Torrent Gear

Ტურნირებში მონაწილეთა სეგმენტი AI გამოყენებით

1) რატომ უნდა დაადგინოთ ტურნირის მოთამაშეები

AI სეგმენტი ხელს უწყობს:

გულწრფელად დათესეთ და მატჩის დაწყება (MMR/ლიგები, საკვალიფიკაციო კალათები).
დავალებებისა და გრაფიკის პერსონალიზაცია (დროის ცრემლი, ტირიფის სიგრძე).
პრიზების ეკონომიკის მართვა (მიზნობრივი გაშუქება და ჯილდოს გამოცემა).
შეამცირეთ რისკი და დატვირთვა (RG მცველები, ანტი-აბიუსი).
retenshnes- ის გაზრდა შესაბამისი მიზნების და მეტა - პროგრესიის სირთულის გამო.

2) მონაცემები და სიგნალები

ქცევა თამაშებში/ტურნირებში

ტემპი: უკანა/წთ, საშუალო და დისპერსია.

მონაწილეობის ბუნება: ტირიფების სიხშირე, საკვალიფიკაციო ეტაპის სიგრძე, ფინიშის ხაზების წილი.

შინაარსის მრავალფეროვნება: პროვაიდერები/ჟანრები, სიახლე.

Skill & კონკურენცია

პოზიციების ისტორია (ტოპ X%, საბოლოო მაგიდები), შედეგის სტაბილურობა.

MMR/Elo, K-factor, რეაგირება ლიგის გაუმჯობესებაზე.

ეკონომიკა

მარიონეტული ღირებულებები: დეპოზიტების ბრუნვა/სიხშირე (საერთო), ჯილდოების მგრძნობელობა (დეკლარაციაში მონაწილეობის კონვერტაცია).

სოციალური სიგნალები

აქტივობა ჩეთ რუმებში/კლიპებში/თემებში, რეპორტებსა და ტრაქტატებში.

კონტექსტი და RG

დღის დრო, მოწყობილობა, ზედიზედ სესიები, RG ლიმიტები და დროშები (დატვირთვის შემცირების მიზნით).

💡 ყველა სიგნალი - საერთო ფორმით, PII- ის გარეშე მარეგულირებელი მინიმუმის მიღმა.

3) ფიჩერინგი (მაგალითები)

შედეგის სტაბილურობა: პოზიციის ცვალებადობის კოეფიციენტი, P75-P25 დელტა.

Skill Gradient: MMR- ის ზრდა/ვარდნა განყოფილებებს შორის გადასვლის შემდეგ.

დროში მონაწილეობა: ჰიტები კვირის საათებში/დღეებში, მანქანის კორელაცია.

შინაარსის მრავალფეროვნება: პროვაიდერების/ჟანრების ენტროპია.

ეკონომიკური მგრძნობელობა: uplift მონაწილეობა პრომო/ბუსტებში.

RG დატვირთვა: სესიების საშუალო ხანგრძლივობა და სიჩქარე, გაფრთხილებების ნაკადი.

4) სეგმენტის მოდელის დასტის

1. კლასტერიზაცია: K-Means/HDBSCAN ქცევითი სეგმენტებისთვის.

2. ამბედინგი:

User2Vec პროვაიდერების/Ivents- ის თანმიმდევრობით (Skip-gram), Game2Vec შინაარსის სიახლოვის შესახებ - „ინტერესების“ საუკეთესო ჯგუფი.
3. გრაფიკის სეგმენტი: ერთობლივი მონაწილეობის საზოგადოება (საზოგადოება Detection) - სასარგებლოა კოლუზიის/პატი თამაშების მოსაპოვებლად.
4. პროპენსიტის მოდელები (supervised): მონაწილეობის/დასრულების/გამოტოვების ალბათობა წაგების შემდეგ.
5. შერეული ტიპოლოგია: საბოლოო სეგმენტები = × სკილას ქცევის ერთობლიობა × რისკის ეკონომიკა.

5) ტიპოლოგიის მაგალითი (ჩონჩხი)

S1 „სპრინტის კვალიფიკაცია“: მოკლე ინტენსიური ზარები, მაღალი მწვერვალები, დაბალი სტაბილურობა.

S2 „სტარი-ტურნირი“: გრძელი საკვალიფიკაციო, სტაბილური ტოპ 25%, საშუალო სიჩქარე.

