Soumettre la recherche
Mettre en ligne
『逆転オセロニア』における運用効率化支援 〜デッキログのデータマイニング〜
•
6 j'aime
•
40,109 vues
DeNA
Suivre
DeNA TechCon 2018の登壇資料です。
Lire moins
Lire la suite
Technologie
Signaler
Partager
Signaler
Partager
1 sur 67
Recommandé
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
joisino
状態空間モデルの考え方・使い方 - TokyoR #38
状態空間モデルの考え方・使い方 - TokyoR #38
horihorio
パターン認識と機械学習入門
パターン認識と機械学習入門
Momoko Hayamizu
Devsumi 2018summer
Devsumi 2018summer
Harada Kei
論文の図表レイアウト例
論文の図表レイアウト例
Sunao Hara
BlackBox モデルの説明性・解釈性技術の実装
BlackBox モデルの説明性・解釈性技術の実装
Deep Learning Lab(ディープラーニング・ラボ)
リクルート式 自然言語処理技術の適応事例紹介
リクルート式 自然言語処理技術の適応事例紹介
Recruit Technologies
表形式データで高性能な予測モデルを構築する「DNNとXGBoostのアンサンブル学習」
表形式データで高性能な予測モデルを構築する「DNNとXGBoostのアンサンブル学習」
西岡 賢一郎
Recommandé
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
joisino
状態空間モデルの考え方・使い方 - TokyoR #38
状態空間モデルの考え方・使い方 - TokyoR #38
horihorio
パターン認識と機械学習入門
パターン認識と機械学習入門
Momoko Hayamizu
Devsumi 2018summer
Devsumi 2018summer
Harada Kei
論文の図表レイアウト例
論文の図表レイアウト例
Sunao Hara
BlackBox モデルの説明性・解釈性技術の実装
BlackBox モデルの説明性・解釈性技術の実装
Deep Learning Lab(ディープラーニング・ラボ)
リクルート式 自然言語処理技術の適応事例紹介
リクルート式 自然言語処理技術の適応事例紹介
Recruit Technologies
表形式データで高性能な予測モデルを構築する「DNNとXGBoostのアンサンブル学習」
表形式データで高性能な予測モデルを構築する「DNNとXGBoostのアンサンブル学習」
西岡 賢一郎
畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化
Yusuke Uchida
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings (EMNLP 2021)
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings (EMNLP 2021)
Deep Learning JP
入門 Kubeflow ~Kubernetesで機械学習をはじめるために~ (NTT Tech Conference #4 講演資料)
入門 Kubeflow ~Kubernetesで機械学習をはじめるために~ (NTT Tech Conference #4 講演資料)
NTT DATA Technology & Innovation
カスタムSIで使ってみよう ~ OpenAI Gym を使った強化学習
カスタムSIで使ってみよう ~ OpenAI Gym を使った強化学習
Hori Tasuku
[DL輪読会]Xception: Deep Learning with Depthwise Separable Convolutions
[DL輪読会]Xception: Deep Learning with Depthwise Separable Convolutions
Deep Learning JP
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
mlm_kansai
CV分野におけるサーベイ方法
CV分野におけるサーベイ方法
Hirokatsu Kataoka
For MANABIYA
For MANABIYA
ssuserafaae8
研究効率化Tips Ver.2
研究効率化Tips Ver.2
cvpaper. challenge
[DL輪読会]Learning Transferable Visual Models From Natural Language Supervision
[DL輪読会]Learning Transferable Visual Models From Natural Language Supervision
Deep Learning JP
MLflowで学ぶMLOpsことはじめ
MLflowで学ぶMLOpsことはじめ
Kenichi Sonoda
ベータ分布の謎に迫る
ベータ分布の謎に迫る
Ken'ichi Matsui
ゼロから始める転移学習
ゼロから始める転移学習
Yahoo!デベロッパーネットワーク
MLOpsはバズワード
MLOpsはバズワード
Tetsutaro Watanabe
東北大学 先端技術の基礎と実践_深層学習による画像認識とデータの話_菊池悠太
東北大学 先端技術の基礎と実践_深層学習による画像認識とデータの話_菊池悠太
Preferred Networks
トピックモデルの基礎と応用
トピックモデルの基礎と応用
Tomonari Masada
フロー効率性とリソース効率性について #xpjug
フロー効率性とリソース効率性について #xpjug
Itsuki Kuroda
AlphaGoのしくみ
AlphaGoのしくみ
Hiroyuki Yoshida
データ基盤グループを支えるチームビルディング
データ基盤グループを支えるチームビルディング
株式会社MonotaRO Tech Team
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
Satoshi Hara
運用中のゲームにAIを導入するには〜プロジェクト推進・ユースケース・運用〜 [DeNA TechCon 2019]
運用中のゲームにAIを導入するには〜プロジェクト推進・ユースケース・運用〜 [DeNA TechCon 2019]
DeNA
Hadoop conference Japan 2011
Hadoop conference Japan 2011
Takahiko Ito
Contenu connexe
Tendances
畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化
Yusuke Uchida
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings (EMNLP 2021)
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings (EMNLP 2021)
Deep Learning JP
入門 Kubeflow ~Kubernetesで機械学習をはじめるために~ (NTT Tech Conference #4 講演資料)
入門 Kubeflow ~Kubernetesで機械学習をはじめるために~ (NTT Tech Conference #4 講演資料)
NTT DATA Technology & Innovation
カスタムSIで使ってみよう ~ OpenAI Gym を使った強化学習
カスタムSIで使ってみよう ~ OpenAI Gym を使った強化学習
Hori Tasuku
[DL輪読会]Xception: Deep Learning with Depthwise Separable Convolutions
[DL輪読会]Xception: Deep Learning with Depthwise Separable Convolutions
Deep Learning JP
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
