Torrent Gear

AI missiýalary we ýaryş meselelerini nädip şahsylaşdyrýar

1) Näme üçin şahsylaşdyrmaly?

Missiýalary we ýaryş wezipelerini AI şahsylaşdyrmak:

ähmiýetini ýokarlandyrýar (içgysgynç grindsiz "gowy ýagdaýda" missiýa);
lapykeçligi peseldýär (oýunçynyň profiliniň çylşyrymlylygy we dowamlylygy);
retenşn we gatnaşygy gowulandyrýar (göze görünýän ösüş, düşnükli maksatlar);
ykdysadyýeti goraýar (baýraklaryň gözegçilik edilýän emissiýasy we şertleriň dogruçyllygy).

Açar: şahsylaşdyrmagyň we adalatyň deňagramlylygy - aýratyn maksatlar oýunlarda matematiki artykmaçlyk bermeli däldir.

2) Maglumat signallary (model girelgeleri)

Özüni alyp baryş: slotlaryň/üpjün edijileriň reanrlary, ortaça nyrh, spinleriň tizligi, sessiýalaryň uzynlygy, gije-gündiziň wagty, girelgeleriň ýygylygy.

Ösüş: derejeler/HR, öňki missiýalary ýerine ýetirmek, ýaryşlarda üstünlik/şowsuzlyk, streak 'i.

Maliýe: goýumlar/netijeler (jemlenen, duýgur jikme-jikliksiz), bonuslara duýgurlyk.

Sosial: söhbetdeşliklere/wakalara gatnaşmak, klipler/göçürmeler, jemgyýetiň reaksiýalary (bar bolsa).

Kontekst: gurnama, giriş kanaly, mazmun/üpjün edijiler boýunça geo-çäklendirmeler.

RG-signallar: wagt/depozit çäkleri, uzyn sessiýalara meýillilik - çylşyrymlylygy we ýumşak arakesmeleri azaltmak üçin.

💡 Möhüm: ähli modeller birleşdirilen, anonimleşdirilen şekiller bilen, PII ulanmazdan, komplayens bilen talap edilýänlerden has köp işleýär.

3) Model steki

1. Klaster (unsupervised)

K-Means/DBSCAN/HDBSCAN → özüni alyp baryş segmentleri: "sprinter", "kollektor", "ýaryş staeri", "üpjün edijilere mynasyp marka".

Ulanyş: segment üçin missiýalaryň esasy "çarçuwasyny" saýlaň.

2. Propensity-skoring (supervised)

Maksat: X wezipesini T penjiresinden tamamlamak mümkinçiligi, ýaryşa gatnaşmak/pellehana çykmak mümkinçiligi.

Modeller: Gradient Boosting (GBDT), logistika regressiýasy, tablisa Transformers.

3. Kontekst garakçylary (contextual bandits)

Maksat: exploration/exploitation gözegçiligi bilen kontekstdäki missiýanyň we çylşyrymlylygyň görnüşini onlaýn saýlamak.

Usullar: LinUCB/Thompson Sampling.

4. RL/Policy Learning (goşmaça)

Maksat: oýunçyny gyzdyrmazdan saklamak üçin missiýalaryň/meseleleriň (zynjyrlaryň) yzygiderliligini optimizirlemek.

Çäklendirmeler: berk howpsuzlyk gurluşlary (§ 7 serediň).

4) Paýpline maglumatlary we önümdäki çözgüt

Wakalary ýygnamak: event bus (Kafka/Redpanda), shemalar: spin, session_start/end, mission_progress, tournament_result.

Fichering: 1h/24h/7d frames; agregatlar (medianyň nyrhlary, tizligiň dispersiýasy, üpjün edijileriň dürlüligi).

Modelleri sazlamak/täzelemek: 1-7 günde bir gezek awtonom; her sessiýada onlaýn skoring + garakçynyň bölekleýin okuwy.

Berlen çäklendirmeler: dogruçyllyk syýasaty (rate-limits, baýraklar, RG-çäklendirmeler).

Çözgütleriň logikasy: kim/haçan/haýsy polis-warianty görkezilýär, mümkinçilik, garaşylýan çylşyrymlylyk, hakyky netije.