S3 „კოლექციონერის შინაარსი“: პროვაიდერების მაღალი ენტროპია, უყვარს „მრავალფეროვნების“ მისიები.

S4 „სამაგისტრო ფინალი“: მაღალი MMR, პროვაიდერების ვიწრო აუზი, საბოლოო მაგიდების მაღალი%.

S5 „სეზონური მონადირე“: აქტიურია ტალღებით ბუჩქების/ტირიფების პერიოდებში.

S6 „რისკის სიგნალი RG“: დაღლილობის/გრძელი ნაკადის სესიების ნიშნები - მოითხოვს ნაზი სცენარებს.

6) ლიგებთან და თესვასთან ერთად

სეგმენტები არ შეცვლის MMR- ს, მაგრამ ამდიდრებს მას: სეგმენტი გავლენას ახდენს საკვალიფიკაციო ეტაპის სიგრძეზე, დავალებების ტიპზე, გრაფიკზე, მაგრამ არა მათემატიკურ შანსებზე/წესებზე.

Placement მატჩები + სწრაფი ap/down, სეგმენტსა და მიმდინარე ლიგას შორის აშკარა მატჩით.

სამართლიანობა: VIP სტატუსი არ მოქმედებს MMR- ზე და არ იძლევა უპირატესობას მატჩში.

7) სეგმენტების გამოყენება პრაქტიკაში

ტურნირის ფორმატები: სპრინტი/მარათონი/შერეული S1/S2.

მიკრო დავალებები: მრავალფეროვანი პროვაიდერები S3- სთვის, ტემპის კონტროლი S1- სთვის.

გრაფიკი: სლოტის პირადი რეკომენდაციები ჩვეულებრივი საქმიანობის შესახებ.

ჯილდოები: აქცენტი კოსმეტიკაზე/სეტებზე; იშვიათობა ყველასთვის საერთოა, გადახდის გარეშე.

კომუნიკაციები: ტექსტი/ტონალობა, სტრატეგიის მინიშნებები (ეთიკა ნეიტრალური).

RG მცველები: S6- სთვის - რბილი პაუზები, მისიების სიგრძის შეზღუდვა, სირთულის შემცირება.

8) ანტი აბიუზი და შესაბამისობა

კოლუზია/სმურფინგი: გრაფიკული სიგნალები და ქცევითი ბიომეტრია; შემთხვევითი KYC მასტერკლასებზე.

Rate limiting: cap/re-entri; გაცივება განმეორებითი ციკლებში.

სამართლიანობა: ჯილდოს ღირებულების ჭერი იგივეა; სეგმენტი ცვლის გზას/UX და არა EV მოგებას.

გამჭვირვალობა: ეკრანი „როგორ მუშაობს სეგმენტი“: ზოგადი პრინციპები, შიდა მასშტაბების გამჟღავნების გარეშე.

9) წარმატების მეტრიკა

Uplift D7/D30 კონტროლი vs სეგმენტების მიხედვით.

წვეულება/თამაში მისია და შესარჩევი მისიები.

SP განაწილება (გინი) სეზონური პროგრესის ერთგვაროვნებაა.

ჯილდოს მიღებამდე P95 არის დისპერსიის კონტროლი.

Complaint/Abuse rate, Smurf/Collusion flags.

RG მეტრიკა: რბილი პაუზების წილი, ულტრაბგერითი სესიების შემცირება.

Prize ROI/Emission to GGR არის პრომო ეკონომიკის სტაბილურობა.

10) A/B ნიმუშები

1. K-Means vs HDBSCAN სეგმენტი (ხმაურის წინააღმდეგობა, მტევნების სტაბილურობა).

2. ემბედინგის დამატებით მათ გარეშე (ფორმატის რეკომენდაციების ხარისხი).

3. მიკრო დავალებები: ერთი vs ორი პარალელური.

4. დროის სლოტები: პირადი დაფიქსირებული.

5. RG გვარდიების ბარიერი: რბილი vs მკაცრი.

6. საკვალიფიკაციო სიგრძე: მოკლე vs გრძელი S1/S2- ისთვის.

