| Anotācija |
E-sporta tiešraidēs arvien biežāk tiek demonstrēti «AI predictor» tipa uzvaras varbūtības rādītāji, tomēr šādi risinājumi parasti ir slēgti: to datu avoti, modeļa loģika un kvalitātes novērtēšanas metodika nav pieejama pārbaudei, un lietotājs nesaņem skaidrojumu par to, kuri spēles notikumi ietekmē prognozes izmaiņas. Šī darba mērķis bija izstrādāt atkārtojamu reāllaika raunda iznākuma prognozēšanas modeli datorspēlei Counter-Strike 2, kas arī norāda svarīgākos to ietekmējošos faktorus.
Darba ietvaros tika izstrādātas septiņas modeļa versijas (v1-v7): v1-v3 balstījās uz loģistisko regresiju ar pakāpenisku pazīmju kopas paplašināšanu no 24 līdz 33 pazīmēm, v4 tika izstrādāts kā LightGBM modelis uz v3 pazīmem, lai izolētu arhitektūras maiņas efektu. v5-v7 izmantoja LightGBM gradienta pastiprinājuma koku ansambli. Papildus v6 pamata pazīmēm (raunda dinamika, ekipējums, ekonomika), v7 versijā tika pievienotas starpmomentuzņēmumu dinamikas, ieroču klašu sastāva, ekonomiskās klasifikācijas un taktisko rādītāju pazīmju grupas, kopumā sasniedzot 71 pazīmi. Apmācība veikta uz 24 699 raundiem no 1 348 profesionālām Counter-Strike 2 sacensību spēlēm, izmantojot grupēto k-kārtīgo šķērsvalidāciju (GroupKFold, k = 5, grupas pēc mača identifikatora) datu noplūdes novēršanai. LightGBM modeļu prognožu skaidrojamībai tika pielietota SHAP (SHapley Additive exPlanations) metode.
Galīgā v7 versija sasniedza 84,75% klasifikācijas precizitāti, AUC = 0,9318 un Briera rādītāju 0,1053, kas ir būtisks uzlabojums salīdzinājumā ar loģistiskās regresijas bāzes līmeni (68,54%) un ar iepriekšējo v6 modeli (84,09%; AUC = 0,9259). Izstrādātais risinājums tika integrēts ar Counter-Strike 2 Game State Integration saskarni un darbojas reāllaikā. Pēc katra spēles momentuzņēmuma tas izvada prognozēto uzvaras varbūtību un trīs pazīmes, kuras šajā konkrētajā situācijā to ietekmēja visvairāk. Tādējādi iegūtais rīks nodrošina gan kvantitatīvu raunda novērtējumu, gan interpretējamu atgriezenisko saiti, ko var izmantot analītikā un spēlētāju prasmju pilnveidē.
Bakalaura darbā ir 62 lappuses, 19 attēli, 12 tabulas un 10 informācijas avoti. |