mlm_kansai
CV分野におけるサーベイ方法
CV分野におけるサーベイ方法
Hirokatsu Kataoka
For MANABIYA
For MANABIYA
ssuserafaae8
研究効率化Tips Ver.2
研究効率化Tips Ver.2
cvpaper. challenge
[DL輪読会]Learning Transferable Visual Models From Natural Language Supervision
[DL輪読会]Learning Transferable Visual Models From Natural Language Supervision
Deep Learning JP
MLflowで学ぶMLOpsことはじめ
MLflowで学ぶMLOpsことはじめ
Kenichi Sonoda
ベータ分布の謎に迫る
ベータ分布の謎に迫る
Ken'ichi Matsui
ゼロから始める転移学習
ゼロから始める転移学習
Yahoo!デベロッパーネットワーク
MLOpsはバズワード
MLOpsはバズワード
Tetsutaro Watanabe
東北大学 先端技術の基礎と実践_深層学習による画像認識とデータの話_菊池悠太
東北大学 先端技術の基礎と実践_深層学習による画像認識とデータの話_菊池悠太
Preferred Networks
トピックモデルの基礎と応用
トピックモデルの基礎と応用
Tomonari Masada
フロー効率性とリソース効率性について #xpjug
フロー効率性とリソース効率性について #xpjug
Itsuki Kuroda
AlphaGoのしくみ
AlphaGoのしくみ
Hiroyuki Yoshida
データ基盤グループを支えるチームビルディング
データ基盤グループを支えるチームビルディング
株式会社MonotaRO Tech Team
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
Satoshi Hara
Tendances
(20)
畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings (EMNLP 2021)
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings (EMNLP 2021)
入門 Kubeflow ~Kubernetesで機械学習をはじめるために~ (NTT Tech Conference #4 講演資料)
入門 Kubeflow ~Kubernetesで機械学習をはじめるために~ (NTT Tech Conference #4 講演資料)
カスタムSIで使ってみよう ~ OpenAI Gym を使った強化学習
カスタムSIで使ってみよう ~ OpenAI Gym を使った強化学習
[DL輪読会]Xception: Deep Learning with Depthwise Separable Convolutions
[DL輪読会]Xception: Deep Learning with Depthwise Separable Convolutions
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
CV分野におけるサーベイ方法
CV分野におけるサーベイ方法
For MANABIYA
For MANABIYA
研究効率化Tips Ver.2
研究効率化Tips Ver.2
[DL輪読会]Learning Transferable Visual Models From Natural Language Supervision
[DL輪読会]Learning Transferable Visual Models From Natural Language Supervision
MLflowで学ぶMLOpsことはじめ
MLflowで学ぶMLOpsことはじめ
ベータ分布の謎に迫る
ベータ分布の謎に迫る
ゼロから始める転移学習
ゼロから始める転移学習
MLOpsはバズワード
MLOpsはバズワード
東北大学 先端技術の基礎と実践_深層学習による画像認識とデータの話_菊池悠太
東北大学 先端技術の基礎と実践_深層学習による画像認識とデータの話_菊池悠太
トピックモデルの基礎と応用
トピックモデルの基礎と応用
フロー効率性とリソース効率性について #xpjug
フロー効率性とリソース効率性について #xpjug
AlphaGoのしくみ
AlphaGoのしくみ
データ基盤グループを支えるチームビルディング
データ基盤グループを支えるチームビルディング
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
Similaire à 『逆転オセロニア』における運用効率化支援 〜デッキログのデータマイニング〜
運用中のゲームにAIを導入するには〜プロジェクト推進・ユースケース・運用〜 [DeNA TechCon 2019]
運用中のゲームにAIを導入するには〜プロジェクト推進・ユースケース・運用〜 [DeNA TechCon 2019]
DeNA
Hadoop conference Japan 2011
Hadoop conference Japan 2011
Takahiko Ito
「ビジネス活用事例で学ぶ データサイエンス入門」輪読会#7資料
「ビジネス活用事例で学ぶ データサイエンス入門」輪読会#7資料
Shintaro Nomura
ユーザーサイド情報検索システム
ユーザーサイド情報検索システム
joisino
ae-11. 実データの分析,意味の抽出,外れ値の判断
ae-11. 実データの分析,意味の抽出,外れ値の判断
kunihikokaneko1
SparkとJupyterNotebookを使った分析処理 [Html5 conference]
SparkとJupyterNotebookを使った分析処理 [Html5 conference]
Tanaka Yuichi
Discriminative Deep Dyna-Q: Robust Planning for Dialogue Policy Learning
Discriminative Deep Dyna-Q: Robust Planning for Dialogue Policy Learning
TomoyasuOkada
1997 情報処理学会論文誌-自然言語要求仕様からオブジェクト指向設計図を自動生成するシステム
1997 情報処理学会論文誌-自然言語要求仕様からオブジェクト指向設計図を自動生成するシステム
n-yuki
DEIM2019 楽天技術研究所の研究とケーススタディ(推薦システム)
DEIM2019 楽天技術研究所の研究とケーススタディ(推薦システム)
Sho Nakamura
企業等に蓄積されたデータを分析するための処理機能の提案
企業等に蓄積されたデータを分析するための処理機能の提案
Toshiyuki Shimono
Elasticsearchと機械学習を実際に連携させる
Elasticsearchと機械学習を実際に連携させる
nobu_k
【SSII2015】人を観る技術の先端的研究
【SSII2015】人を観る技術の先端的研究
Hirokatsu Kataoka
Neo4j ハンズオン
Neo4j ハンズオン
zacky135
ソーシャルデザインパターン -評判と情報収集-
ソーシャルデザインパターン -評判と情報収集-
Koichi Hamada
Unsupervised Graph-based Topic Labelling using DBpedia
Unsupervised Graph-based Topic Labelling using DBpedia
Takanori Nakai
再考: お買い得物件を機械学習で見つける方法
再考: お買い得物件を機械学習で見つける方法
智志 片桐
推薦システムを構築する手順書 with Azure Machine Learning
推薦システムを構築する手順書 with Azure Machine Learning
Masayuki Ota
Renewed using elasticsearchonaspnet-core5
Renewed using elasticsearchonaspnet-core5
Shotaro Suzuki
Pythonによる機械学習
Pythonによる機械学習
Kimikazu Kato
Sigir2013 勉強会資料
Sigir2013 勉強会資料
Mitsuo Yamamoto
