JP2022525413A - ビデオゲームのコーチングとマッチメイキングのためのａｉモデリング - Google Patents

Abstract

【課題】コーチング及びマッチメイキングのためのビデオゲームユーザのＡＩモデリングの方法が提供される。
【解決手段】ビデオゲームの第１のセッションであって、ユーザのインタラクティブゲームプレイに対して定義された第１のセッションからゲームプレイデータを記録する動作と、ゲームプレイデータを使用して機械学習モデルを訓練する動作であって、訓練によって、機械学習モデルにユーザのインタラクティブゲームプレイを模倣させる、訓練する動作と、訓練後、機械学習モデルにビデオゲームの１つまたは複数のシナリオを経験させ、１つまたは複数のシナリオに応答した機械学習モデルのアクションを評価することによって機械学習モデルの分類を決定する動作と、機械学習モデルの分類を使用して、ビデオゲームの第２のセッションにユーザを割り当てる動作とを含む方法が提供される。
【選択図】図１

Description

本開示は、コーチング及びマッチメイキングのためのビデオゲームユーザのＡＩモデリングのシステム及び方法に関する。

関連技術の説明
ビデオゲームの分野は、現在急成長を遂げている技術分野であり、今では、専用ゲームコンソール、パーソナルコンピュータ（ＰＣ）、及び、より最近では、クラウドアプリケーション／ゲーム及びモバイルデバイスを含む、多数のゲーム及びインタラクティブアプリケーションプラットフォームを含む。ネットワークゲームサービス／システムの一例として、ＰｌａｙＳｔａｔｉｏｎ（登録商標）ネットワークが挙げられ、これには、コンソールベースゲーム及びクラウドベースゲームの両方をサポートする様々なゲームサービスが含まれる。

このような背景において、本開示の実施形態は生じる。

本開示の実施態様は、コーチング及びマッチメイキングのためのビデオゲームユーザのＡＩモデリングの方法及びシステムを提供する。

いくつかの実施態様では、ビデオゲームの第１のセッションであって、ユーザのインタラクティブゲームプレイのために定義された第１のセッションからゲームプレイデータを記録する動作と、ゲームプレイデータを使用して機械学習モデルを訓練する動作であって、訓練によって、機械学習モデルにユーザのインタラクティブゲームプレイを模倣させる動作と、訓練後、機械学習モデルにビデオゲームの１つまたは複数のシナリオを経験させ、１つまたは複数のシナリオに応答した機械学習モデルのアクションを評価することによって機械学習モデルの分類を決定する動作と、機械学習モデルの分類を使用して、ビデオゲームの第２のセッションにユーザを割り当てる動作とを含む方法が提供される。

いくつかの実施態様では、ゲームプレイデータは、第１のセッションのビデオと、インタラクティブゲームプレイ中のユーザ入力とを含む。

いくつかの実施態様では、機械学習モデルを訓練することは、ビデオとユーザ入力とを使用して、機械学習モデルが、第１のセッション中にビデオの所与の部分に応答して生成されたユーザ入力と類似する入力を生成することにより、ビデオの所与の部分に対して応答するようにさせる。

いくつかの実施態様では、ビデオの所与の部分は、ビデオの１つまたは複数の画像フレームによって定義される。

いくつかの実施態様では、ユーザ入力は、第１のセッション中にユーザによって操作されるコントローラデバイスから定義される。

いくつかの実施態様では、機械学習モデルはニューラルネットワークである。

いくつかの実施態様では、ビデオゲームの１つまたは複数のシナリオは、第１のセッションから定義されていない、ビデオゲームの１つまたは複数の画像フレームによって定義される。

いくつかの実施態様では、ゲームプレイデータは、ビデオゲームの第１のセッションからのゲーム状態データを含む。

いくつかの実施態様では、分類は、ユーザのスキルレベルを識別し、分類を使用してユーザを第２のセッションに割り当てることは、１人または複数の他のユーザのスキルレベルを識別することと、ユーザのスキルレベルと類似するスキルレベルを有する他のユーザのうちの１人または複数を含むように第２のセッションを構成することとを含む。

いくつかの実施態様では、分類は、ユーザのスキルセットを識別し、分類を使用してユーザを第２のセッションに割り当てることは、１人または複数の他のユーザのスキルセットを識別することと、ユーザのスキルセットを補完するスキルセットを有する他のユーザの１人または複数を含むように第２のセッションを構成することとを含む。

いくつかの実施態様では、ユーザをビデオゲームの第２のセッションに割り当てることは、ＡＩボットを第２のセッションに挿入することを含み、ＡＩボットは、訓練済み機械学習モデルを使用して第２のセッションでゲームプレイを行う。

いくつかの実施態様では、ビデオゲームのユーザセッションであって、ユーザによるビデオゲームのインタラクティブなゲームプレイに対して定義されたユーザセッションからのゲームプレイデータを記録する動作と、ゲームプレイデータを使用して機械学習モデルをインタラクティブなゲームプレイにおけるユーザの傾向を模倣するように訓練する動作と、訓練後、訓練済み機械学習モデルにビデオゲームの所定のシナリオを経験させ、訓練済み機械学習モデルによる所定のシナリオへの応答を分析することにより、訓練済み機械学習モデルの評価を行う動作と、機械学習モデルの評価を使用して、ユーザをビデオゲームの新しいセッションに割り当てる動作とを含む方法が提供される。

いくつかの実施態様では、ゲームプレイデータは、ビデオゲームのユーザセッションからのビデオ及びユーザ入力を含む。

いくつかの実施態様では、インタラクティブゲームプレイにおけるユーザの傾向は、インタラクティブゲームプレイにおけるユーザのアクティビティ及び非アクティビティによって定義される。

いくつかの実施態様では、訓練済み機械学習モデルの評価を行うことは、ユーザのスキルレベルを決定するように構成され、ユーザを新しいセッションに割り当てることは、ユーザの決定されたスキルレベルに基づく。

いくつかの実施態様では、訓練済み機械学習モデルの評価を行うことは、ユーザのスキルセットを決定するように構成され、ユーザを新しいセッションに割り当てることは、ユーザの決定されたスキルセットに基づく。

いくつかの実施態様では、機械学習モデルはニューラルネットワークである。

本開示の他の態様及び利点は、添付の図面と併せて、本開示の原理を例として示す下記の詳細な説明から明らかになるであろう。

本開示は、そのさらなる利点とともに、添付の図面と併せて下記の説明を参照することにより、最も良く理解されるであろう。

本開示の実施態様による、機械学習モデルを訓練し、訓練済み機械学習モデルを様々なゲーム関連のインタラクションに使用するための方法を概念的に示す。 本開示の実施態様による、様々なビデオゲーム関連のコンテキストで機械学習モデルを訓練及び使用するためのシステムを概念的に示す。 本開示の実施態様による、プレーヤのゲームプレイ行動を模倣する訓練済み機械学習モデルを評価または分類するためのプロセスを概念的に示す。 本開示の実施態様による、訓練済み機械学習モデルに基づいてユーザに推奨を提供するためのシステムを示す。 本開示の実施態様による、訓練済み機械学習モデルを使用して、ビデオゲームのマッチメイキングを改善するためのシステムを概念的に示す。 本開示の実施態様による、所与のユーザに複数の機械学習モデルを提供するユーザアカウントのライブラリを概念的に示す。 本開示の実施態様による、クラウドゲームサイトを介して利用可能なゲームのゲームファイルをロードするために使用される例示的なシステムを示す。 本開示の実施態様による、クラウドビデオゲームをクライアントデバイスにストリーミングするために実行される様々な動作を概念的に示すフロー図である。 本開示の実施態様による、情報サービスプロバイダアーキテクチャの実施形態を示す。

下記の説明では、本開示の完全な理解を提供するために、多くの具体的な詳細を記載する。しかしながら、本開示は、これらの具体的な詳細の一部または全てがなくとも実践できることは、当業者には明らかであろう。他の例では、本開示を不明瞭にしないために、周知のプロセスのステップについては詳細に記載していない。

大まかに言えば、本開示の実施態様は、機械学習モデルを使用して、プレーヤの個々のスタイル、表現、傾向、好みなどを含む、プレーヤがビデオゲームをプレイする方法を学習するための方法及びシステムに関する。機械学習モデルは、訓練されると、本開示の様々な実施態様による、ＡＩボットの挿入、プレーヤのコーチング、及びプレーヤのマッチメイキングを含む、様々な種類のゲームインタラクションに使用することができる。

図１は、本開示の実施態様による、機械学習モデルを訓練し、訓練済み機械学習モデルを様々なゲーム関連のインタラクションに使用するための方法を概念的に示す。図示の実施態様では、ユーザ１００は、ビデオゲームを実行するコンピューティングデバイス１０４によってディスプレイデバイス１０６上にレンダリングされるビデオゲームをプレイする。ユーザ１００は、ビデオゲームをプレイするとき、ユーザ入力１０８をコンピューティングデバイス１０４に提供するように、コントローラデバイス１０２を操作してよい。コンピューティングデバイス１０４で実行中のビデオゲームは、ユーザ入力１０８を受信し、ゲーム状態を更新するためにユーザ入力を処理する。更新されたゲーム状態は、ディスプレイデバイス１０６上に提示するためにビデオ１１０（画像フレーム及びオーディオを含む）をレンダリングするために使用される。

ビデオゲーム体験に利用されるハードウェアは、様々な実施態様によって変わり得ることは理解されよう。例えば、コンピューティングデバイスは、ゲームコンソール、パーソナルコンピュータ、ラップトップ、タブレット、携帯電話、または本明細書で説明されるようなビデオゲームを実行することができる任意の他のタイプのコンピューティングデバイスであってよい。いくつかの実施態様では、ビデオゲームはクラウドで実行されるビデオゲームである。つまり、ビデオゲームはクラウドゲームサーバまたはクラウドコンピューティングリソースによって実行され、クラウドコンピューティングリソースは、いくつかの実施態様では、仮想化されたコンピューティングリソースであってよく、ゲームプレイは（インターネットを含む）ネットワークを介してディスプレイデバイス１０６にストリーミングされる。さらに他の実施態様では、コンピューティングデバイス１０４の機能は、ディスプレイデバイス１０６に統合することができる。さらに例を挙げると、様々な実施態様におけるディスプレイデバイス１０６は、テレビ、ＬＣＤディスプレイ、モニタ、タブレット画面または携帯電話画面などのモバイルデバイス画面、プロジェクタなどであってよい。いくつかの実施態様では、ディスプレイデバイス１０６は、ヘッドマウントディスプレイである。さらに、コントローラデバイス１０２は、様々な実施態様において、ゲームコントローラ、モーションコントローラ、キーボード、マウス、トラックボール、タッチ式トラックパッド、画像キャプチャデバイス、マイクロフォンなどであってよい。

本開示の実施態様によると、機械学習モデル１１２（または人工知能モデル）は、ユーザ１００のゲームプレイを模倣するように訓練される。すなわち、機械学習モデル１１２が、所与のゲームシナリオを提示された場合、そのゲームシナリオに応答して、ユーザ１００が行い得るのと実質的に類似したゲームプレイアクション、または、ユーザのゲームプレイ技術、スキル、スタイル、傾向、意思決定、好み、コミュニケーション、動きなどに従ったゲームプレイアクションを行うように構成されるように、機械学習モデル１１２は訓練される。

これを達成するために、ユーザが体験すること（例えば、ユーザがゲームプレイ中に見たり、聞いたり、感じたり、あるいは応答したり反応したりすること）を示すデータと、ユーザのゲームプレイアクション（ユーザがゲームプレイ中に体験したことに応答して行うことまたは決定すること）を示すデータとを利用して、機械学習モデルを訓練することができることが理解されよう。ある意味で、ユーザは、ビデオゲーム中に体験したことの形で入力を受信し、体験したことに応答して特定のゲームプレイアクションの形で出力を提供するエージェントと見なすことができる。したがって、機械学習モデル１１２を訓練する目標は、同じ入力が提示されたときにユーザが提供するのと同じ出力を提供するように機械学習モデル１１２を構成することである。

いくつかの実施態様では、機械学習モデル１１２は、ビデオゲームのセッションからのビデオ１１０、及びそのセッションからのユーザ入力１０８を使用して訓練される。いくつかの実施態様では、ビデオ１１０及びユーザ入力１０８が最初に記録され、その後、記録されたデータが機械学習モデル１１２を訓練するために利用されることが理解されよう。他の実施態様では、ビデオ及びユーザ入力を利用して、ビデオゲームのライブゲームプレイと実質的に同時に、または実質的にリアルタイムで機械学習モデルを訓練する。機械学習モデル１１２の訓練は、コンピューティングデバイス１０４によって、またはリモートサーバもしくはクラウドゲームシステムなどの別のデバイスによって実行できることが理解されよう。これに関して、いくつかの実施態様では、ビデオ及びユーザ入力は、コンピューティングデバイス１０４によって記録され、次にクラウドシステムにアップロードされ、クラウドシステムは、ビデオ及びユーザ入力を受信し、それらを適用して機械学習モデルを訓練する。

いくつかの実施態様では、機械学習モデルは、ビデオ１１０からの画像フレームを使用してより具体的に訓練される。いくつかの実施態様では、ユーザ入力１０８は、ボタンの押下、ジョイスティックの動き、コントローラデバイス自体のキャプチャされた動きなどの、コントローラデバイス１０２からのコントローラ入力によって定義される。大まかに言えば、訓練の目標は、機械学習モデル１１２が、決定ごとにユーザ１００のアクションを模倣することである。現在説明しているような画像フレームを使用する実施態様では、ビデオの各フレームは、ボタンの押下などのコントローラ入力を生成することによって、または何もしないことによって、ユーザが反応するシナリオであると見なすことができる。したがって、各フレームはユーザに決定ポイントを提示し、機械学習モデルは、フレームごとにユーザの決定／アクション（何もしないことを含む）を模倣するように訓練される。理想的には、訓練済み機械学習モデルは、コントローラ入力またはその欠如に関して、ユーザが所与の画像フレームまたは画像フレームのシーケンスに応答して生成するのと同じ応答を生成するように構成される。

ユーザ入力としてのコントローラ入力を参照して説明してきたが、原理は、ユーザの動作またはジェスチャ入力、キャプチャされたヘッドマウントディスプレイの動き、音声入力などの他のタイプのユーザ入力にも適用されることが理解されよう。キャプチャ及び適用されるユーザ入力の種類に関係なく、機械学習モデル訓練の目標は、所与の画像フレームまたは画像フレームのシーケンスに応答して同じまたは類似する入力を再現するように機械学習モデルを構成することであることが理解されよう。

さらに、上記のような画像フレームに加えて、機械学習モデル１１２に訓練データを提供する目的で追加情報を利用することができる。例えば、ゲームプレイからのオーディオ（ビデオ１１０の一部として含まれ得る）も、ゲームセッション中にユーザ１００によって体験されるゲームプレイの別の側面であるため、使用されてよい。さらに、触覚フィードバック情報も、いくつかの実施態様で、訓練データの一部として使用することができる。

上記のフレームごとのアプローチは、機械学習モデル１１２が一人称シューティングビデオゲームなどのビデオゲームでユーザ１００を模倣することを可能にするために役立つ可能性がある。一人称シューティングビデオゲームの場合、フレームごとの変化はビデオゲームの状態の変化を示し、ゲームの結果に影響を与え得るため、ユーザは全てのフレームで効果的に意思決定を行っており、ユーザはフレームごとに反応し得る。ただし、他のタイプのビデオゲームでは、ビデオゲームが、ビデオゲームの結果の決定に対して重大なようにはフレームごとに変化しないので、フレームごとに機械学習モデルを訓練することが必要とされない場合がある。

例えば、ターン制のビデオゲームでは、プレーヤは順番にコマンドを発する。したがって、意思決定はフレームごとに行われるのではなく、所与の各プレーヤが行う各ターンで行われる。ビデオゲームの状態は、プレーヤが入力を行うまで変化しないため、機械学習モデル１１２を訓練するために、フレームごとに訓練する必要はない。むしろ、例えば、ユーザがアクションを行う機会を有する各ターンで、ユーザが利用できる体験を示すデータを使用して、機械学習モデル１１２を訓練することができる。前述したのと同じように、ユーザ入力も訓練目的に利用されることが理解されよう。すなわち、機械学習モデル１１２は、ゲームプレイ中にユーザが利用できる体験を示す所与のデータセットが提示されたときに、ユーザ入力と同じまたは類似する入力を生成するように訓練される。

いくつかの実施態様では、ゲームプレイ中のユーザの体験を示すまたは識別するデータは、実際には、ビデオゲームのセッション中に発生する特定の決定ポイントからキャプチャされた１つまたは複数の画像フレームであってよい。しかしながら、ゲームプレイセッション中にレンダリングされた全ての画像フレームが使用されるのではなく、ゲームプレイ中にユーザの体験またはユーザが利用できるデータを適切に識別するのに十分であり、且つ、ユーザがユーザ入力を提供することによって応答したサブセットが使用されることが理解されよう。

いくつかの実施態様では、ゲームプレイ中のユーザの体験を示すまたは識別するデータは、仮想環境におけるオブジェクトもしくはキャラクタの位置、オブジェクトもしくはキャラクタのプロパティ（例えば、在庫、健康、スキルなど）、またはゲームプレイに影響を与え得る任意の他の変数もしくはエンティティの状態を例として含むが、これらに限定されないゲーム状態データを含み得る。さらに、ユーザ入力を一般にコントローラ入力を参照して具体的に説明してきたが、機械学習モデルを訓練する目的で、特定のタイプのゲーム状態データを含む他の種類のデータを使用して、ゲームプレイ中にユーザが体験することに応答したユーザのアクションを定義できることが理解されよう。

機械学習モデル１１２は、訓練されると、ユーザ１００のゲームプレイスタイル及び傾向を模倣するように構成される。これは、以下でさらに詳しく説明するように、ＡＩボットの挿入（１１４を参照）、コーチング（１１６を参照）、及びマッチメイキング（１１８を参照）などの様々な目的に使用することができる。

大まかに言えば、機械学習モデル１１２を訓練するという目標は、教師あり学習タスクと見なすことができる。いくつかの実施態様では、機械学習モデル１１２は、具体的には、人工ニューラルネットワーク（例えば、多層パーセプトロン）である。他の実施態様では、機械学習モデル１１２は、本開示の実施態様による、ユーザのゲームプレイを模倣するように構成することができる他のタイプの人工知能または機械学習技術（例えば、サポートベクタマシン、線形回帰、ロジスティック回帰、単純ベイズ、決定木、ｋ最近傍法など）を利用することができる。

図２は、本開示の実施態様による、様々なビデオゲーム関連のコンテキストで機械学習モデルを訓練及び使用するためのシステムを概念的に示す。図示の実施態様では、クライアントデバイス２１２は、ネットワーク２１０に接続され、ネットワーク２１０を介してネットワークゲームシステム２００と通信する。クライアントデバイス２１２は、いくつかの実施態様では、ゲームコンソールまたはパーソナルコンピュータなどのビデオゲーム２１４を実行することができるコンピューティングデバイスである。

説明したように、ユーザ２２２がビデオゲーム２１４をプレイすると、ゲームプレイデータ２１６が生成され、これを使用して、機械学習モデル２００を訓練して、ユーザ２２２のゲームプレイスタイル及び傾向を学習及び模倣することができる。図示の実施態様では、クライアントデバイス２２４及び２３６は、クライアントデバイス２１２と同様に構成されている。例えば、クライアントデバイス２２４は、ユーザ２３４によるゲームプレイのためにビデオゲーム２２６を実行することができ、結果として生じるゲームプレイデータ２２８は、ユーザ２３４のゲームプレイを模倣するように機械学習モデル２３０を訓練するために使用される。同様に、クライアントデバイス２３６は、ユーザ２４８によるゲームプレイのためにビデオゲーム２４０を実行することができ、生成されたゲームプレイデータ２４２を使用して、ユーザ２４８のゲームプレイを模倣するように機械学習モデル２４４を訓練することができる。

いくつかの実施態様では、様々なユーザに対応する訓練済み機械学習モデルを使用して、ユーザを代表するＡＩボットによるビデオゲームのゲームプレイを可能にすることができる。例えば、いくつかの実施態様では、ビデオゲームは、ネットワークゲームシステム２００を使用して、オンラインマルチプレーヤゲームをサポートする。ネットワークゲームシステム２００は、ビデオゲームの共有セッション２０２を実行してよく、クライアントデバイス２１２、２２４、及び２３６のそれぞれは、ネットワーク２１０を介して共有セッション２０２に接続する。従来のマルチプレーヤビデオゲームでは、各ユーザはマルチプレーヤセッションでユーザのそれぞれのキャラクタまたはエンティティの制御を担当する。しかしながら、本開示の実施態様によれば、所与のユーザの代わりに、そのユーザに対応するＡＩボットを展開して、そのユーザに代わってゲームをプレイすることができる。

