Übersicht
Worum es bei diesem Projekt geht.
Baue zwei KI-Agenten für ein Grid-World-Spiel, teste sie in einer Nutzerstudie und erhalte ein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Liefert MAPPO-trainierte Multi-Agenten-KI in einem kooperativen Grid-World-Spiel ein besseres Spielerlebnis als ein gut gemachter Behavior-Tree?
Earning criteria — what you'll demonstrate
- Multi-Agenten-RL (MAPPO) in einem konkreten Game-Kontext anwenden
- Spielerlebnis jenseits von Win-Rate als Bewertungsproblem konzipieren
- Eine kleine Nutzerstudie sauber designen und auswerten
- Eine Design-Empfehlung aus quantitativen + qualitativen Daten ableiten
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Multi-Agent Systems
Master · Ai Ml
Fit score: 1
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenAngewandte:r KI-Wissenschaftler:in
Game-AI mit Multi-Agenten-RL und Nutzerstudie ist ein seltenes Profil, das in Game-Studios und in der Robotik-Sim-to-Real-Forschung gleichermaßen gesucht wird.
Dieses Projekt schärft
- multi-agent-rl
- mappo
- user-study
ML-Forscher:in
Wer MAPPO praktisch zum Konvergieren bringt und ehrlich gegen einen Behavior-Tree vergleicht, übt rigorose Methodik, die in Research-Tracks gefragt ist.
Dieses Projekt schärft
- multi-agent-rl
- evaluation
- pytorch
KI-Ingenieur:in
Die Engineering-Disziplin, RL-Modelle ins Spiel zu integrieren und Side-by-Side spielbar zu machen, übersetzt direkt auf jede Anwendung, in der Modelle in eine bestehende Codebasis eingebettet werden.
Dieses Projekt schärft
- game-ai
- pytorch
- evaluation
Noch eine Sache