Construisez un gestionnaire de sports électroniques valorant propulsé avec AI avec AWS Boutrock

L'IA révolutionne le divertissement et l'e-sport, et cela est particulièrement vrai dans le monde hautement compétitif de l'eSport. Les joueurs peuvent grandement bénéficier d'un assistant ou d'un manager de l'IA pour construire l'équipe ultime. Un tel outil pourrait tirer parti de vastes ensembles de données pour identifier les modèles et les stratégies indétectables par l'œil humain. Explorons la construction d'un gestionnaire d'e-sport propulsé par l'IA - en particulier, un constructeur d'équipe vailorant - pour vous aider à construire votre équipe de rêve et à dominer la compétition.

Résultats d'apprentissage

• Saisissez l'importance de la composition de l'équipe dans le vaillante pour maximiser les performances et l'avantage stratégique.
• Apprenez à utiliser des idées axées sur l'IA pour l'élaboration d'équipes équilibrées et très efficaces.
• Explorez les options de personnalisation pour affiner les rôles et les stratégies d'équipe basés sur les forces individuelles des joueurs.
• Développer des compétences dans le suivi des performances pour évaluer et améliorer la dynamique des équipes au fil du temps.
• Apprenez les meilleures pratiques pour partager et enregistrer les configurations d'équipe pour les matchs futurs.

* Cet article fait partie du *** Data Science Blogathon.

Table des matières

• Résultats d'apprentissage
• Développer un gestionnaire de l'IA avec AWS Boudrock
• Étapes essentielles pour la préparation des données
• Développement de l'interface utilisateur
• Construire le backend: AI génératif avec riex AWS
• Notes sur le fondement AWS
• Conclusion
• Questions fréquemment posées

Développer un gestionnaire de l'IA avec AWS Boudrock

Ce gestionnaire AI, construit à l'aide du substratum rocheux AWS, est spécialement conçu pour gérer et améliorer le gameplay vailorant. Il utilise des modèles avancés d'apprentissage automatique pour analyser les performances des joueurs, offrir des conseils stratégiques et optimiser les compositions d'équipe. En intégrant les capacités d'AWS Bedrock, nous visons à créer un outil qui aide non seulement les joueurs à améliorer leurs compétences, mais augmente également leur plaisir global du jeu. Notre approche se concentre sur la collecte de données, l'analyse et les informations exploitables pour aider les joueurs à atteindre le niveau supérieur de la compétition valorante.

Étapes essentielles pour la préparation des données

Nous générerons des données synthétiques, reflétant vaguement les données du joueur réel trouvées dans un ensemble de données Kaggle. Un script Python génère des valeurs artificielles pour chaque métrique en jeu basée sur le personnage du lecteur. Les mesures clés comprennent:

• ACS (score de combat moyen): une mesure de l'impact global d'un joueur, en considérant les dommages, les tués et les contributions rondes.
• Ratio de la KDA: (tue les passes décisives) / décès, indiquant la survie et la contribution de l'équipe.
• Pourcentage de tir: le pourcentage de tirs à la tête, reflétant le but et la précision.
• ADR (dommages moyens par tour): Les dommages moyens ont été infligés par round, montrant la cohérence des dommages.

Ces données sont utilisées pour créer une base de données SQLite à l'aide d'un script Python ( sqlite.pyscript ). Un exemple de génération de données pour un rôle "duelliste" est illustré ci-dessous:

 Si le rôle == "Duellist":
  moyen_combat_score = Round (np.random.normal (300, 30), 1)
  kill_deaths = rond (np.random.normal (1,5, 0,3), 2)
  moyen_damage_per_round = rond (np.random.ormal (180, 20), 1)
  kills_per_round = round (np.random.normal (1,5, 0,3), 2)
  assister_per_round = Round (np.random.normal (0,3, 0,1), 2)
  first_kills_per_round = rond (np.random.uniformes (0,1, 0,4), 2)
  first_deaths_per_round = rond (np.random.uniformes (0,0, 0,2), 2)
  Headshot_Pecentage = Round (np.random.uniformes (25, 55), 1)
  CLUTCH_SUCCESS_PERCENTAGE = ROUND (np.random.uniformes (15, 65), 1)

Sur la base des demandes d'utilisateurs (par exemple, "Build a Professional Team"), le système interroge la base de données pour les joueurs optimaux. Des fonctions comme get_agents_by_role , get_organizations et get_regions fournissent des données contextuelles. Les exemples de données synthétiques sont disponibles ici . L'intégration avec des données réelles via l'API Riot est également possible.

Développement de l'interface utilisateur

Le frontend, construit avec Streamlit, permet aux utilisateurs de spécifier le type d'équipe et les contraintes. Ces entrées déterminent la requête SQL utilisée sur la base de données SQLite.

Un exemple de sélection de requête basé sur le type d'équipe:

 essayer:
    Si team_type == "Soumission d'équipe professionnelle":
        query = "" "
        Sélectionner * parmi les joueurs
        Où org dans («ascendant», «mystique», «légion», «fantôme», «montant», «nébuleuse», «orgz», «t1a»)
        "" "
    # ... d'autres types d'équipe ...

Les joueurs sélectionnés sont ensuite utilisés pour construire une invite pour le LLM, demandant une analyse de leurs forces et de leurs faiblesses. La réponse du LLM fournit une analyse et suggère des ajustements.

Construire l'interface à l'aide d'un emballage

Le frontend interagit avec AWS via la bibliothèque boto3 à l'aide d'un wrapper pour la méthode invoke_agent() . Cela simplifie l'interaction avec le SDK AWS.

 Class BerdrockAgentTrutiMewrapper:
    # ... (code wrapper comme avant) ...

Une instance du wrapper est initialisée et les demandes sont envoyées à l'agent AI à l'aide d'un client boto3 contenant les détails de l'agent (ID de l'agent, ID d'alias de l'agent, ID de session et invite).

 essayer:
    runtime_client = boto3.client ("Bedrock-agent-runtime", ...)
    BedRock_Wrapper = BedRockAgentTrutiMewrapper (Runtime_Client)
    output_text = bedrock_wrapper.invoke_agent (agent_id, agent_alias_id, session_id, invite)
    print (f "Agent Response: {output_text}")

La flexibilité de la LLM peut être ajustée pour l'équilibre de la précision et de la créativité grâce à des paramètres de température ou à l'ingénierie rapide.

Construire le backend: AI génératif avec riex AWS

Accédez à la console AWS Boundrock, demandez un accès au modèle (Claude et Titan Embeddings sont recommandés) et créez un seau S3 pour stocker vos documents (données sur les types de joueurs, les stratégies et les directives d'interprétation métrique). Créez une base de connaissances (KB) liée à ce seau S3. Le KB utilise OpenSearch Serverless (OSS) pour créer une base de données vectorielle. Créez un agent d'IA, spécifiant le KB et ajoutant des instructions comme:

 <code>"You are an expert at Valorant player and analyst. Answer the questions given to you using the knowledge base as a reference only."</code>

L'application utilise plusieurs variables d'environnement (voir le tableau dans la réponse d'origine).

Quelques notes sur le fondement AWS

N'oubliez pas ces points clés lorsque vous travaillez avec AWS Boudrock:

• Les comptes racinaires ne peuvent pas créer d'agents d'IA; Utilisez un utilisateur IAM.
• Configurez les politiques IAM appropriées pour l'accès S3, KB, Agents, OSS et Lambda.
• Supprimer les ressources après utilisation pour éviter les coûts.
• Contactez le support AWS pour les demandes de facturation.

Conclusion

Cet article détaille la construction d'une chaîne d'outils de chiffon avec le fondement AWS. Les outils d'IA transforment divers domaines, et cet exemple démontre leur potentiel dans l'eSport.

Principaux à retenir

• Construisez un constructeur d'équipe valorant propulsé par l'IA pour une création d'équipe optimisée.
• Tirez parti des informations basées sur les données pour la composition stratégique de l'équipe.
• Utilisez une application conviviale pour sélectionner les joueurs de premier plan en fonction des données de performance.

Questions fréquemment posées

(Identique à la réponse originale)

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!