例えば、図示の実施態様では、ユーザ２２２に対応するＡＩボット２２０は、訓練済み機械学習モデル２１８を使用して、ビデオゲームの共有セッション２０２に参加することができる。ＡＩボット２２０は、ユーザ２２２に代わってビデオゲームのゲームプレイを行うように構成されたエージェントである。ＡＩボット２２０は、ユーザのプレイスタイルを学習した訓練済み機械学習モデル２１８を使用しているので、ユーザ２２２がビデオゲームをプレイするのと同様の方法でビデオゲームのゲームプレイを行うことが理解されよう。同様に、ＡＩボット２３２は、ユーザ２３４のゲームプレイ傾向を学習した機械学習モデル２３０を使用して、ビデオゲームの共有セッション２０２に参加するように構成することができる。そして、ＡＩボット２４６は、ユーザ２４８のゲームプレイスタイルを模倣するように、訓練済み機械学習モデル２４４を使用して、ユーザ２４８に代わって共有セッションに参加することができる。

訓練されたＡＩボットがユーザに代わってプレイできるようにすることで、新しい種類のインタラクティブな体験が可能になる。例えば、いくつかの実施態様では、ユーザは互いのＡＩボットと対戦することができる。このようにして、ユーザは、そのユーザがビデオゲームに参加可能でない、あるいは、ビデオゲームに参加していないときでさえ、他のユーザと対戦することがどのようなものであるかを知ることができてよい。いくつかの実施態様では、ユーザはＡＩボットを互いに対戦させることができる。いくつかの実施態様では、ユーザは自分のＡＩボットがビデオゲームをプレイするのを見てよい。これは、ユーザがリアルタイムの設定でどのようにプレイするかを効果的に確認できるようにすることで、楽しませてくれるが、三人称の観察者の観点からである。これは、ユーザが自分のＡＩボットのゲームプレイを観戦することで、リアルタイムで自分がプレイするのを効果的に見ることから学んでよいため、さらに教育的であることが証明され得る。

例えば、ユーザ２２２及びユーザ２３４は、例えば、一緒のチームまたは互いに対戦するチームの一部として、ユーザ２４８とビデオゲームをプレイしたい場合がある。しかしながら、ユーザ２４８は、ユーザ２２２及びユーザ２３４が参加できるのと同時にオンラインではない場合がある。通常、ユーザ２４８が参加できないことは、集団体験が起こるのを妨げることになる。しかしながら、ユーザ２４８が参加できない間、ユーザ２４８のＡＩボット２４６は参加可能であり、ユーザ２４８の代わりにビデオゲームをプレイすることができる。このようにして、ユーザ２２２及び２３４は、希望するグループプレイ体験を妨げられず、ＡＩボット２４６からのゲームプレイへの貢献は、ユーザ２４８がオンラインでプレイ可能であった場合にユーザ２４８によって提供されたであろうものと同様になる。したがって、ＡＩボットを使用すると、人間が完全に存在しなくても、マルチプレーヤゲームプレイをシミュレートできる。

図示の実施態様では、ネットワークゲームシステム２００は、システムのユーザ間の通信を容易にするように構成された通信モジュール２０４をさらに含む。例として、そのような通信は、メッセージング、チャット、オーディオ、ビデオ、テキスト、電子メール、コメント、返信などを含み得る。そのような通信は、ここで説明しているビデオゲームへのＡＩボットの挿入を容易にできることが理解されよう。例えば、あるユーザが他のユーザにメッセージを送信したり、マルチプレーヤビデオゲームに参加するように他のユーザに招待状を送信したりする場合がある。それに応じて、システムは、他のユーザは参加できないが、他のユーザのＡＩボットはゲームプレイに参加可能であることを示すメッセージで応答して、送信ユーザにＡＩボットとともにプレイまたはＡＩボットと対戦するオプションを提供してよい。

さらなる実施態様では、ビデオゲームは、ユーザが別のプレーヤのＡＩボットを使用して、ビデオゲームの選択したシーンまたは部分のゲームプレイを行い得る機能を提供するように構成することができる。これは、ユーザがゲームの難しいセクションを克服するのを助けるのに役立つ可能性がある。例えば、ユーザは特定のスキルレベルにあって、より高度なプレーヤのＡＩボットにビデオゲームの難しいセクションをプレイするように要求してよく、そうすることによって、ユーザは、より高度なプレーヤがビデオゲームの難しいセクションをどのようにプレイし、克服するかを見ることができる。このようにして、高度なプレーヤが実際に実証的なリアルタイムのゲームプレイに参加することを必要とせずに、高度でないプレーヤが高度なプレーヤのゲームプレイから学ぶことができる。これにより、経験の浅いプレーヤは、ビデオゲームの特定の部分をカバーするゲームプレイビデオをオンラインで検索するなど、特定の部分の学習に他のより時間のかかる方法に頼ることなく、彼らが興味のある、または克服するのが困難なビデオゲームの特定のセクションをより経験のあるプレーヤが処理するのを見るのを可能にすることが理解されよう。

さらに、ビデオゲームは、他のプレーヤのＡＩボットがビデオゲームをプレイしているときに、いかなる成績も元のホストユーザのアカウントにクレジットされないように構成できることが理解されよう。したがって、他のプレーヤのＡＩボットによるゲームプレイは、ホストユーザが視聴または観戦できるが、ビデオゲームのストーリーラインまたは目的のコンテキスト内で、ホストユーザの位置または進行には影響しない。この意味で、他のプレーヤのＡＩボットによるゲームプレイは、そのようなゲームプレイ中または完了時にセーブポイントが記録されないゲームプレイである。

ただし、他の実施態様では、ユーザは他のユーザのＡＩボットを借りて意図的に自分のためにプレイすることができ、そのようなゲームプレイ中の成果または成績は保存され、元のユーザのアカウントにクレジットされる。ある意味で、これは、友人に実際にゲームプレイすることを要求せずに、友人に、自分のために、または自分に代わってプレイさせることに似ている。いくつかの実施態様では、ユーザは、他のプレーヤのＡＩボットの使用料を、例えば、仮想通貨、デジタルアセット、デジタルクレジット、実際の通貨などを使用して支払ってよい。したがって、ユーザが、ビデオゲームの定期的なゲームプレイと進展を通じてＡＩボットを訓練及び改善し、訓練を受けたＡＩボットを他のユーザに貸し出すことができる市場を形成できる。いくつかの実施態様では、ＡＩボットは、単位時間ごとに、またはＡＩボットの使用量を定量化する何らかの他の測定単位でレンタルすることができ、そのため、ＡＩボットのレンタルに支払われる金額は、ＡＩボットが実際に使用された量に依存する。このようなエコシステムでは、所与のＡＩボットの使用統計を投稿して利用可能にすることができ、ユーザは所与のＡＩボットに関連するコメントをそのＡＩボットを使用した後に残してよい。

図２を引き続き参照すると、ネットワークゲームシステム２００は、以下でさらに説明するように、訓練済み機械学習モデルに基づいてユーザに推奨を提供するように構成された推奨ロジック２０６をさらに含む。また、ネットワークゲームシステム２００は、以下でさらに説明するように、ビデオゲームに関連してマッチメイキングアクティビティを実行するように構成されるマッチメイキングロジック２０８をさらに含む。

さらに、いくつかの実施態様では、クライアントデバイスによって実行されると説明されている機能のいずれかが、ネットワークゲームシステム２００によって実行できることに留意されたい。例えば、クラウドゲームのセットアップでは、ビデオゲームの実行は、ネットワークゲームシステム２００によって行うことができ、クライアントデバイスは、ネットワーク２１０を介してネットワークゲームシステムからゲームプレイをストリーミングするように構成される。さらに、ゲームプレイデータの記憶、機械学習モデルの訓練、及びＡＩボットの実装は、いくつかの実施態様では、ネットワークゲームシステム２００によって行うことができる。

図３は、本開示の実施態様による、プレーヤのゲームプレイ行動を模倣する訓練済み機械学習モデルを評価または分類するためのプロセスを概念的に示す。すでに説明したように、機械学習モデルは模倣学習用に訓練することができ、機械学習モデルは、ユーザのゲームプレイを模倣することを学習するので、同じタイプのシナリオが提示された場合、ユーザと同様の動きをする。ユーザのゲームプレイ行動を模倣するように機械学習モデルを訓練することの利点の１つは、ユーザのゲームプレイを評価するために、実際のユーザまたは実際のユーザの現実のゲームプレイを観察する必要がないことである。代わりに、機械学習モデルをユーザの傾向を模倣するように訓練することができ、次に、様々なシナリオを提示して、ユーザのゲームプレイ行動を評価できるようにする。この技術は、以前の成果や成績からの外挿に依存せずに、特定のシナリオに関する直接的なパフォーマンス評価を行うことを可能にし、結果は、直接的なパフォーマンス表示を提供するので、ユーザのゲームプレイ行動を分類するための強力で正確な方法である。したがって、所与のシナリオで所与のユーザがどのように実行するかという質問に対する答えは、理論的または外挿推定ではなく、実際のシナリオに対するユーザのＡＩボットの直接テストに基づく。

図示の実施態様では、訓練済み機械学習モデル３００は、様々なシナリオ３０２、３０４、３０６、及び３０８に適用される。これらのシナリオのそれぞれは、所与のゲーム状況であってよく、ユーザが体験したゲームシナリオを示すものとして機械学習モデル３００を訓練するために使用されたタイプのデータを含む。例えば、訓練データがユーザのゲームプレイのキャプチャされたビデオからの画像フレームを含む上記の実施態様によると、各シナリオは、いくつかの実施態様における画像フレームまたは画像フレームのシーケンスを含むことができ、画像フレームは、特定のビデオゲームを定義する。いくつかの実施態様では、そのような画像フレームは、ビデオゲームからのスクリーンショットであってよい。他の実施態様では、各シナリオは、そのようなシナリオがユーザに提示された場合にユーザの体験を定義する他の種類のデータによって定義することができる。

機械学習モデル３０２のシナリオ３０２、３０４、３０６、及び３０８への適用によって、それぞれ対応する結果３１０、３１２、３１４、及び３１６を生成する。いくつかの実施態様では、各結果は、シナリオに応答して機械学習モデル３００によって生成されるデータによって定義される。例えば、結果には、シナリオに応答して機械学習モデルによって生成されるコントローラ入力を含み得る。結果は、シナリオに応答した機械学習モデルによる応答アクションの欠如によっても定義できることを理解されたい。

