![](https://habrastorage.org/getpro/habr/upload_files/99d/f3f/66a/99df3f66a4fe249176778648a41bd6a6.png)
Вот и наш уже 48-й подкаст “Хочу в Геймдев”, посвященный профессиям в сфере разработки игр!
В этот раз мы выбрали важную в современных реалиях профессию, о которой мало говорят: Data Scientist, по мнению руководителя образовательных программ “Менеджмент игровых проектов” Вячеслава Уточкина, тема искусственного интеллекта поднимается не только на частных и коммерческих уровнях, но и на государственных.
Наши неизменные ведущие:
Вячеслав Уточкин, руководитель образовательной программы "Менеджмент игровых проектов" в ВШЭ;
Константин Сахнов, основатель студии и научный руководитель программы «Менеджмент игровых проектов» в ВШЭ.
И приглашённые гости:
Алиса Лапина, игровой аналитик, Департамент оперирования и разработки игр MY.GAMES;
Александр Савченко, ML Архитектор в incymo.ai.
Знакомство Алисы с профессией началось около четырёх лет назад, сначала она была аспирантом робототехники в Бауманке, но ей захотелось узнать больше о нейротехнологиях и познакомилась с лабороторией нейронаук Сбербанка, куда требовались кандидаты на должность Junoir DataScientist. Она совершила сдвиг в професси уже после института.
Александр в свою очередь отучился на программиста, работал на линейных должностях, так случилось, что он связал сво работу с BigData,а там и ML подтянулся. Он относительно недавно в Геймдеве, чуть более года.
- Чем занимается специалист в неигровых и игровых компаниях?
Отвечает Алиса: Ключевое отличие в реактивном комьюнити Геймдева, в наборе хард-скиллов на позициях,в различном уровне взаимодействия с бизнесом.
Существует предиктивная аналитика, с ней связывают модели машинного обучения, где пытаются понять, что будет в будущем, а есть дескриптивная аналитика, где анализируют уже прошедшие события и пытаются понять, как не допустить негативных последствий в будущем. DataScientist занимается в основном именно предиктивной, а Дата-Аналитики десриптивной.
Допустим мы провели событие в игре, необходимо оценить эффективность, что нужно сделать для повышения метрик следующего события. На этом этапе нужна работа Дата-аналитика. Однако для создания индивидуального трека для игрока внутри ивента, тут подключатся DataScientist, которые создают рекомендательную систему под каждого конкретного игрока.
- Какими инструментами пользуется DataScientist и какие компетенции ему нужны?
А) А\В Тесты, аналитика баз данных, фреймворки, Spark, Облачные хранилища, SQL Б) Для ML инженера это статистические алгоритмы, модели классического машинного обучения, навыки знания фрэймворков, Catboost и.т.д. В) Умение работы в Python.
- Как эволюционировала профессия в отдельное направление?
Отвечает Константин: Первые игры компании King, например Candy Crush, именно с неё началось использование машинного обучения. В геймдизайне создается кривая сложности, позволяющая понять насколько интересна может быть игра, насколько сложной она может показаться игроку. Константин начинал в компании Rocket Jump, они делали проект Dacota Farm Adventure, в которой применяли новые модели.В то же время начали учитывать FU-фактор, отношение сложности уровня к интересу его прохождения. И от ощущения, что игрок не может пройти уровень, ещ и далёк от его прохождения, падает Retention игры.
- Какими задачами занимется человек на должности DataScientist?
Отвечает Александр: Например, гд или компания создают теорию и просят специалиста проверить её по критериям “Сколько прибыли может принести такая-то механика, сколько мы потеряем, если данной механики нет в нашей игре?” Ещё есть игры, в которых если человек совершил транзакцию в игре, то скорее всего он совершит ещё одну. Задача специалиста в таком случае разработать для него уникальный трек скидочных предложений, мотивации к приобретению, подводить ко второму офферу. В том числе путь приучения игрока, который донатит, больше в среднем тратить на игру.
- Если человек отучился на специальность и попал к вам на собеседование, что его будет ждать?
Отвечает Алиса: В первую очередь тестируют хард скиллы, знание индустрии, возможности аналитики, понимание метрик и как их можно изменить для получения лучшего КПД. Но не стоит забывать и о софт-скиллах, о мышлении, умении быстро принимать решения и адаптироваться к новым запросам индустрии и новым трендам.
Пример ТЗ для специалиста: Получить событие из игры, посчитать метрики, ППУ, разделение на когорты игроков.
Вилка оплаты труда: Junior - 60 000-100 000р, Middle - до 200 000р, Senior от 300 000р
Об этом и многом другом узнавайте вместе с нами!
Мы на Яндекс.Музыке
Полезные ссылки от гостей подкаста:
Бесплатные курсы, полезные для Data Scientist'а, от Stepik
Введение в машинное обучение. Курс от ВШЭ и ШАД на coursera.org
Бонус - финальный проект по Dota 2 ?
Платные курсы полезные для Data Scientist'а:
Прочее полезное и интересное
Ссылки: