MM nebyl nikdy silnou stránkou WoT, to ví snad každý, kdo hru hraje delší čas. Nikdy nebral v potaz ani WN8 hráčů které stavěl proti sobě a vždy řešil pouze stroje a jejich úroveň. Dokonce ani typy nebyl schpen postavit proti sobe správně a tak často bylo pro T110E3 jako TD v opozičním týmu FV4005 nebo Grille 🙂 Nicméně nový systém bere v potaz nejen úroveň hráče co do osobního ohodnocení a WN8/7, ale i to jakým stylem dlouhodobě hraje. Každý replay je vyhodnocován AI a ona každému hráči stanový herní styl, kempící pasivní, flankovací aktivní apod. Dokonce i hodnocení výsledků již nemá být jen na bázi způsobené nebo asistované DMG, ale na tom, jak vyhodnotí AI tvojí činnost ve hře jako přínosnou pro tým. Tak by mohli stat hunteři na cheatech co stojí na červené s vidí všechny tanky svítit na mapě mít trošku problém. AI bude i vyhodnocovat jakým způsobem došlo k zaměření nepřátelského stroje a proto podvodníci využívající AIM boty budou mít také smůlu. WG nezveřejnil kolik do vývoje AI investoval, ale částka to malá jistě nebyla a do serverů jejichž výpočetní výkon AI spotřebovává také ne. Ale pojďme to vzít detailně. Wargaming nezveřejnil konkrétní částku, kterou investoval do vývoje AI systému pro matchmaking ve World of Tanks 2.0. Ale z dostupných informací víme, že se jedná o komplexní, vícevrstvý systém, který byl vyvíjen a testován průběžně celý rok.
🧠 Co víme o AI systému matchmakingu ve WoT 2.0
- Nejde o jednoduchý algoritmus, ale o adaptivní systém, který:
- rozpoznává herní styl hráče (flankování, sniping, průlom)
- vyvažuje týmy podle rolí, typů tanků, tierů a výzbroje
- omezuje opakování stejných vozidel v týmu
- zohledňuje PvE vs. PvP režimy a dynamiku misí
- Systém je navržen tak, aby:
- zkrátil čekací doby
- zvýšil férovost zápasů
- odměňoval taktické hraní, ne jen výkon
💰 Kolik to mohlo stát?
I když nemáme přesné číslo, můžeme odhadnout:
| Oblast vývoje | Odhad nákladů |
|---|---|
| Vývoj AI systému | 500 000–2 mil. USD |
| Testování a ladění | 200 000–500 000 USD |
| Integrace do klienta | 100 000+ USD |
| UX redesign + PvE logika | 300 000+ USD |
👉 Celkově se může jednat o investici v řádu milionů dolarů, zvlášť pokud zahrneme Tier XI, PvE mise, nové UI a rebalanc vozidel
Pojďme si rozebrat, jaké typy AI modelů by mohly být použity pro matchmaking ve World of Tanks 2.0, a co by to znamenalo z technického hlediska. Podle dostupných informací od Wargamingu se jedná o komplexní systém, který zohledňuje nejen typ tanku, ale i herní styl hráče, týmovou roli, tier, a dynamiku boje. To naznačuje, že nejde o jeden algoritmus, ale o kombinaci více AI technik.
🧠 Technická analýza možných AI modelů
🔹 1. Decision Trees / Random Forests
- Použití: Rychlé rozhodování o tom, jaký tank kam zařadit, podle předem definovaných parametrů (tier, role, výzbroj).
- Výhody: Vysoká interpretovatelnost, nízké nároky na výpočetní výkon.
- Nevýhody: Neadaptují se dobře na změny v metě nebo herním stylu.
🔹 2. Neural Networks (Deep Learning)
- Použití: Predikce hráčského chování, rozpoznávání herního stylu (flankování, sniping, agresivní push).
- Výhody: Umí zachytit komplexní vzory, adaptují se na nová data.
- Nevýhody: Vyšší výpočetní náročnost, horší interpretovatelnost.
🔹 3. Reinforcement Learning (RL)
- Použití: Optimalizace matchmakingu v reálném čase — systém se učí, jaké složení týmů vede k vyrovnaným a zábavným bitvám.