参照番号３１８では、結果に基づいて評価または分類動作が行われる。例えば、いくつかの実施態様では、これは、シナリオに応答して機械学習モデルによって生成されたコントローラ入力がコントローラ入力の所定のセットと一致するかどうかの判定を含むことができ、コントローラ入力の所定のセットはまた、そのようなコントローラ入力の順序とタイミングの考慮も含み得る。いくつかの実施態様では、評価は、機械学習モデルまたは機械学習モデル３００の対応するユーザへのスキルレベルの割り当てを含み得る。様々な実施態様では、評価は、様々なシナリオの経験の結果に基づいた、ユーザもしくは機械学習モデルに起因し得る、また、推奨／コーチング、マッチメイキングなどを提供するダウンストリームのゲーム関連アクティビティに使用することができる、様々なスキル、経験、習熟度、キャラクタタイプ、スタイル、傾向、欠陥、または任意の他のプロパティもしくは分類の決定を含み得る。

したがって、訓練されたＡＩ／機械学習モデルは、様々なシナリオをモデルに提示し、次に、モデルがどのように反応するかに基づいてモデルを分類することによって、評価することができる。いくつかの実施態様では、これは、オンライン訓練プロセスとは別に、オフラインプロセスとして行うことができる。上記のネットワークゲームシステムなどのシステムは、訓練済み機械学習モデルに様々なシナリオを提示し、モデルが行うことを記録し、次に、マッチメイキング、協力アクティビティ、コーチングなどの様々なアクティビティのためにモデルを分類することができる。

いくつかの実施態様では、シナリオは、例えば、ビデオゲームの特定のシーンにロードされるビデオゲームの実行部分によって定義されてよい。ユーザの機械学習モデル（または、ユーザのＡＩボット）を適用してビデオゲームの一部をプレイすることができ、ゲームプレイの結果を使用して機械学習モデルを分類することができる。モデルがシナリオを生き残るかどうか、１つまたは複数のアクションを取るかどうか、目標に到達するかどうか、成績を達成するかどうか、所与の時間量で何かを達成するかどうかなど、様々なビデオゲーム固有の結果により、ユーザの機械学習モデルの分類が可能になることが理解されよう。

図４は、本開示の実施態様による、訓練済み機械学習モデルに基づいてユーザに推奨を提供するためのシステムを示す。図に示すように、訓練済み機械学習モデル４００は、評価／分類モジュール４０２によって評価または分類することができ、評価／分類モジュール４０２は、機械学習モデルに様々シナリオを提示することと、結果を評価することとを含む、上記の原理に従って機械学習モデル４００の評価を行うように構成することができる。推奨ロジック４０４は、機械学習モデルの評価の結果に基づいてユーザに推奨を提供するように構成される。ここで説明しているこのような実施態様では、評価は、以下でさらに説明するように、ユーザに推奨を行うのに役立つ情報または分類を提供するように構成されることが理解されよう。

いくつかの実施態様では、システムは、プレーヤのゲームプレイスキルセットの開発及び改善を助けるように、機械学習モデルの評価／分類に基づいてプレーヤに具体的なコーチングを推奨するように構成される。つまり、評価は、特定のスキルや技術など、改善するユーザのゲームプレイのエリアを特定するように構成することができる。いくつかの実施態様では、推奨ロジック４０４は、ゲーム内コーチング４０６を提供してよく、ゲーム内コーチング４０６は、ビデオゲームのゲームプレイ中にプレーヤにヒントまたは他の有用な情報を提供する。これらのコーチングの助言は、訓練済み機械学習モデルに対する特定のユーザの評価に基づいて決定または選択されるため、そのユーザに固有のものであることは理解されよう。いくつかの実施態様では、推奨ロジック４０４は、チュートリアルまたはレッスン４０８をユーザに推奨してよく、チュートリアルまたはレッスン４０８は、一般に、ビデオゲームの実際のゲームプレイのコンテキストの外で発生する。例として、そのようなチュートリアルまたはレッスンは、ユーザが指導を受けて特定のスキルを練習することができる練習環境のレンダリングを伴うことができるが、これに限らない。

いくつかの実施態様では、推奨ロジック４０４は、例えば、ユーザを様々なプロのプレーヤと比較し、どのプロのプレーヤのスタイルが類似しているかを示すなど、プレーヤ比較４１０を提供することができる。したがって、推奨ロジック４０４は、プロのプレーヤのスタイルをユーザに推奨し、おそらく、特定のプロのプレーヤのスタイルに類似したスタイルを開発するための助言をすることができる。推奨ロジック４０４は、この点に関して特定の学習パスを推奨することができる。

いくつかの実施態様では、推奨ロジック４０４は、ユーザが自分のゲームプレイを改善するのを助けるように、対戦相手の推奨４１２を提供することができ、ユーザがプレイする対戦相手を提案する。関連する実施態様において、推奨ロジック４０４は、例えば、ユーザに対して効果的な戦略を識別し、ユーザのモデルにおいてそのような戦略を効果的に採用する対戦相手をユーザに提示することによってなど、それらの戦略に適応するようにユーザを促すなど、４１４で敵対する対抗戦略提示を提供することができる。

推奨ロジック４０４によって提供されるコーチング推奨の結果として、参照番号４１６に示されているように、機械学習モデル４００を訓練するための新しい訓練データが生成されてよいことが理解されよう。したがって、機械学習モデル４００は、ユーザがコーチングを受け、コーチングを通じて提供される提案及び戦略を実施するにつれて、時間とともに変化する。

評価モジュール４０２及び推奨ロジック４０４は、上記の実施態様に従って、ネットワークゲームシステムまたは様々なクライアントデバイスに組み込むことができることに留意されたい。

図５は、本開示の実施態様による、訓練済み機械学習モデルを使用して、ビデオゲームのマッチメイキングを改善するためのシステムを概念的に示す。図示の実施態様では、各ユーザに対応する様々な訓練済み機械学習モデル５００が、機械学習モデルに１つまたは複数のシナリオを提示し、結果を処理することによって、前述のように評価される。この評価の結果は、機械学習モデル５００のそれぞれに対応する分類５０２からなってよい。本実施態様では、これらの分類は、以下でさらに説明するように、ビデオゲームでマッチメイキング機能を実行するのに役立つ。

図示の実施態様では、マッチメイキングロジック５０４は、ビデオゲームのマッチメイキングを行うように構成される。大まかに言うと、マッチメイキングは、マルチプレーヤビデオゲームでのユーザの割り当てまたは配置に関連する機能を含む。例えば、所与のマルチプレーヤビデオゲームに多くのセッションが存在してよく、ゲームの競争力を高めるために、ゲームの所与のセッションにほぼ類似したスキルレベルのプレーヤを有することが望ましい。したがって、いくつかの実施態様では、機械学習モデルの分類は、対応するプレーヤのスキルレベルを識別するように構成され、マッチメイキングロジック５０４は、参照番号５０６に示されるように、レベル適合性のためにマッチメイキングを行うように構成される。すなわち、マッチメイキングロジック５０４は、ほぼ類似したスキルレベルのプレーヤをビデオゲームの同じセッションに割り当て、全く異なるスキルレベルのプレーヤを同じセッションに割り当てることを回避する。

いくつかの実施態様では、いくつかの既存のゲームセッションの１つに参加する目的で、マッチメイキングロジック５０４は、参加したいユーザのスキルレベルを識別し、そのユーザと、セッションの既存のユーザとのレベルの適合性に基づいて、ユーザをそのセッションに割り当てる。つまり、マッチメイキングロジックは、セッションの既存のプレーヤが新しいユーザと類似するスキルレベルを持つセッションを見つけ、新しいユーザをそのセッションに割り当てる。いくつかの実施態様では、ユーザがすでに進行中の、または他の複数のユーザがすでに割り当てられている特定のゲームセッションに参加したい場合、マッチメイキングロジック５０４は、所与のセッションにおけるプレーヤのスキルレベルと、参加を希望するプレーヤのスキルレベルとを識別することができる。また、スキルレベル／適合性に大きな違いがある場合にユーザに通知するように構成することができる。

訓練済み機械学習モデルが評価に利用可能であるため、所与のユーザのスキルレベルを高度の特異性で分類することができることが理解されよう。例えば、一部のビデオゲームは、様々な種類の領域、設定、環境などを有する場合があり、所与のプレーヤのスキルレベルはこれらの様々な環境間で異なる場合がある。例えば、プレーヤは都市型環境と比べて森林型環境の方がゲームプレイが上手であるため、環境によってスキルレベルが異なる。これは、プレーヤの訓練済みモデルに森林型環境と都市型環境を経験させ、結果を追跡することによって評価することができる。そのような環境依存のスキルレベルは、ユーザをビデオゲームの特定のセッションの特定の環境について評価することができ、それに応じて、所与のセッションの特定の環境に固有のスキルレベルに基づいてユーザを割り当てることができるという点で、ここで説明しているレベル適合性マッチメイキングの考慮に入れることができる。

いくつかの実施態様では、マッチメイキングロジック５０４は、参照番号５０８に示すように、プレーヤの機械学習モデルの評価／分類に基づいて、プレーヤを異なるチームに分配するように構成される。例えば、プレーヤのスキルレベルは、上記のように決定することができ、次に、互角のチームを提供するように、プレーヤを異なるチームに分配するために利用することができる。

いくつかの実施態様では、マッチメイキングロジック５０４は、参照番号５１０に示すように、ゲームプレイにおけるプレーヤのスキルまたは傾向に基づいてプレーヤのマッチングを行うように構成することができる。例えば、いくつかの実施態様では、類似するスタイルまたは傾向を示すプレーヤを同じチームでマッチングすることができる。他の実施態様では、チームが様々なスキルで形成されるように、プレーヤをスキルに基づいて様々なチームに割り当てることができる。つまり、可能な場合、各チームが様々なプレーヤタイプを有するように、類似するスキルセットを有するプレーヤが異なるチームに割り当てられる。いくつかの実施態様では、プレーヤは、プレーヤのスキルセットまたは傾向が補完的であることに基づいて互いにマッチングされる。例えば、ビデオゲームで可能なスキルのグループが与えられた場合、チーム全体のスキルの合計を最大化する方法で、プレーヤをチームの一部として互いにマッチングすることができる。

対戦を考慮して、いくつかの実施態様では、異なるスキルセットまたはスタイルを有するプレーヤが対戦相手としてマッチングされ、より興味深いゲームプレイを提供する。逆に、類似するスキルセットを持つプレーヤは、可能であれば互いにマッチングしなくてよい。

