– Nikt nie połączył jeszcze sprawności układu nerwowego człowieka z jakością gry. Dzięki naszej technologii przeprowadzimy amatora do etapu rozgrywek z najlepszymi zawodnikami. To jest rewolucja data science w gamingu – podkreśla Maciej Skorko, współzałożyciel i dyrektor zarządzający firmy esportsLAB.

Maciej Skorko jest psychologiem z Instytutu Psychologii Polskiej Akademii Nauk. Przedsiębiorca, pomysłodawca i twórca kilku start-upów, w tym spółki PredictWatch, która tworzy oparte na sztucznej inteligencji innowacyjne aplikacje mobilne, pozwalające na przewidywanie ryzyka zachowań nałogowych i zapobiegania nawrotom tzw. głodu nałogowego. Z kolei w esportsLAB, za pomocą danych połączonych z wiedzą o układzie nerwowym człowieka oraz wykorzystania rozwiązań data science w gamingu, określa potencjał e-graczy oraz ich perspektywy zawodowe, pomagając doskonalić kompetencje gamerskie.

Wielu graczy myśli, że są całkiem dobrzy w strzelanki. Potem przychodzi brutalna rzeczywistość i weryfikacja z innymi w sieci. Czy wykorzystując data science w gamingu, możemy polepszyć ich umiejętności w grach?

Do tego właśnie dążymy. Chcemy, aby dzięki naszym rozwiązaniom zawodnicy e-sportowi, zarówno ci początkujący, jak i bardziej profesjonalni, mogli podnosić swoje umiejętności. Bazując na naszych modelach, jesteśmy w stanie ocenić, w jakiej grze początkujący gamer będzie osiągał najlepsze rezultaty, bo ma do tego predyspozycje. Wiemy, w jakim gatunku gier się sprawdzi oraz czy jest predysponowany np. do tzw. strzelanek lub gier typu moba (ang. multiplayer online battle arena). Możemy też ocenić, jaką rolę czy pozycję w zespole będzie realizował najlepiej.

Od kiedy temat danych jest ważny w e-sporcie?

Od momentu, kiedy na świecie zrodziła się idea sportów elektronicznych i powstała potrzeba oceny skuteczności graczy. Na początku opierała się wyłącznie na intuicji. Nie było danych, które pozwalałyby ją sformułować. Zawodnicy szukali rozwiązań na własną rękę, aby osiągać lepsze efekty. Szybko w e-sporcie pojawiły się duże pieniądze. Dziś zawodnicy grają na bardzo wysokim poziomie, mają porównywalnie dobry jakościowo sprzęt. Jak zatem zbudować przewagę w sytuacji, gdy niemal wszyscy funkcjonują w podobnych warunkach? Tylko poprzez skuteczną analizę danych.

Czy profesjonalne drużyny, które gromadzą dane, wiedzą, jak je przetwarzać i wyciągać z nich wnioski?

To jest największy paradoks. Najbardziej powszechny schemat analizy gry wygląda następująco: podczas odtwarzania zapisu rozgrywki trener odnotowuje najważniejsze błędy indywidualne i zespołowe. Następnie dokonuje analizy z zawodnikami. Dane w e-sporcie są więc analizowane na bardzo podstawowym poziomie. Dzieje się tak pomimo dużej dostępności informacji, jaka cechuje sporty elektroniczne. To dziś nie wystarczy, jeśli chcemy rywalizować na najwyższym poziomie czy do niego aspirować. Dodatkowo sprawę utrudniają producenci gier, ograniczając często zakres dostępnych danych. To niesie za sobą określone problemy.

To znaczy?

Większość wydawców decyduje się na ograniczony dostęp dla analityków do danych z gry. Takim przykładem jest najpopularniejsza na świecie gra "League of Legends" i jej wydawca Riot Gaming. Analitycy gamingowi dostają w tym przypadku dostęp do danych wyłącznie przez API. Ten interfejs programistyczny cechuje ubogi zakres informacji. W uproszczeniu można powiedzieć, że otrzymujemy aktualizacje stanu gry raz na minutę. Tymczasem analiza na profesjonalnym poziomie dotyczy zdarzeń, które dzieją się na przestrzeni sekund, a niekiedy ułamków sekundy.