Similaire à 『逆転オセロニア』における運用効率化支援 〜デッキログのデータマイニング〜
(20)
運用中のゲームにAIを導入するには〜プロジェクト推進・ユースケース・運用〜 [DeNA TechCon 2019]
運用中のゲームにAIを導入するには〜プロジェクト推進・ユースケース・運用〜 [DeNA TechCon 2019]
Hadoop conference Japan 2011
Hadoop conference Japan 2011
「ビジネス活用事例で学ぶ データサイエンス入門」輪読会#7資料
「ビジネス活用事例で学ぶ データサイエンス入門」輪読会#7資料
ユーザーサイド情報検索システム
ユーザーサイド情報検索システム
ae-11. 実データの分析,意味の抽出,外れ値の判断
ae-11. 実データの分析,意味の抽出,外れ値の判断
SparkとJupyterNotebookを使った分析処理 [Html5 conference]
SparkとJupyterNotebookを使った分析処理 [Html5 conference]
Discriminative Deep Dyna-Q: Robust Planning for Dialogue Policy Learning
Discriminative Deep Dyna-Q: Robust Planning for Dialogue Policy Learning
1997 情報処理学会論文誌-自然言語要求仕様からオブジェクト指向設計図を自動生成するシステム
1997 情報処理学会論文誌-自然言語要求仕様からオブジェクト指向設計図を自動生成するシステム
DEIM2019 楽天技術研究所の研究とケーススタディ(推薦システム)
DEIM2019 楽天技術研究所の研究とケーススタディ(推薦システム)
企業等に蓄積されたデータを分析するための処理機能の提案
企業等に蓄積されたデータを分析するための処理機能の提案
Elasticsearchと機械学習を実際に連携させる
Elasticsearchと機械学習を実際に連携させる
【SSII2015】人を観る技術の先端的研究
【SSII2015】人を観る技術の先端的研究
Neo4j ハンズオン
Neo4j ハンズオン
ソーシャルデザインパターン -評判と情報収集-
ソーシャルデザインパターン -評判と情報収集-
Unsupervised Graph-based Topic Labelling using DBpedia
Unsupervised Graph-based Topic Labelling using DBpedia
再考: お買い得物件を機械学習で見つける方法
再考: お買い得物件を機械学習で見つける方法
推薦システムを構築する手順書 with Azure Machine Learning
推薦システムを構築する手順書 with Azure Machine Learning
Renewed using elasticsearchonaspnet-core5
Renewed using elasticsearchonaspnet-core5
Pythonによる機械学習
Pythonによる機械学習
Sigir2013 勉強会資料
Sigir2013 勉強会資料
Plus de DeNA
DRIVE CHARTの裏側 〜 AI ☓ IoT ☓ ビッグデータを 支えるアーキテクチャ 〜
DRIVE CHARTの裏側 〜 AI ☓ IoT ☓ ビッグデータを 支えるアーキテクチャ 〜
DeNA
IoTと業務システムをつなぐgRPC/RESTサービスの開発と運用
IoTと業務システムをつなぐgRPC/RESTサービスの開発と運用
DeNA
Can We Make Maps from Videos? ~From AI Algorithm to Engineering for Continuou...
Can We Make Maps from Videos? ~From AI Algorithm to Engineering for Continuou...
DeNA
SHOWROOMとDeNAで取り組んだライブ配信基盤刷新・超低遅延ライブ配信の裏側【DeNA TechCon 2020 ライブ配信】
SHOWROOMとDeNAで取り組んだライブ配信基盤刷新・超低遅延ライブ配信の裏側【DeNA TechCon 2020 ライブ配信】
DeNA
クラウド環境でのセキュリティ監査自動化【DeNA TechCon 2020 ライブ配信】
クラウド環境でのセキュリティ監査自動化【DeNA TechCon 2020 ライブ配信】
DeNA
DeClang 誕生!Clang ベースのハッキング対策コンパイラ【DeNA TechCon 2020 ライブ配信】
DeClang 誕生!Clang ベースのハッキング対策コンパイラ【DeNA TechCon 2020 ライブ配信】
DeNA
仕様起因の手戻りを減らして開発効率アップを目指すチャレンジ 【DeNA TechCon 2020 ライブ配信】
仕様起因の手戻りを減らして開発効率アップを目指すチャレンジ 【DeNA TechCon 2020 ライブ配信】
DeNA
DeNA データプラットフォームにおける 自由と統制のバランス【DeNA TechCon 2020 ライブ配信】
DeNA データプラットフォームにおける 自由と統制のバランス【DeNA TechCon 2020 ライブ配信】
DeNA
リアルタイムリモートデバッグ環境によるゲーム開発イテレーションの高速化【DeNA TechCon 2020 ライブ配信】
リアルタイムリモートデバッグ環境によるゲーム開発イテレーションの高速化【DeNA TechCon 2020 ライブ配信】
DeNA
MOV の機械学習システムを支える MLOps 実践【DeNA TechCon 2020 ライブ配信】
MOV の機械学習システムを支える MLOps 実践【DeNA TechCon 2020 ライブ配信】
DeNA
コンピュータビジョン技術の実応用〜DRIVE CHARTにおける脇見・車間距離不足検知〜【DeNA TechCon 2020 ライブ配信】
コンピュータビジョン技術の実応用〜DRIVE CHARTにおける脇見・車間距離不足検知〜【DeNA TechCon 2020 ライブ配信】
DeNA
DeNA の Slack 導入と活用の事例紹介
DeNA の Slack 導入と活用の事例紹介
DeNA
タクシーxAIを支えるKubernetesとAIデータパイプラインの信頼性の取り組みについて [SRE NEXT 2020]
タクシーxAIを支えるKubernetesとAIデータパイプラインの信頼性の取り組みについて [SRE NEXT 2020]
DeNA
オートモーティブ領域における 位置情報関連アルゴリズムあれこれ
オートモーティブ領域における 位置情報関連アルゴリズムあれこれ
DeNA
後部座席タブレットにおけるMaaS時代を見据えた半歩先のUX設計」 [MOBILITY:dev]
後部座席タブレットにおけるMaaS時代を見据えた半歩先のUX設計」 [MOBILITY:dev]
DeNA
ドライブレコーダ映像からの3次元空間認識 [MOBILITY:dev]
ドライブレコーダ映像からの3次元空間認識 [MOBILITY:dev]
DeNA
MOVで実践したサーバーAPI実装の超最適化について [MOBILITY:dev]
MOVで実践したサーバーAPI実装の超最適化について [MOBILITY:dev]
DeNA
MOV お客さま探索ナビの GCP ML開発フローについて
MOV お客さま探索ナビの GCP ML開発フローについて
DeNA
課題ドリブン、フルスタックAI開発術 [MOBILITY:dev]
課題ドリブン、フルスタックAI開発術 [MOBILITY:dev]
DeNA
DeNA の AWS アカウント管理とセキュリティ監査自動化
DeNA の AWS アカウント管理とセキュリティ監査自動化
DeNA
Plus de DeNA
(20)
DRIVE CHARTの裏側 〜 AI ☓ IoT ☓ ビッグデータを 支えるアーキテクチャ 〜
DRIVE CHARTの裏側 〜 AI ☓ IoT ☓ ビッグデータを 支えるアーキテクチャ 〜
IoTと業務システムをつなぐgRPC/RESTサービスの開発と運用
IoTと業務システムをつなぐgRPC/RESTサービスの開発と運用
Can We Make Maps from Videos? ~From AI Algorithm to Engineering for Continuou...
