CEDEC2018『逆転オセロニア』におけるAI活用

Copyright (C) DeNA Co.,Ltd. All Rights Reserved.
『逆転オセロニア』におけるAI活⽤
〜ゲーム運⽤における取り組みとノウハウ〜
CEDEC 2018
August 24, 2018
Jun Okumura, Yu Kono
Ikki Tanaka, Takeshi Okada
AI System Dept.
DeNA Co., Ltd.

講師紹介
奥村エルネスト純
n 理学博⼠ [専⾨：観測的宇宙論]
n データアナリスト＠DeNA 分析部
⁃ 『逆転オセロニア』リードアナリスト
• ⾏動ログ分析、パラメータデザイン
⁃ オートモーティブ事業：移動体分析
n AI研究開発エンジニア @DeNA AIシステム部
⁃ 機械学習を使ったゲームAI研究開発（チームリーダー）
⁃ 強化学習領域の案件創出・戦略策定
2
@pacocat

DeNAのAI組織について
3
n 各事業領域に対して、横断的にビジネス貢献を⽬指している
n 様々な技術領域においてAI案件の推進を⾏っている

DeNAのAI組織について
4
⼤切にしていること：サービス感
• エンドユーザーのメリットを意識する≒「AIのためのAI施策」にしない
• 現場に寄り添ってビジネス価値を⽣み出す
ゲーム事業におけるAI導⼊
• 「プレーヤー⽬線でメリットがあるか」が全て
• 運⽤チームと⼀体になってAI活⽤を推進する

AI開発メンバー
5

本講演の流れ
6
1 『逆転オセロニア』におけるAI開発の背景
• 『逆転オセロニア』のご紹介
• AI観点で解決できたら嬉しい課題について
検証しているAI技術のご紹介
• 技術ロードマップについて
• 4つの技術内容のご紹介
2
3
• プロジェクト観点で難しい点、嬉しい点
• ゲーム領域でのAI活⽤に際してやっておいた⽅がいいこと
今後に向けて

7
『逆転オセロニア』における
AI開発の背景

『逆転オセロニア』のご紹介
n オセロがベースの、シンプルだが奥深い戦略対戦ゲーム
⁃ ベースルールの分かりやすさ
⁃ 後半に「逆転」が巻き起こるゲームシステム
n 2016年2⽉のサービスイン後、継続的に成⻑※
⁃ 2018年8⽉ 2,100万ダウンロード突破
n 『コミュニティ』と⼀緒に創ってきたソーシャルゲーム
8
『逆転オセロニア』が実践した“コミュニティと共創するゲーム運営”
8⽉24⽇(⾦) 17:50 〜 18:50
会場：501
※ “⼀周年で爆発した「逆転オセロニア」における、ゲーム分析の貢献事例” (CEDEC2017)
http://cedil.cesa.or.jp/cedil_sessions/view/1729

ゲーム内容のご紹介：デッキ・キャラクター
n 3,000以上のキャラクターから16駒を選択してデッキを編成
n キャラクターには攻撃⼒やスキルが備わっている
9
ステータス
（HP、攻撃⼒…）
キャラクター固有
のスキル
3,000以上の選択肢から
16個の駒を選択
デッキによって様々な戦略のバリエーションが⽣まれる

ゲーム内容のご紹介：デッキ・キャラクター
n 新しいキャラクターが追加されることで遊びが多様になる
⁃ 週に2,3体のキャラクターが追加される
⁃ 新しいスキルは2,3ヶ⽉に1度リリースされる
10
ゲーム環境や遊びは常に新しくなっていく

ゲーム内容のご紹介：バトルシステム
11
n 基本ルールは、盤⾯が6×6のオセロ
n 駒を置くと攻撃⼒やスキルに応じて相⼿にダメージが与えられる
n 相⼿のHPを先に0にしたら勝利
相⼿のHPを削りきると
勝利
特定の条件を満たすと
スキルが発動できる
局⾯に応じて、駒の運⽤を戦略的に考える必要がある
⼿駒はランダムに
選択される
特殊な効果をもたらす
マスが存在する

AI観点で検討にあがった課題
12
1. プレイヤーのサポート
⁃ デッキや⽴ち回り⽅には様々なバリエーションがあり、
ゲームプレイ初期は複雑に感じられる場合がある
⁃ 戦略やデッキ構築の幅を知ってもらうことで、
⾃分なりの遊び⽅を⾒つけつ楽しさを感じて欲しい
2. バランス調整のサポート
⁃ 意図しないバランスはゲーム体験を毀損してしまう
⁃ 新キャラクターをプランナーの意図したバランスで出したい
⁃ ゲームバランスを可視化してモニタリングしたい