- Výhody: Dynamické učení z výsledků bitev, schopnost adaptace.
- Nevýhody: Náročné na trénink, citlivé na špatně definované odměny.
🔹 4. Clustering & Unsupervised Learning
- Použití: Skupinování hráčů podle stylu hry, bez nutnosti předem definovaných štítků.
- Výhody: Odhaluje skryté vzory v datech, vhodné pro segmentaci hráčů.
- Nevýhody: Výsledky nejsou vždy jednoznačné, obtížná validace.
-
🔄 Pravděpodobná architektura matchmakingu WoT 2.0
Code[Data o hráči] → [Role klasifikátor (Decision Tree)] → [Styl hry (Neural Net)] → → [Optimalizace týmů (Reinforcement Learning)] → [Matchmaking výstup]Tahle pipeline by umožnila:
- rychlé rozhodování na základě tanku a tieru,
- hlubší analýzu hráčského stylu,
- adaptivní matchmaking, který se učí z výsledků bitev.
🧪 Co by mohli použít navíc?
- Bayesian Networks pro pravděpodobnostní vyvažování týmů
- Graph-based models pro analýzu vztahů mezi hráči (platoony, historie bitev)
- Federated Learning pokud by chtěli trénovat modely bez přímého sběru dat z klientů
Pojďme si vytvořit jednoduchý hypotetický model matchmakingu pro World of Tanks 2.0 v Pythonu. Tenhle příklad bude zjednodušený, ale ukáže, jak by mohl fungovat základní systém, který:
- rozpozná herní styl hráče,
- klasifikuje tank podle role,
- sestaví vyvážené týmy.
🧠 Co budeme simulovat:
- Hráči mají tank, styl hry a výkon.
- Týmy se skládají tak, aby byly vyvážené podle rolí a skillu.
- Použijeme decision tree pro roli tanku a simple scoring pro vyvážení týmů.
🧪 Hypotetický Python kód
pythonimport random from sklearn.tree import DecisionTreeClassifier import numpy as np # Simulace hráčů players = [ {"id": 1, "tank": "IS-7", "style": "aggressive", "wn8": 1800}, {"id": 2, "tank": "T-100 LT", "style": "scout", "wn8": 2200}, {"id": 3, "tank": "Obj. 268", "style": "sniper", "wn8": 1500}, {"id": 4, "tank": "E-100", "style": "brawler", "wn8": 1700}, {"id": 5, "tank": "Leopard 1", "style": "flanker", "wn8": 2100}, {"id": 6, "tank": "Type 5 Heavy", "style": "anchor", "wn8": 1600}, # ... další hráči ] # Role klasifikace podle stylu style_to_role = { "aggressive": 0, "scout": 1, "sniper": 2, "brawler": 3, "flanker": 4, "anchor": 5 } # Trénovací data pro decision tree X_train = np.array([[style_to_role[p["style"]]] for p in players]) y_train = [p["tank"] for p in players] # Decision tree pro klasifikaci role tanku clf = DecisionTreeClassifier() clf.fit(X_train, y_train) # Rozdělení do týmů podle WN8 def create_teams(players): sorted_players = sorted(players, key=lambda x: x["wn8"], reverse=True) team1 = sorted_players[::2] team2 = sorted_players[1::2] return team1, team2 team1, team2 = create_teams(players) # Výpis týmů print("Team 1:") for p in team1: print(f"Player {p['id']} – {p['tank']} – WN8: {p['wn8']}") print("\nTeam 2:") for p in team2: print(f"Player {p['id']} – {p['tank']} – WN8: {p['wn8']}")🧠 Co by se dalo rozšířit:
- Přidat reinforcement learning, kde se systém učí z výsledků bitev.
- Použít clustering pro rozpoznání stylu hry bez předem daných štítků.
- Zohlednit PvE mise, AI protivníky, dynamiku mapy.
Uvidíme, zda A.I. opravdu zazáří a ti silní hráči co kazí zábavu se pak budou moci přestřelovat přes celou mapu a zjišťovat kdo si nainstaloval lepšího aimbota 🙂