いくつかの実施態様では、マッチメイキングロジック５０４は、プレーヤの機械学習モデルの評価に基づいて、参照番号５１２に示すように、プレーヤの役割の充足を実行するように構成される。つまり、ビデオゲームでは、プレーヤを割り当てることができる様々な役割が存在する場合がある。このコンテキストでは、所与のユーザの機械学習モデルを、特定の役割を果たす際にどれだけうまく機能するかという観点から評価することができる。これに基づいて、マッチメイキングロジック５０４は、例えばチームにおいて、様々な役割を果たすのに最適なプレーヤを決定することができる。

さらに、いくつかの実施態様では、参照番号５１４で示すように、マッチメイキングロジックはＡＩボットのマッチメイキングを行うことができる。ユーザに適用される上記のマッチメイキング機能のいずれも、対応するＡＩボットにも適用でき、対応するＡＩボットは上記のようにビデオゲームに挿入することができることが理解されよう。例えば、ＡＩボットは、レベルの適合性、スキルセット、所与の役割を果たす能力などに基づいて評価され、配置、または割り当てることができる。

例えば、プレーヤのチームが追加のプレーヤを必要としており、システムは、例えば、ソーシャルグラフ内のチームメンバの１人または複数に結び付けられた対応するユーザからなど、利用可能なＡＩボットの所与のセットから、チームに参加するのに最適なＡＩボットを決定する場合がある。いくつかの実施態様では、マッチメイキングロジックは、例えば、誰が参加可能であり、誰が特定の役割を果たす資格があるかを決定することによって、プレーヤまたはＡＩボット検索を行ってよい。限定的ではない例として、防御的なプレーヤまたはＡＩボットを探してよく、したがって、システムは、利用可能な訓練済み機械学習モデルの防御能力を、防御的なシナリオをモデルに提示し、モデルがどのように反応するかを決定することによって、評価し、次に、結果に基づいてプレーヤまたはＡＩボットを選択してよい。

いくつかの実施態様では、機械学習モデルの評価／分類は、個別に行うだけでなく、組み合わせて行うこともできる。訓練済み機械学習モデルの組み合わせを一緒に評価することで、プレーヤの様々なグループを評価することができる。例えば、チームとしてのプレーヤのグループのパフォーマンスを評価するために、彼らの機械学習モデルまたはＡＩボットに、プレーヤが同時に参加する１つまたは複数のグループシナリオを提示することができ、結果を評価することができる。いくつかの実施態様では、これは、次に互いの後続のアクションまたは決定に影響を与え得るモデルが取ったアクションの影響をシミュレートすることができるように、機能ゲームエンジンコンポーネントの実行を伴い得る。関連する実施態様では、プレーヤの訓練済みモデルを同じグループシナリオに適用し、各プレーヤがグループシナリオ内でどのようにパフォーマンスしたかを判断することで、プレーヤのグループの相互のパフォーマンスを評価することもできる。

ユーザの機械学習モデルまたはＡＩボットは、時間の経過とともに継続的に更新される可能性があるため、時間の経過とともに変化することが理解されよう。したがって、いくつかの実施態様では、マッチメイキングの現在の評価／分類を提供するために、機械学習モデルは、マッチメイキング要求時に（例えば、ユーザがマルチプレーヤビデオゲームをプレイすることを要求するとき）評価することができる。このようにして、最新の分類が使用される動的なマッチメイキングプロセスが可能になる。

図６は、本開示の実施態様による、所与のユーザに複数の機械学習モデルを提供するユーザアカウントのライブラリを概念的に示す。図に示すように、ユーザアカウントは、図示の実施態様におけるゲームタイトルＡ、ゲームタイトルＢ、及びゲームタイトルＣなど、ユーザが所有するかまたはユーザがアクセスできる様々なゲームタイトルからなるゲームライブラリ６００を有してよい。ユーザアカウントはさらに、ゲームライブラリ６００内の各ゲームタイトルの様々な機械学習モデルを含むＡＩライブラリ６０２を含む。機械学習モデルＡ１、Ａ２、及びＡ３を含むゲームタイトルＡの機械学習モデルのセットが、参照番号６０４に示されている。同様に、ゲームタイトルＢの機械学習モデルＢ１、Ｂ２、及びＢ３と、ゲームタイトルＣの機械学習モデルＣ１、Ｃ２、及びＣ３を含む、ゲームタイトルＢ及びＣの機械学習モデルのセットが、それぞれ参照番号６０６及び６０８に示される。

所与のゲームタイトルについて、ユーザは、ユーザのゲームプレイを模倣するように訓練された１つまたは複数の機械学習モデルを所有し得ることが理解されよう。例えば、ユーザが所与のビデオゲームをプレイすると、ユーザの機械学習モデルが進化し、機械学習モデルの様々な状態をキャプチャして保存することができる。したがって、複数の機械学習モデルは、時間の経過とともにプレーヤの様々なバージョンをキャプチャすることができ、様々な時刻におけるそのビデオゲームのユーザの能力のスナップショットとして機能することができる。一般的に言えば、ユーザが所与のビデオゲームをプレイし続けると、ユーザのスキルレベルが上がることが予想される。いくつかの実施態様では、現在よりも以前の時間（及びより低いスキルレベル）でのユーザの能力を示す以前の機械学習モデルを取得できることが有用な場合がある。例えば、スキルレベルが低い友人が、ユーザと対戦したく、そのユーザは、現在スキルレベルが高い。したがって、友人に競争力のあるゲームプレイ体験を提供するために、友人と類似するスキルレベルを有するユーザの以前の機械学習モデルをユーザに代わって展開することができる。

他の実施態様では、ユーザは、異なるキャラクタとしてプレイする、異なる役割でプレイする、異なる進歩または開発パスを追求するなど、ビデオゲームのコンテキスト内の様々な目的に対応する所与のビデオゲームのための複数の機械学習モデルを有し得る。

分類シナリオは、ユーザの機械学習モデルの特性を確認するのに役立つように構成または選択されていることが理解されよう。ビデオゲームのどのタイプのシナリオまたは部分が分類の目的に役立つかを判断するために、ユーザのゲームプレイとゲームシーンを分析して、ゲームプレイのどの側面がロバストな分類を可能にする優れた指標であるかを判断すると役立つ可能性がある。例えば、ユーザのゲームプレイを分析して、プレーヤが統計的に勝つまたは負ける可能性が高くなるアクションのタイプを決定してよい。次に、そのようなアクションの使用を強調するシナリオを分類目的で作成することができる。または、別の例では、ビデオゲームの様々なシーンのゲームプレイを分析して、どのシーンがユーザのスキルまたは成功の良い指標であるか、例えば、特定のシーンを通過したり、特定のシーンで間違いのないアクションを取ったりするユーザは、勝つ可能性が高いこと、を判断することができる。

本開示の実施態様は、ゲームエンジンの一部として含めることができる。大まかに言えば、ゲームエンジンは、ビデオゲームの効率的な開発を可能にする機能を提供するソフトウェア開発フレームワークである。ゲームエンジンは、例を挙げると、グラフィックスレンダリング（例えば、頂点処理、ポリゴン処理、シェーディング、照明、テクスチャリングなどを含む）、サウンド、物理的現象（衝突処理を含む）、アニメーション、スクリプト記述、人工知能、ネットワーキング、ストリーミング、メモリ管理、スレッド化、ローカリゼーションサポート、シーングラフ、シネマティクスなどを含むが、これらに限定されない、ゲーム機能の様々な側面を処理するための再利用可能なモジュールを備えたソフトウェアライブラリを含み得る。

ゲームエンジンは、ゲームコンソール、モバイルデバイス、パーソナルコンピュータなど、様々なハードウェアプラットフォーム用に最適化することができる。限定ではないが例を挙げると、ゲームエンジンは、プラットフォームに応じてメモリ使用量を最適化してよい（例えば、グラフィックパイプラインで様々なタスクの優先順位の付け方など）。いくつかの実施態様では、ハードウェアは、ゲームコンソールなどの何らかの特定の処理エンティティのブレードバージョンであってよい。したがって、ユーザを特定のブレードに割り当ててよく、これにより、コンソールゲームが最適化されたのと同じハードウェアが提供される。

ストリーミング及び／または他のサービス（パケット化、符号化、サービス品質（ＱＯＳ）監視、帯域幅テスト、ソーシャルネットワーク／友人へのアクセスなど）を提供するためのゲームサーバロジックも存在し得ることが理解されよう。

いくつかの実施態様では、クラウドインフラストラクチャがハイパーバイザを実行する場合があり、ハイパーバイザは、ハードウェアを抽象化し、仮想マシンフレームワークを提供し、仮想マシンフレームワーク上にオペレーティングシステム（ＯＳ）をロードすることができる。したがって、スタックは、ＯＳ上で実行されるアプリケーション／ビデオゲームを含み得る。このＯＳは、ハイパーバイザによってインスタンス化された仮想マシン（ＶＭ）にロードされ、このＶＭは、基盤となるハードウェアにロードされる。このように、アプリケーションの実行は必ずしも特定のハードウェアに結合されているわけではない。

いくつかの実施態様では、アプリケーション／ビデオゲームがコンテナ上で実行されて、アプリケーション層で、パッケージングコード及び依存関係を一緒に抽象化し、ＯＳまたはハードウェアプラットフォームに依存しないソフトウェア開発を可能にし、プラットフォーム間でのソフトウェアの移植性が向上する。

いくつかの実施態様では、ゲームエンジンの異なる部分を異なる計算エンティティによって処理することができる分散型ゲームエンジンが採用される。例えば、物理エンジン、レンダリングエンジン（２Ｄ／３Ｄグラフィックス）、サウンド、スクリプト記述、アニメーション、ＡＩ、ネットワーキング、ストリーミング（符号化）、メモリ管理、スレッド化などのゲームエンジンの機能は、多くの異なる計算間に分散されている様々な機能処理ブロック及び／またはサービスに分配することができる。分散型ゲームエンジンの場合、待ち時間の問題を回避するために低待ち時間の通信が必要であることが理解されよう。所望のフレームレートを維持するには、計算と通信の合計時間が一定の制約を満たす必要がある。したがって、プロセスをより短い時間で完了することが可能かどうかに応じて、一定のタスクを分割することが効率的である場合とそうでない場合がある。

分散型ゲームエンジンを使用する利点は、必要に応じてコンピューティングリソースをスケールアップまたはスケールダウンできるエラスティックコンピューティングを利用できることである。例えば、従来は単一のハードウェアサーバで実行されていた大規模なマルチプレーヤゲームでは、例えば約１００人のプレーヤがいると、ハードウェアリソースが制限され、プレーヤを追加できなくなる。ゲームは追加のプレーヤをキューに入れてよい。つまり、プレーヤはゲームに参加するのを待つ必要がある。ただし、分散型ゲームエンジンでは、エラスティッククラウドコンピューティングリソースを使用することで、需要を満たすために計算ノードを追加できるため、例えば数千人のプレーヤが利用できる。ゲームは、特定のハードウェアサーバの制限による制約を受けなくなる。