Jednocześnie są kategorie tytułów e-sportowych takie jak "CS: GO", gdzie wydawca gry zdecydował się na bardzo szeroki dostęp do danych z powtórek meczu. Można je parsować, czyli przetwarzać i porządkować, a potem rozbijać na najmniejsze elementy. To znacznie ułatwia ich późniejszą analizę. Jednak nawet w tych przypadkach najczęściej spotykamy się z analizą jakościową, nie ilościową. Ponadto takich gier jest niewiele i są raczej wymierającym gatunkiem.

Czyli w zasadzie mówimy o danych, które albo są niewłaściwe, albo ich nie ma?

Lub nie ma do nich dostępu. To ekskluzywna wiedza, zrozumiała dla samego środowiska gamingowego, w którym – i to warto podkreślić – nie ma wielu analityków danych. Pamiętajmy też o pewnej hermetyczności zjawiska, jakim jest e-sport. Organizacje e-sportowe same dla siebie zaczęły wytwarzać metody analiz danych, ale nie dzielą się tymi wynikami z innymi. Przeciętny użytkownik nie może się dowiedzieć, jak to działa. Tym samym nie jest w stanie sam dojść do gry na najwyższym poziomie. Całe know-how, informacje czy analizy, jakie tam powstają, zostają w progamingu. Dlatego celem jest demokratyzacja wiedzy i doświadczenia profesjonalnych trenerów i analityków, tak by każdy aspirujący amator mógł zrealizować swoje marzenie o zostaniu profesjonalnym graczem.

Stąd data science w gamingu powoduje większą presję na pozyskanie wiedzy?

Oczywiście. Pragnienie, aby stać się profesjonalnym graczem, staje się coraz większe, bo w tym biznesie jest też coraz więcej pieniędzy. Zauważmy, że są takie gry jak "Fortnite", w które można grać bez żadnej drużyny czy organizacji. Jeśli jesteś wystarczająco dobry, możesz wygrywać miliony dolarów. Mało tego, pojawiają się stypendia na uczelniach dla graczy, co do tej pory było domeną sportów tradycyjnych.

Profesjonalne zespoły nie mają jednak realnych narzędzi do tego, aby prowadzić początkujących graczy od momentu, kiedy ci aspirują do bycia profesjonalistą, do momentu stania się nim. Chętnych do gry jest coraz więcej, a więc ambicjom całej rzeszy graczy e-sport nie sprosta bez nowych technologii.

I tu pojawia się esportsLABgg…

Zbudowaliśmy coś, co przekroczyło granicę dostępu do niskopoziomowych danych z gry. Mamy nasze autorskie rozwiązanie – „computer vision for games”. Co nam daje? Przede wszystkim możliwość analizowania treści zawartości ekranu z rozdzielczością do 60 klatek na sekundę i zapisywania bardzo wielu szczegółowych informacji na temat tego, co się podczas danej rozgrywki wydarzyło. Pozyskujemy informacje, jakie były decyzje, które podejmowali zawodnicy, oraz gdzie się znajdowali, kiedy je podejmowali. Ta technologia daje możliwość tworzenia zbiorów danych, które do tej pory były niedostępne dla analityków, nie mówiąc już o trenerach czy zawodnikach.

No dobrze, ale przecież sama gra też zlicza podobne zdarzenia. Mamy informacje o tym, jak zawodnik poradził sobie w tej grze, ile miał asyst, ile obrażeń zadał. To po co nam informacja jeszcze o tym, gdzie ktoś się znajduje?

Chodzi o "game knowledge" – wiedzę o grze. Jest to warstwa rozumienia rozgrywki, która powstaje wokół każdego tytułu granego na profesjonalnym poziomie, jako nadbudowa podstawowych mechanik gry. Właśnie to odróżnia dwóch zawodników o zbliżonym poziomie umiejętności manualnych. W zakresie obsługi mechaniki gry każdy z nas dojdzie do pewnego pułapu, który jest wyznaczony przez parametry naszego układu nerwowego.

