että koneoppimisen on vaikea tunnistaa hienovaraisia ja hienojakoisempia emootioita, mutta se voi tunnistaa streameista emotionaalisesti merkittäviä pelitapahtumia.

Kahdessa viimeisessä osajulkaisussa tutkimme pelaajien kokemuksen ja käyttäytymisen mallintamista simulaatiopohjaisesti. Mallinnamme erityisesti pelitasojen vaikeuden ja pelaamisen lopettamisen (engl. churn) välistä yhteyttä ja miten se muuttuu pelin edetessä. Arvioimme ensin pelitasojen vaikeutta syvään vahvistusoppimiseen perustuvien (engl. deep reinforcement learning, DRL) AI-pelaajien avulla. Lisäksi simuloimme sitä miten pelaajapopulaatio muuttuu pelitasojen yli kun osa pelaajista lopettaa esimerkiksi kyllästymisen tai liian korkean vaikeustason vuoksi. Viimeinen osajulkaisu esittelee menetelmän teknisiä parannuksia, jotka tuottavat tarkempia ennusteita erityisesti vaikeampien pelitasojen kohdalla.

Yhteenvetona voidaan todeta, että väitöskirja edistää pelitestausta kahdesta eri näkökulmasta: Helpotamme pelitestivideoiden analyysia ja toisaalta myös vähennämme pelitestidatan tarvetta AI-pelaajien avulla tuotetun synteettisen datan avulla. Synteettinen data ei luonnollisesti ole yhtä luotettavaa kuin oikea data, mutta uskomme, että siitä voi olla apua esimerkiksi uusien pelitasojen alustavassa testauksessa ennen kuin ne julkaistaan oikeille pelaajille.

Väittelijän yhteystiedot: [email protected], +358414986176