運⽤課題とAI技術をどう結びつけるか
13
n 解決したい運⽤課題はたくさんあり、対応が続いている
n AI活⽤のトライができそうな課題を以下の観点で整理した
1. プレイヤーにとってネガティブな影響が⼤きいもの
2. 運営上の負担（⼯数・コスト）がかかっているもの
3. 技術的にAI開発の⾒通しが⽴つもの
4. ⼗分なデータやAIの学習環境があるもの
5. 将来のゲーム運⽤を考え着⼿した⽅がいいもの

AI研究開発のプロセス
14
1. 各ユースケースに対して、まずは概念検証を⾏う
2. 実現可能性が⾒えてきたものから仕様検討・実装に進む
ユースケース
検討
データ収集
学習環境構築
プロトタイプ
検証
仕様検討実装
検証を繰り返して確度を⾼める
効果が確認できたものから
本格的な検討に進む
運⽤

ここまでのまとめ
15
n 『逆転オセロニア』で解決したい課題に対して、
（AIに限らず）様々な対応が進んでいる
n AI観点で解決できそうな課題を整理した
n それぞれのケースに合わせて検証に着⼿しており、
徐々に実現の確度を⾼めている
ここから、具体的に検証しているAI技術について解説を⾏います

16
検証している
AI技術のご紹介

技術ロードマップ
17
要件※ • ⼈間が作るようなデッキ構築ができること
• ⼈間のように対戦ができること
1. プレイヤーのサポート
⁃ プレイヤーのようにデッキ構築や対戦ができるAIによって
サポートコンテンツは作れるか
⁃ 実際このようなAIがあれば、他にも応⽤可能性が広がる
必要なもの
• 使⽤デッキのデータ
• 対戦時の棋譜（詳細なバトルデータ）
技術領域
• アソシエーション分析
• 深層学習を使った戦略学習
※実際はより詳細な要件や評価の基準を設定します
（ここでは簡単のため、詳細な定義には触れません）

技術ロードマップ
18
• デッキトレンドが解釈可能な形で可視化できる
• 新しいキャラクターの運⽤を学習できる
2. バランス調整のサポート
⁃ ゲーム内環境（ここではデッキトレンド）は可視化できるか
⁃ リリース前の新キャラクターをある程度使えるAIはできるか
• 使⽤デッキのデータ
• AIの学習環境（シミュレータ）
• クラスタリング分析
• 強化学習を使った⾃律的な学習
要件※
必要なもの
技術領域
※実際はより詳細な要件や評価の基準を設定します
（ここでは簡単のため、詳細な定義には触れません）

本講演でご紹介する技術
19
1. デッキのアソシエーション分析
⁃ デッキ内のキャラクター関係を学習することで
デッキ構築ができるAIを作成
2. デッキのクラスタリング分析
⁃ 利⽤デッキの解析から、ゲーム環境のトレンドを分析
3. 深層学習を使った戦略の学習
⁃ プレイヤーの棋譜から、複雑な戦略を学習
4. 強化学習
⁃ 試⾏錯誤を繰り返すことで、⾃律的にキャラクターの
運⽤⽅法を学習

20
4. 強化学習

１．デッキのアソシエーション分析
21
⼤規模
デッキ
ログ
キャラAを使っていたら
キャラBも使っている確率80%
キャラX, Yを使っていたら
キャラZも使っている確率30%
・・・
アソシエーションルール
アソシエーション分析
⼤規模データに存在する関係性を抽出する分析⼿法
• 関係性は”アソシエーションルール”と呼ばれる
• 例：キャラAを使っていたらキャラBを使う確率は○%
アソシエーション分析とは？

デッキのアソシエーションルール
22
n デッキを分析することで、キャラクターの関係性が分かる
⁃ 関係性は3つの指標で定量化できる
ルール⽀持度信頼度リフト
弁財天 → シーラーザード 5% 50% 2.0
麒麟 → シーラーザード 25% 40% 1.5
ウケモチ → シーラーザード 20% 45% 2.1
ラヴーシュカ → アルキメデス 5% 30% 2.0
デメテル → シーラーザード 55% 60% 2.3
… … … …
※ 実際の分析結果ではなくイメージです
キャラクターの関係性
関係性の指標条件部結論部