Can We Make Maps from Videos? ~From AI Algorithm to Engineering for Continuou...
SHOWROOMとDeNAで取り組んだライブ配信基盤刷新・超低遅延ライブ配信の裏側【DeNA TechCon 2020 ライブ配信】
SHOWROOMとDeNAで取り組んだライブ配信基盤刷新・超低遅延ライブ配信の裏側【DeNA TechCon 2020 ライブ配信】
クラウド環境でのセキュリティ監査自動化【DeNA TechCon 2020 ライブ配信】
クラウド環境でのセキュリティ監査自動化【DeNA TechCon 2020 ライブ配信】
DeClang 誕生!Clang ベースのハッキング対策コンパイラ【DeNA TechCon 2020 ライブ配信】
DeClang 誕生!Clang ベースのハッキング対策コンパイラ【DeNA TechCon 2020 ライブ配信】
仕様起因の手戻りを減らして開発効率アップを目指すチャレンジ 【DeNA TechCon 2020 ライブ配信】
仕様起因の手戻りを減らして開発効率アップを目指すチャレンジ 【DeNA TechCon 2020 ライブ配信】
DeNA データプラットフォームにおける 自由と統制のバランス【DeNA TechCon 2020 ライブ配信】
DeNA データプラットフォームにおける 自由と統制のバランス【DeNA TechCon 2020 ライブ配信】
リアルタイムリモートデバッグ環境によるゲーム開発イテレーションの高速化【DeNA TechCon 2020 ライブ配信】
リアルタイムリモートデバッグ環境によるゲーム開発イテレーションの高速化【DeNA TechCon 2020 ライブ配信】
MOV の機械学習システムを支える MLOps 実践【DeNA TechCon 2020 ライブ配信】
MOV の機械学習システムを支える MLOps 実践【DeNA TechCon 2020 ライブ配信】
コンピュータビジョン技術の実応用〜DRIVE CHARTにおける脇見・車間距離不足検知〜【DeNA TechCon 2020 ライブ配信】
コンピュータビジョン技術の実応用〜DRIVE CHARTにおける脇見・車間距離不足検知〜【DeNA TechCon 2020 ライブ配信】
DeNA の Slack 導入と活用の事例紹介
DeNA の Slack 導入と活用の事例紹介
タクシーxAIを支えるKubernetesとAIデータパイプラインの信頼性の取り組みについて [SRE NEXT 2020]
タクシーxAIを支えるKubernetesとAIデータパイプラインの信頼性の取り組みについて [SRE NEXT 2020]
オートモーティブ領域における 位置情報関連アルゴリズムあれこれ
オートモーティブ領域における 位置情報関連アルゴリズムあれこれ
後部座席タブレットにおけるMaaS時代を見据えた半歩先のUX設計」 [MOBILITY:dev]
後部座席タブレットにおけるMaaS時代を見据えた半歩先のUX設計」 [MOBILITY:dev]
ドライブレコーダ映像からの3次元空間認識 [MOBILITY:dev]
ドライブレコーダ映像からの3次元空間認識 [MOBILITY:dev]
MOVで実践したサーバーAPI実装の超最適化について [MOBILITY:dev]
MOVで実践したサーバーAPI実装の超最適化について [MOBILITY:dev]
MOV お客さま探索ナビの GCP ML開発フローについて
MOV お客さま探索ナビの GCP ML開発フローについて
課題ドリブン、フルスタックAI開発術 [MOBILITY:dev]
課題ドリブン、フルスタックAI開発術 [MOBILITY:dev]
DeNA の AWS アカウント管理とセキュリティ監査自動化
DeNA の AWS アカウント管理とセキュリティ監査自動化
Dernier
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
CRI Japan, Inc.
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Hiroshi Tomioka
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
CRI Japan, Inc.
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
atsushi061452
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native Integrations
WSO2
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
Toru Tamaki
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NTT DATA Technology & Innovation
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
Toru Tamaki
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
sn679259
Dernier
(12)
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native Integrations
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
『逆転オセロニア』における運用効率化支援 〜デッキログのデータマイニング〜
1.
『逆転オセロニア』における 運用効率化支援 〜デッキログのデータマイニング〜 AIシステム部 AI研究開発グループ 田中 一樹
2.
講演者の紹介 田中 一樹 略歴 • 2017年新卒入社 •
電力最適化の研究 – 再生可能エネルギー,確率計画法 • 国内外のデータ分析コンペで複数回入賞 – Kaggle 3位(Kaggle Master),KDDCup 10位,… • AI研究開発エンジニア – 強化学習・機械学習を用いたゲームAI開発 • 最近では『速習 強化学習ー基礎理論とアルゴリズムー』(共著)を出版 • 『ゲーム体験を支える強化学習』というタイトルで後ほど解説します (YELLOW Stage,15:40~16:20 – 分析業務(本講演) 1 @ikki407
3.
本日の講演内容 アプリゲーム『逆転オセロニア』における デッキログ分析による運用効率化支援の 取り組みについてご紹介 2
4.
講演の流れ 1. 概要 – 『逆転オセロニア』とは? –
デッキ分析に至った背景 – デッキ分析の目的とできること 2. 分析の詳細 – 全体の分析フロー – キャラクターの関係性の抽出 – デッキで鍵となるキャラクターの抽出 3. まとめ 3
5.