5) Missiýalaryň generatory (karar bermegiň logikasy)

1. Segment: klaster → missiýalaryň esasy sebedi (reanrlar, dowamlylygy).

2. Süzgüçler: üpjün edijiler, geo, RG-çäklendirmeler (gündelik wagt çäklerini goşmak bilen).

3. Propensiti-skoring: tamamlanma ähtimallygy we garaşylýan gymmaty boýunça dalaşgärleriň reýtingi (EV retenşna).

4. Kontekst garakçy: ε -exploration bilen iň gowy dalaşgärleriň 1-2-sini saýlamak.

5. Çylşyrymlylygy sazlamak: maksatlaryň periferiýa penjiresine uýgunlaşmagy (mysal üçin, dynç/dynç güni agşam).

6. Emissiýanyň gapy: möwsümleýin bellikleriň/kosmetikanyň býudjetini barlamak.

7. Manyly alternatiwa: 1 sany ätiýaçlyk missiýany hödürlemek (X sagatda bir gezek "çalyşmak" düwmesi).

6) Ýaryşyň wezipelerini şahsylaşdyrmak

MMR we taryh boýunça ligany/diwiziony saýlamak - VIP-e bagly däl (öňki makala serediň).

Ýaryşyň içindäki aýratyn mikro-maksatlar: "3 üpjün edijini oýnaň", "tizligi saklaň ≤ N spin/min", "nyşany top-X% üçin" - propensiti boýunça aýlanýar.

Çeýe gatnaşyk penjireleri: oýunçynyň köplenç onlaýn bolýan wagty; AI saýlama sessiýasyny maslahat berýär.

Profil boýunça baýrak ýollary: seýrek duş gelýän kosmetika we bellikler, ýöne RTP/maddy emlägi köpeltmezden.

7) Dogruçyllyk, jogapkärçilik we AI çäklendirmeleri

Howpsuzlyk-gurluşlar: günde iň köp şahsy missiýa N; ýadawlygyň RG signallarynda çylşyrymlylygyň ýokarlanmagyny gadagan etmek.

Aç-açanlyk: "Missiýalar nädip saýlanýar" ekrany: segmentler, kontekst, şowsuzlyklardan goramak (pity timers), baýraklar.

Fairness: hemmeler üçin birmeňzeş baýrak; şahsylaşdyrmak jemleýji gymmaty däl-de, ýoly üýtgedýär.

Responsible Gaming: ýumşak arakesmeler, "dynç almak" teklipleri, gündelik çäkler - polislere gurlan.

Gizlinlik: diňe agregatlar; düzgünleşdiriji iň pes derejeden ýokary modelde PII ýok.

8) Hyýanatçylyga garşy we oýnamaga garşy

Birmeňzeş siklleriň jikme-jiklikleri: ýokary ýygylyk bilen gaýtalanmalar → missiýalar üýtgewliligi talap edýär (üpjün ediji/nyrh/wagt).

Tizlik: X missiýadan/günden köp bolmaly däl, "çalt" meseleleriň arasynda cooldown.

Çylşyrymlylyk-gwardlar: aşaky/ýokarky çäkler; ýiti bökmek gadagandyr.

Ýaryşlarda birleşmeler: tor/özüni alyp baryş belgileri, ussat ligalarda tötänleýin KYC barlaglary.

Log-audit: çözgütleriň düşündirilmegi (reason codes: segment, propensiti, bandit-arm).

9) Üstünligiň metrikleri

Esasy D7/D30 garşy şahsylaşdyrylan Uplift.

Completion Rate missiýalary we Median Time-to-Complete (TTC).

Stickiness (DAU/MAU), Avg Session Length (RG-garawullar bilen).

Baýraklary paýlamagyň gini (şuňa meňzeş tagallalarda birmeňzeşlik).

"Adalatsyzlyk" boýunça "Complaint Rate" we "Mute/Opt-out Rate" şahsylaşdyrmak.

Prize ROI/Emission to GGR - mahabat ykdysadyýetiniň durnuklylygy.

"Exploration Cost" we "Regret" - ε/Thompson Sampling sazlamak üçin.

10) A/B-patternleri işe girizmek üçin

1. Missiýalaryň görnüşleri: üpjün ediji-aýratyn vs reanr.

2. Missiýalaryň uzynlygy: şort (≤ 15 min) vs orta (30-40 min).

3. Pity timers: hard vs soft şol bir p ₀.

4. Garakçy algoritmi: LinUCB vs Thompson; dürli ε.

5. Wezipe çalşygy: giriş 1/gün vs 2/gün.

6. Ýaryşyň mikro-maksatlary: biri vs iki sany paralel.