分析結果から分かること
23
指標値が⼤きいと… 例
⽀持度よくある組み合わせ
信頼度
条件時に結論部が
⽣じやすい
リフト
ルールの有効性が強い
（1より⼤きい時）
蘭陵王アズリエル
このルールが
全デッキ中90%
使われている
蘭陵王を
デッキで
使っている
アズリエル
を90%の
確率で使う
と
蘭陵王
の使⽤
アズリエル
の使⽤
はお互いに
依存関係が強く
有効なルール
n 関係性を定量化する3つの指標（⽀持度・信頼度・リフト）
×

分析結果から分かること：⽀持度
24
n ルールが発⽣する確率
⁃ ⼤きいほどみんなが使っている組み合わせを表す
麒麟 → シーラーザード 25% 40% 1.5
… … … …
みんなが使っているパターン
⼀部のプレイヤーが使っているパターン

分析結果から分かること：信頼度
25
n A→Bのルールに対して、条件Aだった時にBとなる確率
麒麟 → シーラーザード 25% 40% 1.5
… … … …
弁財天を使う時にシーラザードを
使う確率が50%

分析結果から分かること：リフト
26
n ルールが有⽤かどうかを表す指標
⁃ 値が1より⼤きいとお互いの関係性が強いルール
麒麟 → シーラーザード 25% 40% 1.5
… … … …
みんなが使っておりかつ有⽤な
ルール（トレンド）
⽀持度が低いため、
⼀部のプレイヤーには有⽤なルール

これまでの結果
27
n 抽出されたキャラクターの関係性からデッキ構築AIを検証
⁃ キャラAを持っている場合に他に使うといいキャラを
定量的に評価できる
⁃ 納得感のある結果が出始めている
n 実際にプレイヤーにとっていいケースにできるか検討中

28
4. 強化学習

デッキのクラスタリング分析
29
データの中から特徴的なパターンをグルーピングする⼿法
• データ同⼠の近さ（類似度）を測ることでグループに分類
• 代表的⼿法：k-means法、階層型クラスタリング
クラスタリング分析とは？
3
1
2
4
5
6
3
1
2
4
5
6
様々な使⽤デッキ似たようなデッキをまとめる

デッキ同⼠の近さ
デッキパターンA = { , , , , , …}
デッキパターンB = { , , , , , …}
デッキパターンC = { , , , , , …}
30
n デッキを分類するために、距離の定義が必要
デッキAは、デッキBとデッキCのどちらに似ているか？

31
n 今回は、デッキ（キャラクターの集合）同⼠の距離として、
Jaccard類似度とよばれる指標を利⽤
n Jaccard類似度とは？
⁃ 集合Aの集合Bの近さを表す指標
⁃ 近ているものは1、似ていないものは0に近づく
重なりが多いほど似ている

デッキパターンA = { , , , , }
デッキパターンB = { , , , , }
デッキパターンC = { , , , , }
32
Jaccard類似度
デッキAはデッキCよりも
デッキBに似ている
これらの技術を使うことでデッキをクラスタリングできる

クラスタリング分析の結果
33
n デッキの集まりを低次元で可視化することが出来る
⁃ ⾊はデッキのパターンを表す
3次元の場合

クラスタリング分析の結果
34
n デッキの集まりを低次元で可視化することが出来る
⁃ ⾊はデッキのパターンを表す
2次元の場合

デッキのクラスタリングでできること
35※ 実際の分析結果ではなくイメージです
1. ゲーム環境の継続的なモニタリングができる
⁃ デッキの対戦使⽤率や編成率、…
⁃ 変化点の検出
トレンドを⼀⽬
で確認できる
A⽉ B⽉ C⽉

デッキのクラスタリングでできること
36※ 実際の分析結果ではなくイメージです
2. デッキ同⼠の相性のモニタリング
⁃ 勝率や対戦数を集計して意図しない偏りがないか確認できる
先⾏/後攻
デッキ
定番キャラ回復
特殊ダメー
ジ
蘭陵王ローラン
定番キャラ 50% 45％ 55% 50% 45％
回復 60% 50% 40% 60% 95％
特殊ダメージ 55% 40% 50% 45％ 45%
蘭陵王 20% 55% 50% 50% 55%
ローラン 50% 90% 35% 70% 50%
キャラクターパターン同⼠の対戦表（勝率）
低いのはなぜ？
対戦を分析しよう
特殊な戦術
が存在？

デッキ分析のまとめ
Ø 分析したい条件
でデッキを抽出
37
n アソシエーション分析とクラスタリング分析を検証した
⁃ 納得感のある結果が得られている
n プレイヤーにしっかりメリットがあるケースになるか検討中
⁃ より細かい企画要件のチューニング・評価
対戦
ログ
対戦デッキ抽出アソシエーション分析クラスタリング
デ
ッ
キ
Ø キャラクターの
関係性を抽出
Ø デッキのグルーピング
Ø 分析結果として利⽤
デッキ分析の全体フロー