講演の流れ 1. 概要 – 『逆転オセロニア』とは? –
デッキ分析に至った背景 – デッキ分析の目的とできること 2. 分析の詳細 – 全体の分析フロー – キャラクターの関係性の抽出 – デッキで鍵となるキャラクターの抽出 3. まとめ 4
6.
『逆転オセロニア』とは • オセロとTCG(Trading Card
Game) 要素のある戦略アプリゲーム – オセロがベースなのでルールが「誰でもわかる」 – 後半に「逆転」が巻き起こるゲームシステム • 2018年1月 1,800万ダウンロード突破 • 2018年2月 2周年! 5
7.
『逆転オセロニア』: 基本ルール 6 • 6
× 6のオセロ盤面で交互にプレイ • キャラクターにはステータスが存在 – ヒットポイント(HP) – 攻撃力(ATK) – スキル/コンボスキル • 目標は相手のHPを0にすること
8.
『逆転オセロニア』: 対戦コンテンツ クエスト • 対CPU対戦 •
PvE (Player vs. Environment) クラスマッチ • 対プレイヤー対戦 • PvP (Player vs. Player) 7 本講演で 扱うデータ
9.
『逆転オセロニア』: 属性 高い攻撃力をもち速攻 での仕掛けが得意 8 妨害系スキルをもち相手 のコントロールが得意 高いHPをもち終盤 での逆転が得意 竜属性 魔属性
神属性
10.
『逆転オセロニア』: デッキ構築 • 16枚で構成 –
所持キャラクターから選択 – キャラクターは2,000体以上 – コスト上限が存在 • ランクに応じて上昇 – 同じキャラは基本1体まで 9 バランス良く組む ことが大事
11.
『逆転オセロニア』: デッキコンセプト • デッキ毎に戦術方針(デッキコンセプト)が存在 –
キャラクターやスキルが増えるにつれて複雑化してきている 10 神デッキ • 特殊ダメージ型 • 回復型 魔デッキ • 毒攻撃型 • 呪い型 竜デッキ • 統一速攻 • チャージ竜 混合デッキ • 蘭陵王リーダー型 • バランス型
12.
講演の流れ 1. 概要 – 『逆転オセロニア』とは? –
デッキ分析に至った背景 – デッキ分析の目的とできること 2. 分析の詳細 – 全体の分析フロー – キャラクターの関係性の抽出 – デッキで鍵となるキャラクターの抽出 3. まとめ 11
13.
分析背景:ゲームサイクル 12 キャラ獲得 • 対戦 • イベント •
ガチャ デッキ構築 対戦 • クラスマッチ • クエスト • イベント • プレイヤーはこのプロセスを繰り返してゲームを楽しむ – 一つでも「やりがい・面白さ」が成り立たないとゲーム循環が 停滞
14.
分析背景:ゲームサイクル 13 • デッキが固定化するとゲームシステムが壊れてしまう – 常に似通った対戦相手 –
単調な戦い(作業感が強い) – キャラクター獲得したいという気持ちが生まれない キャラ獲得 • 対戦 • イベント • ガチャ デッキ構築 対戦 • クラスマッチ • クエスト • イベント
15.
分析背景:ゲームサイクル 14 • デッキ環境を適切に把握し続けることが大事 – 今キャラクターはどうやって使われているのか? –
どのようなデッキコンセプトが存在するのか? キャラ獲得 • 対戦 • イベント • ガチャ デッキ構築 対戦 • クラスマッチ • クエスト • イベント
16.
分析背景:現在の運用方法 15 キャラクター使用率 を集計し環境をチェック デッキ編成における 特徴的なキャラクター パターンを人力チェック 今どんなタイプのデッキが 使われているのだろうか…? よく使われている キャラクターは何だろうか…?
17.
分析背景:運用の課題感 16 単軸による分析だと 深い検証が難しい 複雑化してくると 考慮漏れが発生する キャラクター使用率 を集計し環境をチェック デッキ編成における 特徴的なキャラクター パターンを人力チェック
18.
まとめると 17
19.
分析背景:チェックの難しさ 18 日々大量のプレイヤー同士の戦いが行われている デッキコンセプトも複雑化してきている
20.
分析背景:チェックの難しさ 19 日々大量のプレイヤー同士の戦いが行われている デッキコンセプトも複雑化してきている 人力での確認は困難
21.
データマイニングでデッキ環境を 自動的に抽出・可視化して運用効率化に繋げたい 分析背景:チェックの自動化 20 日々大量のプレイヤー同士の戦いが行われている デッキコンセプトも複雑化してきている 人力での確認は困難
22.
講演の流れ 1. 概要 – 『逆転オセロニア』とは? –
デッキ分析に至った背景 – デッキ分析の目的とできること 2. 分析の詳細 – 全体の分析フロー – キャラクターの関係性の抽出 – デッキで鍵となるキャラクターの抽出 3. まとめ 21
23.
デッキ分析の目的 22 データマイニングでデッキ環境を 自動的に抽出・可視化して運用効率化に繋げたい
24.
デッキ分析の目的 23 データマイニングでデッキ環境を 自動的に抽出・可視化して運用効率化に繋げたい 単軸による分析だと 深い検証が難しい 複雑化してくると 考慮漏れが発生する 解決したいこと
25.
解決策 解決したいこと 目的を達成するためにすべきこと 24 データマイニングでデッキ環境を 自動的に抽出・可視化して運用効率化に繋げたい 単軸による分析だと 深い検証が難しい 複雑化してくると 考慮漏れが発生する 様々なキャラクターの 関係性を集計 キャラクターパターンを 自動で発見
26.
具体的にどんなことができるの? 25
27.
デッキ分析でできること(その1) 26 ルール 支持度 信頼度
リフト 弁財天 → シーラーザード 5% 50% 2.0 麒麟→ シーラーザード 25% 40% 1.5 ウケモチ → シーラーザード 20% 45% 2.1 ラヴーシュカ → アルキメデス 5% 30% 2.0 デメテル → シーラーザード 55% 60% 2.3 … … … … キャラクターの関係性を大量に抽出できる 弁財天とシーラーザードを使っている確率5% デメテルを使うならばシーラザードを60%の確率で使う ※ 実際の分析結果ではなくイメージです
28.