11) JSON შაბლონები

მოთამაშის სეგმენტის ბარათი (აგრეგატები + ჭდეები):

json
{
"user_id": "u_87421",  "segments": ["S1_sprinter", "S3_collector"],  "mmr": 1420,  "features": {
"pace_spm_med": 52,   "pace_spm_cv": 0. 31,   "finish_top10_rate": 0. 18,   "provider_entropy": 1. 92,   "evening_participation_rate": 0. 64
},  "rg_flags": {"long_sessions": true, "cooldown_suggested": true},  "updated_at": "2025-10-24T10:00:00Z"
}

გადაწყვეტილება ტურნირის/ამოცანების ფორმატის შესახებ:

json
{
"decision_id": "d_s3_2025_10_24_1000",  "user_id": "u_87421",  "recommendation": {
"qualifier_format": "sprint_20min",   "time_slot": "evening",   "micro_tasks": [
{"type":"pace_control","max_spm":48,"duration_min":20},    {"type":"provider_diversity","providers":3}
],   "reentry_cap": 1
},  "fairness": {"vip_neutral": true, "reward_cap_equivalent": true},  "rg": {"enforced_break_min": 10}
}

12) Pipline და წარმოება

არქიტექტურა:

მოვლენები - Kafka/Redpanda - ბრძოლა/ნაკადი (1h/24h/7d ფანჯარა).
Feature Store (ონლაინ/ოფლაინ) SLA მიწოდებით.
კლასტერიზაციის/ემბედინგის სწავლება 1-7 დღეში ერთხელ; შესასვლელში სეგმენტების ონლაინ დავალება.
გადაწყვეტილებების ორკესტრი: Segmentation API სერვისი - Matchmaking/Tasks/Comms.

დანიშვნის ფსევდო კოდი:

python ctx = build_context(user_id)
x = feature_store. fetch(user_id)
z = user2vec. embed(x. sequence)
cluster = hdbscan. predict(z)
segment = postprocess(cluster, mmr=ctx. mmr, rg=ctx. rg_flags)
emit_segment(user_id, segment)

13) UX და კომუნიკაციები

ლობი „შენთვის“: ფორმატი, ხანგრძლივობა, დროის ცრემლი - ერთ ბლოკში.

მანიპულირების გარეშე ტონი: „ჩვენ გირჩევთ საღამოს მოკლე კვალიფიკაციას - ასე თამაშობთ ჩვეულებრივ“.

კონტროლის ვარიანტები: ფორმატის/სლოტის შეცვლა, პირადი რეკომენდაციების გამორთვა.

მშვიდი VFX: წინსვლის ზუსტი მარკერები პრობლემებზე, სპამის გარეშე.

14) პატიოსნება და RG

სეგმენტი არ მოქმედებს RTP/მატჩების შანსებზე.

ჯილდოს ღირებულება ყველასთვის ერთნაირია.

სამუშაო პრინციპების გამჭვირვალე გვერდი.

Anti Abuse (კოლუზია, smurfing, rate limits) შედის.
RG მცველები აქტიურია: პაუზები, ხანგრძლივობის ლიმიტები, სირთულის შემცირება.
გადაწყვეტილებების ლოგიკა და განმარტების აუდიტი (reason codes).

15) განხორციელების გეგმა

1. MVP (3-5 კვირა): K-Means + ძირითადი ფიჩერინგი; ფორმატის/სლოტის რეკომენდაციები; გამჭვირვალეობის ეკრანი.

2. v0. 9: User2Vec/Game2Vec ემბედინგი; HDBSCAN; ანტი-აბიუსის გრაფიკული სიგნალები.

3. v1. 0: სეგმენტების ონლაინ განახლება, დავალებების ბანდიტებთან დაკავშირება; მოხსენებები „პატიოსნება“ და RG ანალიზი.

4. შემდეგი: სეგმენტების დავალებების ჯაჭვების RL კონფიგურაცია; ჯვარედინი პრომო, სეზონური შაბლონები.

AI სეგმენტი არის მნიშვნელობების ფენა MMR- ზე: ის არ ცვლის შანსებს, არამედ ირჩევს ფორმატს, ხანგრძლივობას, დავალებებს და კომუნიკაციას მოთამაშის სტილში. კლასტერიზაციის, ემბედინგის და პროპენსიტის კომბინაცია იძლევა სტაბილურ ტიპოლოგიას; Anti Abuse და RG Guardians ინარჩუნებენ გულწრფელ სისტემას; მეტრიკა (Gini, P95, ROI ემისიები) ადასტურებს, რომ ტურნირის ეკოსისტემა გახდა უფრო სამართლიანი და უფრო ეფექტური.