したがって、クラウドゲームエンジンは、様々な処理エンティティに機能を分散させることができる。異なるフレームワークで異なる機能を実行できることが理解されよう。例えば、一部の機能（例えば、ソーシャル）はコンテナで実行する方が簡単な場合があるが、グラフィックスはＧＰＵに接続されたＶＭを使用して実行する方が良い場合がある。

クラウドゲームエンジンの機能の分散を容易にするために、分散／同期層は、例えば、ジョブの送信、データの受信、どのタスクがいつ実行されたかの識別、及び、例えば、ジョブが必要より早く終了した場合のキューイングの処理など、ジョブの分散を管理することができる。いくつかの実施態様では、所与のタスクを必要に応じて動的に細分することができる。例えば、アニメーションは、照明を有することができ、照明が特に複雑な場合、照明を３つの照明ジョブに細分して、コンピューティングに送信し、戻ったときに再構築することができる。したがって、ゲームエンジンの機能は、より多くの作業が必要な場合に細分することができる。

クラウドサービスプロバイダは、例えば１秒あたりの入出力動作（「ＩＯＰＳ」）で、指定されたパフォーマンスレベルでコンピューティングを提供する。したがって、ゲームプロバイダは、クラウドサービスプロバイダからＶＭ、専用の処理能力、メモリの量などを指定し、クラウドサービスプロバイダのシステムを使用して分散型クラウドゲームエンジンをインスタンス化することができる。

いくつかの実施態様では、ライブラリモジュール及び更新ハンドラは、ゲームエンジンの１つまたは複数のコンポーネントまたはモジュールであってよい。いくつかの実施態様では、ライブラリモジュールと更新ハンドラは、別個のコンポーネントであってよい、または、統合することもできる。いくつかの実施態様では、ライブラリモジュール及び更新ハンドラは、ゲームエンジンへの追加として機能してよい。いくつかの実施態様では、上記のように、ゲームエンジンは分散型ゲームエンジンであってよい。

前述のように、本開示の実施態様は、クラウドゲームシステムに適用することができる。クラウドゲームシステムの一例は、Ｐｌａｙｓｔａｔｉｏｎ（登録商標）Ｎｏｗクラウドゲームシステムである。このようなシステムでは、クライアントデバイスは、プレイステーション（登録商標）４ゲームコンソールなどのゲームコンソールであってよい、またはパーソナルコンピュータ、ラップトップ、タブレット、携帯電話、モバイルデバイスなどの別のデバイスであってよい。

大まかに言うと、ゲームタイトルのユーザリクエストが受信されると、クラウドゲームを有効化するために、クラウドゲームサイトに関連付けられたデータセンタ内の１つまたは複数のサーバによりいくつかの動作が実行される。クラウドゲームサイトがユーザリクエストを受信すると、選択されたゲームタイトルに関連付けられたゲームをホストするデータセンタが識別され、選択されたゲームタイトルのゲームをインスタンス化するために、識別されたデータセンタにリクエストが送信される。リクエストに応答して、データセンタのサーバは、ゲームコンテンツをユーザに提示する準備として、ゲームコードを識別し、識別したゲームコードをロードし、ゲームコードに関連するファイルを初期化する。ゲームに関連付けられたゲームデータは、一般的なゲームデータと、ユーザ固有のゲームデータとを含み得る。したがって、ファイルを初期化することは、一般的なゲームデータ及びユーザ固有のゲームデータの両方を識別し、ロードし、初期化することを含み得る。一般的なゲームデータを初期化することは、グラフィックエンジンを初期化すること、グラフィックデータをインストールすること、サウンドファイルを初期化すること、アートワークをインストールすることなどを含み得る。ユーザ固有データを初期化することは、ユーザデータ、ユーザ履歴、ゲーム履歴などを検索すること、転送すること、及びインストールすることを含み得る。

一般的なゲームデータがロード及び初期化されている間、クライアントデバイスでレンダリングするための「スプラッシュ」画面が提供される場合がある。スプラッシュ画面は、ロードされているゲームの代表的な画像を提供するように設計されてよく、ロードされているゲームのタイプのプレビューをユーザに可能にし得る。一般的なゲームデータがロードされると、一定の初期コンテンツがレンダリングされてよく、選択／ナビゲーション画面が、ユーザ選択及びカスタマイズのために提示されてよい。選択／ナビゲーション画面で提供されるユーザ選択入力は、ゲームレベルの選択、ゲームアイコン（複数可）の選択、ゲームモードの選択、ゲームの獲得物、及び追加のゲームコンテンツのアップロードが必要となり得る他のユーザ関連データを含み得る。いくつかの実施形態では、ゲームコンテンツは、ゲームクラウドシステムからユーザのコンピューティングデバイスにゲームコンテンツをストリーミングすることにより、視聴及びインタラクションに利用可能となる。いくつかの実施態様では、ユーザ固有データをロードした後、ゲームコンテンツはゲームプレイに利用可能となる。

図７Ａは、クラウドゲームサイトを介して利用可能なゲームのゲームファイルをロードするために使用される例示的なシステムを示す。システムは、ネットワーク７０２を介してクラウドゲームサイト７０４に通信可能に接続された複数のクライアントデバイス７００を含み、ネットワーク７０２は、ＬＡＮ、有線、無線、セルラー（例えば、４Ｇ、５Ｇなど）、またはインターネットを含む任意の他のタイプのデータネットワークを含み得る。クラウドゲームサイト７０４にアクセスするリクエストがクライアントデバイス７００から受信されると、クラウドゲームサイト７０４は、ユーザデータストア７０８に記憶されたユーザアカウント情報７０６にアクセスして、リクエストを開始したクライアントデバイスに関連付けられたユーザを識別する。いくつかの実施形態では、クラウドゲームサイトはまた、ユーザが視聴／プレイを許可された全てのゲームを特定するために、識別したユーザの妥当性を確認してよい。ユーザアカウントの識別／妥当性確認に続いて、クラウドゲームサイトは、ゲームタイトルデータストア７１０にアクセスして、リクエストを開始したユーザアカウントがゲームクラウドサイトで利用可能なゲームタイトルを識別する。今度は、ゲームタイトルデータストア７１０が、ゲームデータベース７１２とインタラクトして、クラウドゲームサイトで利用可能な全てのゲームのゲームタイトルを取得する。新しいゲームが導入されると、ゲームデータベース７１２はゲームコードが更新され、ゲームタイトルデータストア７１０は、新たに導入されたゲームのゲームタイトル情報を提供される。リクエストを開始したクライアントデバイスは、リクエストを開始したときに、クラウドゲームサイトに登録されている場合とされていない場合がある。リクエストを開始したクライアントデバイスのユーザが登録ユーザでない場合、クラウドゲームサイトは、そのユーザを新規ユーザとして識別してよく、新規ユーザに適切なゲームタイトル（例えば、ゲームタイトルのデフォルトセット）を選択してよい。図７Ａに示すように、識別されたゲームタイトルは、ディスプレイ画面７００－ａに提示するためにクライアントデバイスに返信される。

クライアントデバイス上でレンダリングされたゲームタイトルのうちの１つでユーザインタラクションが検出され、信号がクラウドゲームサイトに送信される。信号には、ユーザインタラクションが検出されたゲームタイトル情報と、ゲームタイトルで登録されたユーザインタラクションとが含まれる。クライアントデバイスから受信した信号に応答して、クラウドゲームサイトは先を見越して、ゲームがホストされているデータセンタを特定し、特定したデータセンタに信号を送信して、ユーザインタラクションが検出されたゲームタイトルに関連付けられたゲームをロードする。いくつかの実施形態では、複数のデータセンタがゲームをホストしている場合がある。このような実施形態では、クラウドゲームサイトは、リクエストを開始したクライアントデバイスの地理的位置を特定し、クライアントデバイスに地理的に近いデータセンタを識別し、データセンタにゲームをプリロードするように信号を送信してよい。ユーザの地理的位置は、いくつか例を挙げると、クライアントデバイス内の全地球測位システム（ＧＰＳ）機構、クライアントのＩＰアドレス、クライアントのｐｉｎｇ情報を使用して、特定されてよい。当然ながら、ユーザの地理的位置を検出する前述の方法は例示であってよく、他のタイプの機構またはツールを使用して、ユーザの地理的位置を特定してもよい。クライアントデバイスに近いデータセンタを識別することにより、ユーザがゲームとインタラクトする際の待ち時間を最小限に抑えることができる。いくつかの実施形態では、識別されたデータセンタは、ゲームをホストするのに必要な帯域幅／容量を持たない場合がある、または過使用されている場合がある。これらの実施形態では、クラウドゲームサイトは、クライアントデバイスに地理的に近い第２のデータセンタを識別してよい。ゲームをロードすることは、ゲームコードをロードすることと、ゲームのインスタンスを実行することとを含む。

クラウドゲームサイトからの信号の受信に応答して、識別されたデータセンタは、データセンタでサーバを選択して、サーバ上でゲームをインスタンス化してよい。サーバは、利用可能なハードウェア／ソフトウェア容量及びゲーム要件に基づいて選択される。サーバは、複数のゲームコンソールを含んでよく、サーバは、ゲームをロードするのに、複数のゲームコンソールのうちのどのゲームコンソールを使用するかを決定してよい。ゲームコンソールは、独立したゲームコンソールに類似してよい、またはラックマウントサーバもしくはブレードサーバであってよい。ブレードサーバは、次に、複数のサーバブレードを含んでよく、各ブレードは、ゲームなどの単一の専用アプリケーションをインスタンス化するのに必要な回路を有する。当然ながら、前述のゲームコンソールは例示であり、限定として見なされるべきではない。ゲームステーションなどを含む他のタイプのゲームコンソール、及び他の形態のブレードサーバも、識別されたゲームをホストするために用いられてよい。

ゲームコンソールが識別されると、ゲームの一般的なゲーム関連コードがゲームコンソールにロードされ、ゲームがインスタンス化されるゲームコンソールを識別する信号がネットワークを介してクラウドゲームサイトを介してクライアントデバイスに返される。このように、ロードされたゲームは、ユーザに利用可能となる。