デッキ分析でできること(その1) 27 キャラクターの関係性を大量に抽出できる • 意図しているゲーム環境になっているか確かめられる – 例えば,キャラクターの組み合わせ,使用率,割合など •
キャラクターの利用状況を把握してゲーム運用に反映できる – 今後追加するキャラクターの判断材料として使える
29.
キャラクターパターン(5体) 支持度 エンデガ,ウンディーネ,アラク,ジークフリート,フギンとムニン 20% アルキメデス,フレデリカ,ブリュンヒルデ,シーラーザード,ハロウィン・ナンディ
15% ヴィクトリア,ジークフリート,アラク,オキクルミ,フェリタ&プティ 15% 蘭陵王,ブレスドソーディアン,キムン・カムイ,オキクルミ,アラク 15% ローラン,アラク,ブレスドソーディアン,アラジン,フェリタ&プティ 15% デッキ分析でできること(その2) 28 鍵となるキャラクターパターンを大量に抽出できる ゲーム内環境において特徴的な5体のキャラクターパターン 15%の割合でこの5体が使われている ※ 実際の分析結果ではなくイメージです
30.
デッキ分析でできること(その2) 29 鍵となるキャラクターパターンを大量に抽出できる • 定常的にゲーム内のデッキ環境を把握できる – 例えば,デッキバランスや流行を追える •
環境の変化を検知できる – 似た編成が流行って面白みが薄れていないか?
31.
講演の流れ 1. 概要 – 『逆転オセロニア』とは? –
デッキ分析に至った背景 – デッキ分析の目的とできること 2. 分析の詳細 – 全体の分析フロー – キャラクターの関係性の抽出 – デッキで鍵となるキャラクターの抽出 3. まとめ 30
32.
デッキ分析フロー(全体像) 対戦 ログ 対戦デッキ抽出 アソシエーション分析 クラスタリング 31 デ ッ キ
分析したい条件 でデッキを抽出 後の分析で使用 キャラクターの 関係性を抽出 キャラクターパター ンも同時に抽出 似たキャラクターパ ターンのグルーピング 多様な結果の獲得
33.
デッキ分析フロー(全体像) 対戦 ログ 32 デ ッ キ 対戦デッキ抽出 アソシエーション分析 クラスタリング
分析したい条件 でデッキを抽出 後の分析で使用 キャラクターの 関係性を抽出 キャラクターパター ンも同時に抽出 似たキャラクターパ ターンのグルーピング 多様な結果の獲得
34.
対戦デッキの抽出 • 分析したいデッキの条件で抽出 – 時期,プレイヤーのレベル,属性 –
勝った/負けたデッキ 33 対戦ログ 分析デッキリスト 魔デッキ 抽出 使うデッキに よって分析結果 の解釈も変わる
35.
デッキ分析フロー(全体像) 対戦 ログ 34 デ ッ キ 対戦デッキ抽出 アソシエーション分析 クラスタリング
分析したい条件 でデッキを抽出 後の分析で使用 キャラクターの 関係性を抽出 キャラクターパター ンも同時に抽出 似たキャラクターパ ターンのグルーピング 多様な結果の獲得
36.
アソシエーション分析とは? • 大規模データの中に存在する関係性を抽出する分析手法 – 関係性は”アソシエーションルール”と呼ばれる 35 大規模 デッキ ログ キャラAを使っていたら キャラBも使っている確率80% キャラX,
Yを使っていたら キャラZも使っている確率30% ・・・ アソシエーションルール 例 アソシエーション分析
37.
得られたアソシエーションルール 36 ルール 支持度 信頼度
リフト 弁財天 → シーラーザード 5% 50% 2.0 麒麟 → シーラーザード 25% 40% 1.5 ウケモチ → シーラーザード 20% 45% 2.1 ラヴーシュカ → アルキメデス 5% 30% 2.0 デメテル → シーラーザード 55% 60% 2.3 … … … … … … … … … … … … • デッキログから抽出されたルール※ – キャラクター間の関係性を定量的に抽出できる – ルールには3つの指標が存在:支持度,信頼度,リフト ※ 実際の分析結果ではなくイメージです このような ルールが大量 に得られる 三つの指標からルールの 価値を判断する必要がある
38.
アソシエーションルール:支持度 • 支持度はルール自体が発生する確率を表す – 値が大きいとよくあるルール 37※
実際の分析結果ではなくイメージです ルール 支持度 信頼度 リフト 弁財天 → シーラーザード 5% 50% 2.0 麒麟 → シーラーザード 25% 40% 1.5 ウケモチ → シーラーザード 20% 45% 2.1 ラヴーシュカ → アルキメデス 5% 30% 2.0 デメテル → シーラーザード 55% 60% 2.3 一部のプレイヤーが使っているパターン みんなが使ってるパターン
39.
アソシエーションルール:信頼度 • 信頼度(A→B)は条件Aだった時に結論Bが発生する確率 – 値が大きいと条件によって結論が生じやすくなる 38※
実際の分析結果ではなくイメージです ルール 支持度 信頼度 リフト 弁財天 → シーラーザード 5% 50% 2.0 麒麟 → シーラーザード 25% 40% 1.5 ウケモチ → シーラーザード 20% 45% 2.1 ラヴーシュカ → アルキメデス 5% 30% 2.0 デメテル → シーラーザード 55% 60% 2.3 弁財天を使うならばシーラーザードも使う確率50% ルール中のキャラクターは回復戦略で使われやすく信頼度も高いので 意図通り似たタイプと使われていることが確認できる
40.
アソシエーションルール:リフト • リフトはルールが有用かを表す指標 – 値が1より大きいとお互いの関係性の強いルール 39※
実際の分析結果ではなくイメージです ルール 支持度 信頼度 リフト 弁財天 → シーラーザード 5% 50% 2.0 麒麟 → シーラーザード 25% 40% 1.5 ウケモチ → シーラーザード 20% 45% 2.1 ラヴーシュカ → アルキメデス 5% 30% 2.0 デメテル → シーラーザード 55% 60% 2.3 回復キャラクターだから使われるという背景が示唆できる 支持度が小さいため一部のプレイヤーには有用なルール
41.