I co dalej?

W większości wypadków dojdziemy do wysokiego poziomu, poświęcając wiele czasu na grę. Ale co się dzieje, gdy już się na nim znajdziemy? Tam „na samej górze” wszyscy są tacy jak my. Mają podobne umiejętności. Na tym pułapie gry zaczynają decydować już całkowicie inne kwestie. Mianowicie to, jak jestem w stanie użyć podstawowych umiejętności manualnych, które nabyłem, do tego, żeby mieć przewagę taktyczną nad przeciwnikiem.

I Wy taką przewagę możecie wskazać?

Największym potencjałem naszego rozwiązania jest to, że możemy zrozumieć i symulować ocenę gry, jakiej dokonałby profesjonalny trener czy analityk. Taki, który nie patrzy, czy ty dobrze strzelasz, bo wszyscy zawodnicy na tym poziomie dobrze strzelają. On patrzy na twoje najdrobniejsze błędy i to, z czego one wynikają, jakie niosą konsekwencje w krótkim i długim okresie trwania rozgrywki.

Tworzycie zatem coś w rodzaju asystenta specjalisty od data science w gamingu, jednak go nie zastępujecie?

Możemy, ale nie musimy. Wystarczy, że nasze rozwiązanie zrobi 60 proc. pracy za analityka, i to już jest wartość dodana zarówno dla profesjonalistów, jak i amatorów. Moim zdaniem najważniejsze jest to, że dzięki takiej analizie mamy możliwość docelowo zdemokratyzować profesjonalny gaming.

Brzmi jak rewolucyjne hasło.

Ponieważ to jest rewolucyjne rozwiązanie. Chcemy, aby człowiek taki jak my miał realną szansę zrozumieć, czego musi się nauczyć, żeby próbować gry na najwyższym poziomie. Nasze podejście pozwoli na zbudowanie narzędzia, które przeprowadzi amatora aspirującego do najwyższego pułapu gry do momentu, w którym będzie mógł spróbować zmierzyć się z najlepszymi.

To dla poszczególnych zawodników. A co zyskają drużyny?

Dla organizacji to narzędzie pozwoli skutecznie wybierać tych ludzi spośród wszystkich aspirujących, którzy będą dawali jakąkolwiek nadzieję na wysoki poziom rozgrywki. Będą dobrze uzupełniać luki, braki, które się dziś pojawiają w zespole. To szansa na pozyskanie talentów, szybszą adaptację w drużynie, przyspieszenie onboardingu.

Mówimy o e-sporcie. Ale co w przypadku tradycyjnych dyscyplin – czy to rozwiązanie jest adaptowalne?

W przypadku sportów tradycyjnych oczywiście pojawiają się te same problemy, ale też podobne dane. Przecież stadiony czy boiska treningowe są naszpikowane setkami kamer, aby wychwycić niuanse, zachowania graczy, techniczne braki czy umiejętności. Dla trenera sportowego taka analiza jest niezwykle trudna, podczas gdy dla technologii już nie. Muszę jednak przyznać, że w sporcie tradycjonalnym te dane są trudniejsze do pozyskania niż w sportach elektronicznych.

Nie mówimy jednak nie. Dla mnie kolejnym krokiem po opanowaniu e-sportu i pokazaniu skuteczności tego rozwiązania na pewno będzie przenoszenie tych doświadczeń na konwencjonalne dziedziny sportowe.

Analizujecie dane wideo, dane statystyczne, bieżące aktywności… Czy data science w gamingu pozwala też analizować ludzkie cechy fizyczne czy osobowościowe?