38
4. 強化学習

２．深層学習を使った戦略の学習
39
盤⾯から正解の打ち⼿を出⼒するモデルを作る
• 上位プレイヤーの打ち⼿を正解データとして使う
• モデルは表現⼒の⾼いニューラルネットワークを⽤いる
AIはどのように学習するか？
盤⾯⼊⼒
（特徴量）
ニューラル
ネットワーク
AIモデル
駒Aを
マス(2,4)に
AIの推論
プレイヤーの打ち⼿と⽐較して
モデルを訓練

学習に使うデータと特徴量
40
n 上位プレイヤーの対戦棋譜を使って学習
n ⼊⼒データ（特徴量）
① ステータス
• 最⼤HP、残HP、ターン数、…
② ⼿駒/デッキ情報
• 駒情報（攻撃⼒、スキル、…）、リーダー駒
③ 選択可能な⾏動
• 駒 × マス情報
④ 盤⾯情報
• ⽩⿊駒の配置、特殊マス情報、罠の有無、…
n 出⼒データ（教師データ）
⁃ プレイヤーが置いたかどうかの⼆値変数
①
②
④
③

学習モデル
41
n 深層強化学習アルゴリズムであるDQN※1に着想を得た構造
⁃ 盤⾯は畳み込みニューラルネットワーク(CNN※2)で処理
盤⾯情報
ステータス
⼿駒
デッキ
⾏動全
結
合
層
CNN
全
結
合
層
全
結
合
層
⾏動の評価値
⼊⼒（特徴量）ニューラルネットワーク
出⼒
※1 Deep Q-Network
※2 Convolutional neural network

学習の結果
42
n 既存のNPC※1に対して⾼い勝率が出せている
⁃ 定番17デッキの同デッキ対戦で平均90%以上の勝率
⻯(試)
神(試)
魔(試)
⻯2(定)
⻯1(定)
⻯3(定)
魔2(定)
魔1(定)
魔3(定)
神2(定)
神3(定)
神1(定)
混2(定)
混1(定)
混3(定)
全2(定)
全1(定)
AI
既存NPC
勝率(%)
※ Non-player character
※ 1,000対戦による検証結果
※ 実際のデッキ相性を表現するものではありません
⻘いほど
強い
⻯(試)
神(試)
魔(試)
⻯2(定)
⻯1(定)
⻯3(定)
魔2(定)
魔1(定)
魔3(定)
神2(定)
神3(定)
神1(定)
混2(定)
混1(定)
混3(定)
全2(定)
全1(定)

深層学習を⽤いた戦略学習の利点と難しい点
43
n 利点
⁃ 表現⼒があるため、複雑で抽象的な意思決定も
学習することができる
⁃ 実際、オセロニアのような抽象度が⾼いゲームでも
⼀定の成績を出せることが確認できている
n 難しい点
⁃ モデルが複雑なためチューニングが難しい
⁃ 推論に計算リソースを使うため実運⽤上の制約になる
⁃ モデルを更新するスケジュールなど、
運⽤フローとして検討事項が多い

参考：Webツールを活⽤したチューニング
44
n 対戦を可視化するツールを作成しチューニングを効率化
⁃ AIがどのような戦術で戦っているのか確認できる
⁃ 勝率だけでは⾒えてこないAIの強さ・考え⽅がわかる
⾏動の評価値
どこに置くか？
何ターン⽬にどのくらい
ダメージを与えたか？
各ターンに取った
⾏動の結果
※ 画⾯上のデータは全て開発環境のものです

参考：Webツールを活⽤したチューニング
45
n 統計量を可視化してAIの⼈間らしさを検証
⁃ ⼈間プレイヤーの取った⾏動とどれだけ似ているか？
⁃ 駒を適切に運⽤できているか？
※ 画⾯上のデータは全て開発環境のものです
AIが置いたマスの
ヒートマップ
ターン分布を
AIと⼈間で⽐較
⼈間が置いたマスの
ヒートマップ

参考：設定と⼯夫点
46
n 選択/⾮選択を教師信号として採⽤
⁃ ⼈間のようにプレイするAIを獲得したいから
⁃ 上位プレイヤーの負けた情報も有効活⽤している
n ネットワーク・学習の詳細
⁃ Batch Normalizationは有効、Dropoutは弱め
⁃ 活性化関数：ELU（ReLU※よりも有効だった）
⁃ 損失関数：Cross Entropy
n ⼤量の棋譜があるためデータ読み込みを効率化
⁃ 並列化、キューなどを駆使した⾼速化