図７Ｂは、本開示の実施態様による、クラウドビデオゲームをクライアントデバイスにストリーミングするために実行される様々な動作を概念的に示すフロー図である。ゲームシステム７１８は、ビデオゲームを実行し、生の（非圧縮の）ビデオ７２０及びオーディオ７２２を生成する。ビデオ７２０及びオーディオ７２２は、示される図の参照番号７２４に示すように、ストリーミングのためにキャプチャされ、符号化される。符号化により、ビデオ及びオーディオのストリームを圧縮して、帯域幅の使用量を軽減し、ゲーム体験を最適化することができる。符号化形式の例は、Ｈ．２６５／ＭＰＥＧ－Ｈ、Ｈ．２６４／ＭＰＥＧ－４、Ｈ．２６３／ＭＰＥＧ－４、Ｈ．２６２／ＭＰＥＧ－２、ＷＭＶ、ＶＰ６／７／８／９などを含む。

符号化されたオーディオ７２６及び符号化されたビデオ７２８はさらに、インターネットなどのネットワークを介して送信するために、参照番号７３２に示すように、ネットワークパケットにパケット化される。ネットワークパケット符号化プロセスは、データ暗号化プロセスも採用できるので、データセキュリティが強化される。図示の実施態様では、オーディオパケット７３４及びビデオパケット７３６は、参照番号７４０に示すように、ネットワークを介して転送するために生成される。

ゲームシステム７１８はさらに、触覚フィードバックデータ７３０を生成し、これもネットワーク送信のためにネットワークパケットにパケット化される。図示の実施態様では、参照番号７４０でさらに示すように、ネットワークを介して転送するために、触覚フィードバックパケット７３８が生成される。

前述の、生のビデオ及びオーディオならびに触覚フィードバックデータを生成することと、ビデオ及びオーディオを符号化することと、符号化されたオーディオ／ビデオ及び触覚フィードバックデータを転送用にパケット化することとの動作は、クラウドゲームサービス／システムを集合的に定義する１つまたは複数のサーバ上で実行される。参照番号７４０に示すように、オーディオ、ビデオ、及び触覚フィードバックのパケットは、インターネットなどのネットワーク、及び／またはインターネットを含むネットワークを介して転送される。参照番号７４２に示すように、オーディオパケット７３４、ビデオパケット７３６、及び触覚フィードバックパケット７３８は、クライアントデバイスにより復号／再構築されて、クライアントデバイスで、符号化されたオーディオ７４６、符号化されたビデオ７４８、及び触覚フィードバックデータ７５０を定義する。データが暗号化されている場合、ネットワークパケットは解読も行われる。次に、符号化されたオーディオ７４６及び符号化されたビデオ７４８は、ディスプレイデバイス７５２上にレンダリングするために、参照番号７４４に示すように、クライアントデバイスによって復号され、クライアント側の生のオーディオ及びビデオデータを生成する。触覚フィードバックデータ７５０は、処理／通信されて、触覚効果をレンダリングできるコントローラデバイス７５６または他のインターフェースデバイスで、触覚フィードバック効果を生成することができる。触覚効果の一例は、コントローラデバイス７５６の振動またはランブルである。

ビデオゲームはユーザ入力に応答するので、ユーザ入力の送信及び処理に関しても、前述と同様の手順の流れを、クライアントデバイスからサーバへの逆方向で実行できることが理解されよう。図示のように、コントローラデバイス７５６を操作するユーザは、入力データ７５８を生成し得る。この入力データ７５８は、ネットワークを介してクラウドゲームシステムに転送するために、クライアントデバイスでパケット化される。入力データパケット７６０は、クラウドゲームサーバにより解凍及び再構築されて、サーバ側で入力データ７６２が定義される。入力データ７６２は、ゲームシステム７１８に供給され、ゲームシステム７１８は、入力データ７６２を処理して、ビデオゲームのゲーム状態を更新する。

オーディオパケット７３４、ビデオパケット７３６、及び触覚フィードバックパケット７３８の転送中（参照番号７４０）、クラウドゲームストリームのサービス品質を保証するために、ネットワークを介したデータの送信を監視することができる。例えば、参照番号７６４によって示すように、アップストリーム及びダウンストリームの両方のネットワーク帯域幅を含むネットワーク状態を監視することができ、ゲームストリーミングは、利用可能な帯域幅の変化に応じて調整することができる。すなわち、参照番号７６６によって示すように、ネットワークパケットの符号化及び復号は、現在のネットワーク条件に基づいて制御することができる。

図８は、情報サービスプロバイダアーキテクチャの実施形態を示す。情報サービスプロバイダ（ＩＳＰ）８７０は、地理的に分散し、ネットワーク８８６を介して接続されたユーザ８８２に多数の情報サービスを届ける。ＩＳＰは、株価の更新などの１種類のサービスのみ、またはブロードキャストメディア、ニュース、スポーツ、ゲームなどの様々なサービスを届けることができる。さらに、各ＩＳＰにより提供されるサービスは動的である、すなわち、いつの時点でもサービスを追加または取り除くことができる。したがって、特定の個人に特定の種類のサービスを提供するＩＳＰは、時間の経過とともに変わり得る。例えば、ユーザが地元にいる間は、ユーザの付近のＩＳＰによりユーザはサービスを受けてよく、ユーザが別の都市に移動した時は、異なるＩＳＰによりユーザはサービスを受けてよい。地元のＩＳＰは、必要な情報及びデータを新しいＩＳＰに転送し、これにより、ユーザ情報は新しい都市までユーザに「追従」し、ユーザはデータにより近くなり、アクセスしやすくなる。別の実施形態では、ユーザの情報を管理するマスタＩＳＰと、マスタＩＳＰの制御下のユーザと直接インタフェースするサーバＩＳＰとの間に、マスタ－サーバ関係が確立されてよい。別の実施形態では、クライアントが世界中を移動すると、あるＩＳＰから別のＩＳＰにデータが転送され、これにより、ユーザにサービスを提供するのにより良い位置に存在するＩＳＰが、これらのサービスを届けるＩＳＰとなる。

ＩＳＰ８７０は、アプリケーションサービスプロバイダ（ＡＳＰ）８７２を含み、ＡＳＰ８７２は、ネットワーク（例えば、有線もしくは無線ネットワーク、ＬＡＮ、ＷＡＮ、ＷｉＦｉ（登録商標）、ブロードバンド、ケーブル、光ファイバ、衛星、セルラー（４Ｇ、５Ｇなど）、インターネットなどを含むが、これらに限定されない）を介して顧客にコンピュータベースのサービスを提供する。ＡＳＰモデルを使用して提供されるソフトウェアは、オンデマンドソフトウェアまたはサービスとしてのソフトウエア（ＳａａＳ）と呼ばれることもある。特定のアプリケーションプログラム（顧客関係管理など）へのアクセスを提供する簡単な形式には、ＨＴＴＰなどの標準プロトコルが使用される。アプリケーションソフトウェアは、ベンダのシステムに常駐し、ＨＴＭＬを使用するウェブブラウザを介して、ベンダが提供する専用クライアントソフトウェアを介して、またはシンクライアントなどの他のリモートインタフェースを介して、ユーザによりアクセスされる。

広い地理的地域にわたって届けられるサービスは、多くの場合にはクラウドコンピューティングを使用する。クラウドコンピューティングとは、動的にスケーラブルで多くの場合、仮想化されたリソースがインターネットを介したサービスとして提供されるコンピューティング様式である。ユーザは、ユーザを支援する「クラウド」の技術インフラストラクチャの専門家である必要はない。クラウドコンピューティングは、サービスとしてのインフラストラクチャ（ＩａａＳ）、サービスとしてのプラットフォーム（ＰａａＳ）、及びサービスとしてのソフトウェア（ＳａａＳ）などの異なるサービスに分けることができる。クラウドコンピューティングサービスは、多くの場合、ウェブブラウザからアクセスされる共通のビジネスアプリケーションをオンラインで提供するが、ソフトウェア及びデータは、サーバに記憶される。クラウドという用語は、コンピュータネットワーク図におけるインターネットの描かれ方に基づいて、（例えばサーバ、ストレージ、及びロジックを使用する）インターネットの隠喩として使用され、複雑なインフラストラクチャを隠し持つことの抽象的概念である。

さらに、ＩＳＰ８７０は、ゲームクライアントがシングル及びマルチプレーヤビデオゲームをプレイするために使用するゲーム処理サーバ（ＧＰＳ）８７４を含む。インターネットを介してプレイされるほとんどのビデオゲームは、ゲームサーバへの接続を介して動作する。通常、ゲームはプレーヤからのデータを収集し、それを他のプレーヤに配信する専用サーバアプリケーションを使用する。これは、ピアツーピア構成よりも効率的かつ効果的であるが、サーバアプリケーションをホストするために別個のサーバが必要となる。別の実施形態では、ＧＰＳは、プレーヤ及びそれぞれのゲームプレイデバイスの間の通信を確立し、集中型ＧＰＳに依存せずに情報を交換する。

専用ＧＰＳは、クライアントとは無関係に稼働するサーバである。このようなサーバは、通常、データセンタに配置された専用ハードウェア上で稼働し、より多くの帯域幅及び専用処理能力を提供する。専用サーバは、大部分のＰＣベースのマルチプレーヤゲームのためのゲームサーバをホストするのに好ましい方法である。大規模なマルチプレーヤオンラインゲームは、ゲームタイトルを所有するソフトウェア会社が通常ホストする専用サーバ上で実行され、専用サーバがコンテンツを制御及び更新することを可能にする。

ブロードキャスト処理サーバ（ＢＰＳ）８７６は、視聴者にオーディオまたはビデオ信号を配信する。非常に狭い範囲の視聴者へのブロードキャスティングは、ナローキャスティングと呼ばれることもある。ブロードキャスト配信の最後の一工程（ｌｅｇ）は、信号が聞き手または視聴者にどのように到達するかであり、信号は、ラジオ局またはＴＶ局と同様にアンテナ及び受信機に無線で到来し得るか、または局を介してケーブルＴＶもしくはケーブルラジオ（もしくは「無線ケーブル」）を通じて到来し得るか、またはネットワークから直接到来し得る。インターネットはまた、特に、信号及び帯域幅を共有できるマルチキャスティングを使用して、ラジオまたはＴＶのいずれかを受信者に届けてよい。歴史的に、ブロードキャストは、全国放送または地域放送などの地理的領域により範囲が定められてきた。しかし、高速インターネットの普及に伴い、コンテンツは世界のほぼ全ての国に到達可能であるため、ブロードキャストは地域によって定められない。