(参考)出てきた3つの指標 40 指標 値が大きいと… 例 支持度 (Support) よくあるルール 信頼度 (Confidence) 条件時に結論部が 生じやすい リフト (Lift) お互いの関係性が強い (1より大きい時) 蘭陵王
アズリエル このルール自体が 全デッキ中90% で使われている 蘭陵王を デッキで 使っている アズリエル を90%の 確率で使う と 蘭陵王 の使用 アズリエル の使用 はお互いに 依存関係が強く 有用なルール
42.
実際の活用例 1. さまざまなタイプのキャラクターに関する分析 – 人力では見つけられないデッキコンセプトの発見 –
見過ごされがちなキャラクターの使われ方の発見 2. リアルタイムな可視化 – 新たに追加したキャラクターの動きをすぐに把握 3. 社内BIツールとの連携 – 新たな示唆・仮説発見をみんなが行えるようにサポート 41
43.
アソシエーション分析:まとめ • デッキログからキャラクターの関係性を可視化できた – 3つの分析指標の解釈方法について解説した –
使用率だけではわからないキャラクター利用の背景がわかった • 意図した環境になっているかチェックが可能になった – 運用効率化の材料に役立てることができる – 暗黙知を定量的に評価できる 42
44.
デッキ分析フロー(全体像) 43 対戦 ログ デ ッ キ 対戦デッキ抽出 アソシエーション分析 クラスタリング
分析したい条件 でデッキを抽出 後の分析で使用 キャラクターの 関係性を抽出 キャラクターパター ンも同時に抽出 似たキャラクターパ ターンのグルーピング 多様な結果の獲得
45.
キャラクターパターンの抽出とは? 44 • デッキで使われるキャラクターの特徴的な組み合わせの発見 • デッキ環境全体の状況を俯瞰できる –
複雑化しているデッキコンセプトの把握 キャラクターパターン(5体) 支持度 エンデガ,ウンディーネ,アラク,ジークフリート,フギンとムニン 20% エンデガ,ジークフリート,アラク,フェリタ&プティ,フギンとムニン 19% エンデガ,ウンディーネ,アラク,アンドロメダ,フギンとムニン 18% エンデガ,ウンディーネ,アラク,フェリタ&プティ,フギンとムニン 17% エンデガ,アンドロメダ,アラク,フェリタ&プティ,フギンとムニン 16% この5体を含むデッキが全デッキ中16%ある ※ 実際の分析結果ではなくイメージです アソシエーション 分析の過程で抽出
46.
鍵となるキャラクターパターンの抽出 45 キャラクターパターン(5体) 支持度 エンデガ,ウンディーネ,アラク,ジークフリート,フギンとムニン 20% エンデガ,ジークフリート,アラク,フェリタ&プティ,フギンとムニン
19% エンデガ,ウンディーネ,アラク,アンドロメダ,フギンとムニン 18% エンデガ,ウンディーネ,アラク,フェリタ&プティ,フギンとムニン 17% エンデガ,アンドロメダ,アラク,フェリタ&プティ,フギンとムニン 16% ※ 実際の分析結果ではなくイメージです 似たパターンが多い… 頻出 パターン • 支持度(使用率)で選択すると似ているパターンが出やすい • 実用上は「様々な種類の」キャラクターパターンを抽出したい 大量に抽出されるから 人手で選別は不可能…
47.
鍵となるキャラクターパターンの抽出 46 キャラクターパターン(5体) 支持度 エンデガ,ウンディーネ,アラク,ジークフリート,フギンとムニン 20% エンデガ,ジークフリート,アラク,フェリタ&プティ,フギンとムニン
19% エンデガ,ウンディーネ,アラク,アンドロメダ,フギンとムニン 18% エンデガ,ウンディーネ,アラク,フェリタ&プティ,フギンとムニン 17% エンデガ,アンドロメダ,アラク,フェリタ&プティ,フギンとムニン 16% … 15% … 14% … 13% … 12% … 11% … 10% … 9% ※ 実際の分析結果ではなくイメージです … 代表パターン 代表パターン 代表パターン クラスタリングを用いて 多様なキャラクターパターンを抽出 大量の結果の中から,特徴的なパターンをグルーピング タイプ1 タイプ2 タイプ3
48.
クラスタリングとは • 似たデータ同士をグルーピングする手法 – そのグループをクラスタと呼ぶ –
代表的手法:k-means法,階層型クラスタリング 47 3 1 2 4 5 6 3 1 2 4 5 6
49.
類似度を測る尺度が必要 • クラスタリングではデータ同士の近さを定量的に測る 尺度が必要 • 各キャラクターは”固有の名前”だけ持つので単純な 足し引きによる類似度は定義できない 48 神デッキA 神デッキB 魔デッキA 近い 遠い
50.
どのキャラクターパターンが似ているか? キャラクターパターンA = {
, , , , } キャラクターパターンB = { , , , , } キャラクターパターンC = { , , , , } 49 Aは…BとCのどちらに似ているか?? Bの方が 似てそう?
51.
どのキャラクターパターンが似ているか? 50 Aは…BとCのどちらに似ているか?? → Jaccard類似度を用いて測ることができる キャラクターパターンA =
{ , , , , } キャラクターパターンB = { , , , , } キャラクターパターンC = { , , , , }
52.
(参考)Jaccard類似度 • キャラクターパターン同士の類似具合をJaccard類似度 で算出 • Jaccard類似度 –
集合AとBの類似具合を測る – 似たものは1,似てないものは0に近づく 51 重なりが多いほど似ている
53.
どのキャラクターパターンが似ているか? 52 Jaccard類似度 大きい方が似ている Aは…Bの方が似ている キャラクターパターンA = {
, , , , } キャラクターパターンB = { , , , , } キャラクターパターンC = { , , , , }
54.
クラスタリング結果:Before 53 キャラクターパターン(5体) エンデガ,ウンディーネ,アラク,ジークフリート,フギンとムニン エンデガ,ジークフリート,アラク,フェリタ&プティ,フギンとムニン エンデガ,ウンディーネ,アラク,アンドロメダ,フギンとムニン エンデガ,ウンディーネ,アラク,フェリタ&プティ,フギンとムニン エンデガ,アンドロメダ,アラク,フェリタ&プティ,フギンとムニン • 似ているパターンが選択されてしまっていた – 実用上は「様々な種類の」キャラクターパターンを抽出したい どのデッキでも活躍するような万能キャラクターパターン ※
実際の分析結果ではなくイメージです 全部 似ている…
55.