Oczywiście w trakcie gry ważny jest jeszcze kontekst, kim jesteś jako osoba. Jakie są twoje cechy temperamentu, szybkość reakcji, zdolność do dostrzegania obiektów na peryferiach pola widzenia, a także poziom aktywności fizycznej. Dlatego istotne jest też pozyskanie danych na temat parametrów układu nerwowego. Dodatkowo dochodzi kwestia interfejsu. Badamy to, jak reagujesz na różne bodźce i wydarzenia w grze, jak twoje dłonie pracują na interfejsie mysz - klawiatura. I z tych informacji jesteśmy w stanie pozyskać wiedzę o tym, jak grasz w danym momencie.

Odpowiadamy na pytania o to, czy potrzebujesz rozgrzewki, jak wyglądają parametry twojego snu, kiedy będziesz w optymalnej formie. To jest cały obszar danych, które opisują, kim jesteśmy jako ludzie, a które pozwolą nam także przewidywać talent w e-sporcie czy predyspozycje do grania.

Wydaje się, że to bardzo komplementarne rozwiązanie. Jaką przyszłość widzisz dla niego w najbliższych latach?

Mamy wielką szansę dokonać do tej pory niemożliwego – odpowiedzieć na potrzeby wynikające z ambicji profesjonalnych graczy. E-sport przez lata wykształcił ogromny know-how. I to bez używania jakichkolwiek analitycznych narzędzi. Dlatego nasza praca jest stosunkowo prosta. My mamy zebrać dane, zrozumieć, jak je analizować, a następnie zbudować narzędzia.

Takich usług analitycznych, które współpracują z profesjonalnym gamingiem, jest na rynku bardzo mało. My postawiliśmy na progaming, stworzyliśmy potrzebne narzędzia, zabraliśmy e-sportowców z epoki Excela do epoki aplikacji. Dołożyliśmy do tego nasze źródła danych, metody zautomatyzowanej analizy i w ten sposób dostarczamy im wartość. Jesteśmy pionierami w tej dziedzinie. Nikt się nie zastanawiał do tej pory, jak ma się sprawność układu nerwowego człowieka do jakości gry. Jesteśmy pierwszą firmą, która tak na to wnikliwie patrzy.

Naszą najbliższą przyszłością są oczywiście usługi dla amatorów sportów elektronicznych.

Muszę zapytać o skuteczność takiego sposobu wykorzystania data science w gamingu. Czy technologia była już testowana, wdrażana?

Nasze rozwiązanie w obszarze selekcji graczy już przynosi efekty. Przykładem jest polska drużyna e-sportowa AGO. Wyłowiliśmy dla nich tymi metodami dwóch graczy, którzy dzisiaj są gwiazdami młodego pokolenia. Co ważne, swoje rekomendacje wypracowaliśmy na bazie sprawności układu nerwowego tych zawodników. Podobne sukcesy odnotowaliśmy też przy selekcji na większą skalę w projekcie Dr Pepper Academy.

Teraz pracujemy nad udostępnieniem tych narzędzi możliwie dużej liczbie amatorów. Chcemy, by każdy mógł stworzyć swoją kartę zawodnika i dać sobie szansę na bycie dostrzeżonym przez profesjonalne zespoły.

A co z błędami? Czy taka analiza może je w jakiś sposób generować?

Jeśli wyobrazimy sobie, że do tej pory wszelkie mankamenty gry były wychwytywane, ponieważ ktoś, oglądając powtórkę meczu e-sportowego, zapisywał wnioski w notesie, to każda osoba zajmująca się data science może sobie tylko wyobrazić, ile tzw. biasów czy zakrzywień perspektywy po drodze mogło się w tym miejscu pojawić.

To nijak ma się do sytuacji, kiedy można analizować każdą sekundę gry. Każdy moment, kiedy gracz pojawia się w tym czy w innym miejscu na ekranie z konkretną aktywnością. A najlepsze i najbardziej spektakularne w tym wszystkim jest to, że dzięki naszemu rozwiązaniu będzie można ocenić swoje predyspozycje wyłącznie na podstawie tego, jak grasz.

Obecność w sieci powoduje tworzenie tzw. śladu cyfrowego. Obecność w grze także. Czy dzięki data science w gamingu można ten ślad analizować?