ストレージサービスプロバイダ（ＳＳＰ）８７８は、コンピュータストレージ空間及び関連する管理サービスを提供する。ＳＳＰは、定期的なバックアップ及びアーカイブも提供する。ストレージをサービスとして提供することにより、ユーザは必要に応じてより多くのストレージを注文することができる。別の大きな利点として、ＳＳＰはバックアップサービスを含み、ユーザは、自身のコンピュータのハードドライブに障害が発生しても、ユーザの全てのデータを失うことはない。さらに、複数のＳＳＰは、ユーザデータの全体的または部分的なコピーを有することができ、これにより、ユーザの位置またはデータへのアクセスに使用されるデバイスとは無関係に、ユーザは効率的な方法でデータにアクセスすることが可能となる。例えば、ユーザは、自宅のコンピュータで個人ファイルにアクセスでき、ユーザが移動中に携帯電話で個人ファイルにアクセスすることができる。

通信プロバイダ８８０は、ユーザに接続性を提供する。通信プロバイダの一種は、インターネットへのアクセスを提供するインターネットサービスプロバイダ（ＩＳＰ）である。ＩＳＰは、ダイヤルアップ、ＤＳＬ、ケーブルモデム、ファイバ、無線、または専用の高速相互接続など、インターネットプロトコルデータグラムの提供に好適なデータ伝送技術を使用して、顧客を接続する。通信プロバイダは、電子メール、インスタントメッセージ、及びＳＭＳテキストなどのメッセージサービスも提供し得る。通信プロバイダの別の種類として、インターネットへの直接のバックボーンアクセスを提供することにより帯域幅またはネットワークアクセスを販売するネットワークサービスプロバイダ（ＮＳＰ）が挙げられる。ネットワークサービスプロバイダは、電気通信会社、データ通信業者、無線通信プロバイダ、インターネットサービスプロバイダ、高速インターネットアクセスを提供するケーブルテレビ事業者などを含み得る。

データ交換８８８は、ＩＳＰ８７０内のいくつかのモジュールを相互接続し、これらのモジュールをネットワーク８８６を介してユーザ８８２に接続する。データ交換８８８は、ＩＳＰ８７０の全てのモジュールが近接している小さな領域をカバーすることができる、または様々なモジュールが地理的に分散している場合は、大きな地理的領域をカバーすることができる。例えば、データ交換８８８は、データセンタのキャビネット内に高速のギガビットイーサネット（登録商標）（もしくはさらに高速のもの）、または大陸間仮想エリアネットワーク（ＶＬＡＮ）を含み得る。

ユーザ８８２は、少なくともＣＰＵ、メモリ、ディスプレイ、及びＩ／Ｏを含むクライアントデバイス８８４により、リモートサービスにアクセスする。クライアントデバイスは、ＰＣ、携帯電話、ネットブック、タブレット、ゲームシステム、ＰＤＡなどであってよい。一実施形態では、ＩＳＰ８７０は、クライアントが使用するデバイスのタイプを認識し、採用する通信方法を調整する。他のケースでは、クライアントデバイスは、ＨＴＭＬなどの標準的な通信方法を使用して、ＩＳＰ８７０にアクセスする。

本開示の実施形態は、ハンドヘルドデバイス、マイクロプロセッサシステム、マイクロプロセッサベースもしくはプログラム可能な消費者向け電気製品、ミニコンピュータ、及びメインフレームコンピュータなどを含む様々なコンピュータシステム構成で実施されてよい。本開示はまた、有線ベースネットワークまたは無線ネットワークを介してリンクされたリモート処理デバイスによりタスクが行われる分散型コンピューティング環境においても、実施することができる。

前述の実施形態を考慮に入れて、本開示は、コンピュータシステムに記憶されたデータを伴う様々なコンピュータ実施動作を採用し得ることを理解されたい。これらの動作は、物理量の物理的操作を要する動作である。本開示の一部を形成する本明細書で説明される動作のいずれも、有用なマシン動作である。本開示はまた、これらの動作を実行するためのデバイスまたは装置に関する。装置は、必要な目的のために特別に構築することができる、または装置は、コンピュータに記憶されたコンピュータプログラムにより選択的に起動または構成される汎用コンピュータであってよい。具体的には、様々な汎用マシンを、本明細書の教示に従って書かれたコンピュータプログラムとともに使用することができる、または、必要な動作を実行するためにさらに特化した装置を構築する方がより好都合な場合がある。

本開示はまた、コンピュータ可読媒体上のコンピュータ可読コードとしても具現化することができる。あるいは、コンピュータ可読コードは、前述のデータ交換相互接続を使用して、サーバからダウンロードされてよい。コンピュータ可読媒体は、データを記憶できる任意のデータストレージデバイスであり、データは後にコンピュータシステムにより読み出すことができる。コンピュータ可読媒体の例には、ハードドライブ、ネットワーク接続ストレージ（ＮＡＳ）、読み出し専用メモリ、ランダムアクセスメモリ、ＣＤ－ＲＯＭ、ＣＤ－Ｒ、ＣＤ－ＲＷ、磁気テープ、ならびに他の光学及び非光学データストレージデバイスが含まれる。コンピュータ可読媒体は、コンピュータ可読コードが分散方式で記憶され実行されるように、ネットワーク接続されたコンピュータシステムにわたり分散されたコンピュータ可読有形媒体を含み得る。

方法動作が特定の順序で説明されたが、他のハウスキーピング動作が動作の間に実行されてもよく、または動作が、わずかに異なる時刻に生じるように調整されてもよく、もしくはオーバーレイ動作の処理が所望の手法で実行される限り、処理に関連する様々な間隔で処理動作の発生を可能にするシステム内に分散されてもよいことが理解されるべきである。

前述の開示は、理解を明確にするためにある程度詳細に説明したが、添付の特許請求の範囲内で特定の変更及び修正を実施できることは明らかであろう。したがって、本実施形態は、限定ではなく例示としてみなされるべきであり、本開示は、本明細書で提供される詳細に限定されるべきではなく、説明される実施形態の範囲内及び均等物内で変更されてもよい。

Claims (17)

1. ビデオゲームの第１のセッションであって、ユーザのインタラクティブゲームプレイに対して定義された前記第１のセッションからゲームプレイデータを記録することと、
   前記ゲームプレイデータを使用して機械学習モデルを訓練することであって、前記訓練によって、前記機械学習モデルに前記ユーザの前記インタラクティブゲームプレイを模倣させる、前記訓練することと、
   前記訓練の後、前記機械学習モデルに前記ビデオゲームの１つまたは複数のシナリオを経験させ、前記１つまたは複数のシナリオに応答した前記機械学習モデルのアクションを評価することによって、前記機械学習モデルの分類を決定することと、
   前記機械学習モデルの前記分類を使用して、前記ビデオゲームの第２のセッションに前記ユーザを割り当てることと
   を含む、方法。
2. 前記ゲームプレイデータは、前記第１のセッションのビデオと前記インタラクティブゲームプレイ中のユーザ入力とを含む、請求項１に記載の方法。
3. 前記機械学習モデルを訓練することは、前記ビデオと前記ユーザ入力とを使用して、前記第１のセッション中に前記ビデオの所与の部分に応答して生成された前記ユーザ入力に類似した入力を生成することによって、前記機械学習モデルに前記ビデオの前記所与の部分に応答させる、請求項２に記載の方法。
4. 前記ビデオの前記所与の部分は、前記ビデオの１つまたは複数の画像フレームによって定義される、請求項３に記載の方法。
5. 前記ユーザ入力は、前記第１のセッション中に前記ユーザによって操作されたコントローラデバイスから定義される、請求項２に記載の方法。
6. 前記機械学習モデルは、ニューラルネットワークである、請求項１に記載の方法。
7. 前記ビデオゲームの前記１つまたは複数のシナリオは、前記第１のセッションから定義されない、前記ビデオゲームの１つまたは複数の画像フレームによって定義される、請求項１に記載の方法。
8. 前記ゲームプレイデータは、前記ビデオゲームの前記第１のセッションからのゲーム状態データを含む、請求項１に記載の方法。
9. 前記分類は、前記ユーザのスキルレベルを識別し、
   前記分類を使用して、前記ユーザを前記第２のセッションに割り当てることは、１つまたは複数の他のユーザのスキルレベルを識別することと、前記ユーザの前記スキルレベルと類似するスキルレベルを有する前記他のユーザの１人または複数を含むように前記第２のセッションを構成することとを含む、
   請求項１に記載の方法。
10. 前記分類は、前記ユーザのスキルセットを識別し、
    前記分類を使用して前記ユーザを前記第２のセッションに割り当てることは、１人または複数の他のユーザのスキルセットを識別することと、前記ユーザの前記スキルセットを補完するスキルセットを有する前記他のユーザの１人または複数を含むように前記第２のセッションを構成することとを含む、
    請求項１に記載の方法。
11. 前記ユーザを前記ビデオゲームの前記第２のセッションに割り当てることは、ＡＩボットを前記第２のセッションに挿入することを含み、前記ＡＩボットは、前記訓練済み機械学習モデルを使用して、前記第２のセッションでゲームプレイを行う、請求項１に記載の方法。
12. ビデオゲームのユーザセッションであって、ユーザによる前記ビデオゲームのインタラクティブゲームプレイに対して定義された前記ユーザセッションからゲームプレイデータを記録することと、
    前記ゲームプレイデータを使用して、前記インタラクティブゲームプレイにおける前記ユーザの傾向を模倣するように機械学習モデルを訓練することと、
    前記訓練の後、前記訓練済み機械学習モデルに前記ビデオゲームの所定のシナリオを経験させ、前記訓練済み機械学習モデルによる前記所定のシナリオへの応答を分析することによって、前記訓練済み機械学習モデルの評価を行うことと、
    前記機械学習モデルの前記評価を使用して、前記ユーザを前記ビデオゲームの新しいセッションに割り当てることと、
    を含む、方法。
13. 前記ゲームプレイデータは、前記ビデオゲームの前記ユーザセッションからのビデオ及びユーザ入力を含む、請求項１２に記載の方法。
14. 前記インタラクティブゲームプレイにおける前記ユーザの前記傾向は、前記インタラクティブゲームプレイにおける前記ユーザのアクティビティ及び非アクティビティによって定義される、請求項１２に記載の方法。
15. 前記訓練済み機械学習モデルの前記評価を行うことは、前記ユーザのスキルレベルを決定するように構成され、
    前記ユーザを前記新しいセッションに割り当てることは、前記ユーザの前記決定したスキルレベルに基づく、請求項１２に記載の方法。
16. 前記訓練済み機械学習モデルの前記評価を行うことは、前記ユーザのスキルセットを決定するように構成され、
    前記ユーザを前記新しいセッションに割り当てることは、前記ユーザの前記決定したスキルセットに基づく、請求項１２に記載の方法。
17. 前記機械学習モデルは、ニューラルネットワークである、請求項１２に記載の方法。

Images