クラスタリング結果:After 54 • 多様なキャラクターパターンを得ることができた – 似たものはグルーピングされたから •
具体的な特徴の定義はまだ人間がする必要がある キャラクターパターン(5体) エンデガ,ウンディーネ,アラク,ジークフリート,フギンとムニン アルキメデス,フレデリカ,ブリュンヒルデ,シーラーザード,ハロウィン・ナンディ ヴィクトリア,ジークフリート,アラク,オキクルミ,フェリタ&プティ 蘭陵王,ブレスドソーディアン,キムン・カムイ,オキクルミ,アラク ローラン,アラク,ブレスドソーディアン,アラジン,フェリタ&プティ フィニッシャー キャラ リーダー キャラ 回復 キャラ オーラ キャラ ※ 実際の分析結果ではなくイメージです
56.
クラスタリング結果:After 55 • 多様なキャラクターパターンを得ることができた – 似たものはグルーピングされたから •
具体的な特徴の定義はまだ人間がする必要がある キャラクターパターン(5体) エンデガ,ウンディーネ,アラク,ジークフリート,フギンとムニン アルキメデス,フレデリカ,ブリュンヒルデ,シーラーザード,ハロウィン・ナンディ ヴィクトリア,ジークフリート,アラク,オキクルミ,フェリタ&プティ 蘭陵王,ブレスドソーディアン,キムン・カムイ,オキクルミ,アラク ローラン,アラク,ブレスドソーディアン,アラジン,フェリタ&プティ 蘭陵王リーダー ローランフィニッシュ 特殊ダメージ 回復 万能キャラクター ※ 実際の分析結果ではなくイメージです 色んなグループが 取れた!
57.
実際の活用例1:結果の可視化 • 継続的なモニタリングができる – バッチ集計による傾向チェックが容易 –
新規キャラクター追加に伴う環境変化のチェック 5612月 1月 2月 トレンドを一目 で確認できる 対戦使用率,デッキ編成率,勝率などのトレンド ※ 実際の分析結果ではなくイメージです
58.
実際の活用例2:変化点の検出 • 特殊な傾向を示したキャラクターパターンのキャッチ – 今まで見えなかった変化を可視化することで施策の振り返り における一つの判断軸になる –
例)前月から使用率が10%変化 57 ここで何かが起きた? 12月 1月 2月 急上昇! 急降下! ※ 実際の分析結果ではなくイメージです
59.
実際の活用例3:パターン同士の対戦分析 • ゲーム内対戦の全容を把握できる – 勝率や対戦数を集計して偏りがないか確認し分析できる 58 先攻/後攻デッキ
定番キャラ 回復 特殊ダメージ 蘭陵王 ローラン 定番キャラ 50% 45% 55% 50% 45% 回復 60% 50% 40% 60% 95% 特殊ダメージ 55% 40% 50% 45% 45% 蘭陵王 20% 55% 50% 50% 55% ローラン 50% 90% 35% 70% 50% ※ 実際の分析結果ではなくイメージです キャラクターパターン同士の対戦表(勝率) 低いのはなぜ? 対戦を分析しよう 特殊な戦術 が存在?
60.
実際の活用例4:同時使用キャラクターの発見 • 各パターンでどんなデッキが作られているか推測できる – 利用背景が明確になりデッキ環境の理解が進む 59※
実際の分析結果ではなくイメージです 抽出したキャラクターパターン 一緒に使われやすいキャラクター達 アソシエーション 分析の結果を使用 大まかなデッキの 雰囲気がわかる
61.
キャラクターパターン抽出:まとめ • クラスタリングを活用して実用的な結果を獲得できた – 単純な集計では似たパターンしか得られない –
デッキで鍵となるキャラクターパターンを多様に抽出 • デッキ環境を効率的に把握できるようになった – デッキパターン毎の傾向を可視化できる – 異常な動きや変化点の素早い検出ができる – 対戦の全容を把握できる 60
62.
(再掲)デッキ分析フロー 対戦 ログ 対戦デッキ抽出 アソシエーション分析 クラスタリング 61 デ ッ キ
分析したい条件 でデッキを抽出 後の分析で使用 キャラクターの 関係性を抽出 キャラクターパター ンも同時に抽出 似たキャラクターパ ターンのグルーピング 多様な結果の獲得
63.
講演の流れ 1. 概要 – 『逆転オセロニア』とは? –
デッキ分析に至った背景 – デッキ分析の目的とできること 2. 分析の詳細 – 全体の分析フロー – キャラクターの関係性の抽出 – デッキで鍵となるキャラクターの抽出 3. まとめ 62
64.
本講演のまとめ 63 アソシエーション分析を主軸としたデッキ分析を 運用効率化のユースケースを交えながらご紹介した キャラクター需要の可視化 • 様々な軸で使用方法を分析 したいから キャラクターパターンの抽出 • 複雑化してくると考慮漏れ が発生してくるから ルールの抽出 •
大規模データから関係性を 定量化できた クラスタリング活用で抽出 • 様々な種類の特徴的な パターンを可視化できた
65.
ご紹介した活用事例 64 1. 意図した環境になっているか判断する分析方法 • キャラクターの組み合わせ,関係性,使用確率,… •
暗黙知を定量的に評価できる 2. デッキ環境全体の効率的な把握 • キャラクターパターンの勝率や編成率の動向を可視化できる • 異常や変化点を素早く検知できる ご紹介した分析手法は様々なアプリゲーム運用で役立つ可能性がある • 色んな角度からの分析ができて数値も解釈しやすい • デッキやパーティー編成のあるゲームには応用可能
66.
今後チャレンジしたいこと • ビッグデータと自然言語処理などの技術を用いたデッキコンセプト の自動タグ付け – “○○タイプ”のようなタグ付けも完全に機械化したい •
ネットワーク解析を活用したキャラクターの繋がり分析 – 新キャラクターがどのキャラクターと使われそうか事前に把握したい – デッキ構築に影響を与えるカリスマ的キャラクターを発見したい • 分析以外のユースケースとしてのゲーム内機能の提供 65
67.
ご清聴ありがとうございました