11) Missiýalaryň we ýaryş wezipeleriniň şablonlary (JSON)

Wezipe (şahsylaşdyrylan):

json
{
"mission_id": "m. s3. var. playtime. diverse. 001", "title": "Üç dünýäni aç", "segment_hint": "collector", "difficulty": "medium", "requirements": [
{"type":"provider_diversity","providers":3,"window_min":30},   {"type":"bet_range","min":0. 2,"max":1. 0}
],  "pity": {"soft_delta":0. 02,"cap":0. 4,"hard_after_attempts":30},  "rewards": {"tokens": 12, "cosmetic_drop": {"rarity":"Rare","p":0. 12}},  "caps": {"daily_user_missions": 3, "economy_token_cap": 150}
}

Ýaryşyň mikro-maksady:

json
{
"task_id": "t. s3. qualifier. pacing. tempo",  "context": {"league":"Gold","time_slot":"evening"},  "goal": {"type":"pace_control","max_spins_per_min":45,"duration_min":20},  "vip_neutral": true,  "rewards": {"season_points": 120},  "fairness": {"max_value_equivalence": true}
}

12) Prodakşen-psevdokod (kontekstli garakçy)

python konteksti: segment, wagt, enjam, ýakynda TTC, RG-baýdaklar context = build_context (user_id)

candidates = fetch_candidate_missions(segment=context. segment)
candidates = compliance_filter(candidates, context. geo, context. rg)

scored = [(m, propensity_score(m, context)) for m in candidates]
topK = top_by_score(scored, k=5)

garakçy "eli" saýlaýar (arm)
chosen = contextual_bandit. choose_arm(topK, context)

sütün çylşyrymlylygy + emissiýanyň býudjetini barlaýarys personalized = adjust_difficulty (chosen, context)
if not economy_budget_ok(personalized):
personalized = degrade_reward(personalized)

log_decision(user_id, context, personalized)
deliver(personalized)

13) UX-patternler

Aç-açanlyk: "Stiliňize laýyk saýlandy: 30-40 min, 3 üpjün ediji, ýeňiş - seýrek kosmetiki drop".

Gözegçilik: "Missiýany üýtget" (cooldown) düwmesi, "şahsylaşdyrmagy öçürmek" düwmesi.

Tekizligi: çylşyrymlylyk görkezijileri, wagtyna baha bermek, TTC çaklamasy bilen progress-bar.

Sessiz VFX: gysga üstünlik animasiýalary; şowsuzlyga fidbek - + bölekler/pity ösüşi.

14) Goýberiş meýilnamasy

1. MVP (3-5 hepde): toparlaşdyrmak + missiýalar üçin propensiti; statiki ýaryş wezipeleri; emissiýanyň gaplary; aç-açanlyk ekrany.

2. v0. 9: kontekstli garakçy; missiýany üýtgetmek; ýaryşlarda mikro-maksatlar; doly hukukly RG-goragçylary.

3. v1. 0: Missiýalaryň RL zynjyrlary; sosial maksatlar; wizual kolleksiýalar; "dogruçyllyk" hasabatlary we log barlagy.

4. Indiki: şablonlaryň möwsümleýin aýlanmagy, kosmetika retro-kambekleri, üpjün edijiler bilen kross-promo.

15) Başlamazdan ozal barlag sanawy

Şahsylaşdyrmak RTP/matematiki artykmaçlyga täsir etmeýär.
Emissiýa we gündelik wezipe çäkleri.
Pity timers we kesgitlenen tapgyrlar sazlandy.
"Nädip işleýär" ekrany + reason codes.
RG syýasaty: arakesmeler, çäklendirmeler, "şahsylaşdyrmagy öçürmek" mümkinçiligi.
Hyýanatçylyga garşy: talaplaryň üýtgemegi, tizligi, çözgütleriň log-auditi.
A/B meýilnamasy we üstünlik çäkleri bilen maksatly KPI sanawy.

AI şahsylaşdyrmak "has çylşyrymly" däl, has akylly: missiýalar we ýaryş wezipeleri oýunçynyň stiline uýgunlaşdyrylýar, ýöne dogruçyl we howpsuz bolmagynda galýar, emissiýa býudjetde we düzgünler aç-açan. Klasterizasiýa + propensitleri esas berýär, kontekstli garakçylar görkezilişi optimizirleýär, RL zynjyrlary gowulandyrýar we bularyň hemmesi diňe anyk gurluşlar, RG goragçylary we "nyşanalary nädip saýlaýandygymyz" bilen işleýär.