Bezsprzecznie tak. Coraz więcej czasu poświęcamy na gry i ślad cyfrowy, który tam zostawiamy, jest bardzo gęsty i złożony. Tak bardzo, jak zaawansowana jest interakcja człowieka ze środowiskiem gry. Dotyczy to zarówno sprawności umysłu, i tego, jak radzimy sobie z rozwiązywaniem problemów w grze. Dzięki śladowi cyfrowemu możemy też poznać techniczny aspekt tego zagadnienia, czyli sposób wykorzystywania sprzętu do gry. Ma to duże znaczenie aplikacyjne, które można wprost przekładać na jakieś użyteczne biznesowo rozwiązania, wsparcie marketingowe, serwis itd.

Duże znaczenie ma dla Ciebie wirtualna rzeczywistość i jej możliwości rozwoju oraz analizy danych.

Jednym z takich dzieł mojego życia, które dziś kontynuuję z dr. Grzegorzem Pochwatko w Instytucie Psychologii PAN, jest VR Lab – laboratorium rzeczywistości wirtualnej i psychofizjologii. W tym laboratorium zespół Grześka realizuje ideę analizy zachowania człowieka i wpływu na jego układ nerwowy poprzez wykorzystanie rzeczywistości wirtualnej. Jestem jej ogromnym entuzjastą.

Dzięki rozwiązaniom VR możemy prowadzić badania, które pozwolą pokazać, jak funkcjonujemy w symulacjach rzeczywistości. I jak reaguje na to nasz mózg. Jednocześnie minimalizujemy ewentualne błędy wynikające z bodźców zewnętrznych, gdyby to samo badanie przeprowadzić w środowisku naturalnym. VR jest idealny do tego, ponieważ można tworzyć złożone sceny bez żadnych ograniczeń. Każda z nich może być taka sama dla każdego uczestnika badania, a nad bodźcami mamy pełną kontrolę.

Metawersum to coraz częściej podnoszona kwestia przez wielu twórców, wizjonerów i biznes. Jaka czeka nas przyszłość, jeśli przeniesiemy się do świata VR, co obiecuje nam choćby Mark Zuckerberg w najbliższym czasie?

Ten ślad cyfrowy będzie jeszcze bardziej złożony, ponieważ ludzie coraz więcej swoich naturalnych zachowań będą przenosić ze świata rzeczywistego do tego wirtualnego. Wcale nie dziwię się, że Facebook chce stworzyć metawersum. Dzisiaj na rynku już jest wiele headsetów VR, które są zintegrowane z technologiami pozwalającymi na analizę aktywności elektrycznej kory mózgu. To jest narzędzie, które pozwala na wiele interpretacji, badań i analiz. Może nie pokazuje wprost, o czym myślisz, ale to, jak się czujesz, czy coś ci się podoba, czy nie podoba. To daje ogromne możliwości dla współczesnych badaczy, analityków czy działów marketingu.

To brzmi też jak poważne wyzwanie dla data scientistów.

Praca z danymi w coraz większym stopniu będzie wspierana zaawansowanymi metodami obliczeniowymi, których natura będzie zrozumiała dla coraz węższej grupy ludzi. Olbrzymie znaczenie będzie miało rozumienie matematyki, także na tym wyższym poziomie, ponieważ tam właśnie będą dokonywały się mechanizmy, które pozwolą nam obliczać duże zestawy danych.

Wyzwaniem dla analityków danych w przyszłości będzie gigantyczny wolumen danych do analizy. To nie jest już kwestia big data, ale następny poziom tego zjawiska. Jeśli dziś analizujemy dane dotyczące rozgrywki jednego gracza pod kątem jego jednej aktywności w grze, to wyobraźmy sobie, że w przyszłości będziemy analizować cały profil użytkownika funkcjonującego w danym metawersie. To nie tylko daje ogromne możliwości, ale także rzuca wyzwania naszym zdolnościom umysłowym.