47
4. 強化学習

強化学習
48
環境
（ゲームのシミュレータ）
① 現在の盤⾯を観測
② 勝率が⾼くなりそうな⾏動を選択
③ ⾏動の結果と報酬を観測
…
試⾏錯誤を通じて、⽬的とする利益を最⼤化するための
戦略（⾏動系列）を獲得する機械学習の⼿法
• 未知の環境（新しいキャラクター）に対しても学習が可能
強化学習とは？

強化学習とゲーム
49
n 近年の強化学習技術の進展で、様々なゲームで
⾼いパフォーマンスを出す研究が報告されている※1
“Playing Atari with Deep Reinforcement Learning”,
Mnih et al., NIPS Deep Learning Workshop 2013
https://arxiv.org/pdf/1312.5602.pdf
“Mastering the game of Go without human knowledge”
Silver et al., Nature 550, 354–359
https://www.nature.com/articles/nature24270.epdf
“StarCraft II: A New Challenge for Reinforcement Learning”,
Vinyals et al.
https://arxiv.org/pdf/1708.04782.pdf
レトロビデオゲーム
（Atari 2600）
ボードゲーム
（囲碁, 将棋, チェス, …）
MOBA※
（StarCraft II, DotA2）
※ Multiplayer Online Battle Arena

学習の仕組み
50
n ⾃⼰対戦を繰り返すことで徐々に成⻑
⁃ プレイヤーの棋譜は使わず、⾃⼰対戦の結果を使って
フィードバックを⾏う（⾃律的な学習）
⁃ プレイヤー棋譜による学習と同じネットワークを利⽤
AI
（学習対象）
AI同⼠がシミュレータを通じて対戦
AI
（対戦相⼿）
対戦結果をフィードバック

学習の仕組み
51
n 対戦相⼿の選び⽅が重要
⁃ 相⼿が弱いままだと学習が進まない
⁃ バリエーションを持たせないと局所解に落ちやすい
AI
（⾃分）
少し前の⾃分と戦うことで、学習が進む
AI
（過去のAI）
AI
（⾃分）
AI
（過去のAI）
AI
（⾃分）
AI
（過去のAI）
強さ

学習の結果
52
n ⾃⼰対戦によって学習できることが確認できた
n 今後より細かく対応したい課題
⁃ デッキ（≒戦略）によって学習にばらつきがある
⁃ 探索の強化による学習の効率化
対戦数
対NPC勝率
デッキA
デッキB
デッキC

強化学習の利点と難しい点
53
n 利点
⁃ 常に変わるゲーム環境や新しいキャラクターに対しても
適⽤可能なAIが作れる
• 初期の検証※で、学習が進むことを確認できている
n 難しい点
⁃ より強くするためには理論的なチャレンジがある
• 不完全情報：相⼿のデッキが⾒えない状況で戦う
• ⾮定常環境：デッキや戦略が変わると問題が変わる
• …
⁃ 学習に時間がかかる
• ⼤量の試⾏錯誤をするため、計算リソースを必要とする
※ Rainbow DQN, count-base探索, …(今後は⾼度な探索アルゴリズム・ゲーム理論を活⽤)

参考：表現学習
54
n 表現学習という技術を使ったアプローチが機能している
⁃ オセロニアのようにキャラクターが多いゲーム環境で有効
“Approximation of Value Function with Feature Representation Learning
to Deal with Extendable Action Space”
Yu Kono, Ikki Tanaka, Jun Ernesto Okumura
https://confit.atlas.jp/guide/event/jsai2018/subject/1Z3-02/tables
オセロニアのAI開発で得られた技術は第32回⼈⼯知能学会全国⼤会にて発表

55
1. キャラクターを低次元のベクトルで表現できる
⁃ 通常、キャラクター数に応じた⼤きさのベクトルが必要
⁃ モデルサイズ削減、学習速度向上が期待できる
2. 運⽤⽅法が似たキャラクターは同じような表現になる
⁃ フィニッシャーとして活躍、⾓に置くと活躍、など
埋め込み前埋め込み後
1 0 0 … 0 0 0
0 1 0 … 0 0 0
キャラクター数分（約3,000）
-1.5 0.2 0.8 -0.3 1.1
-0.8 0.3 0.4 -0.1 0.5
数次元（固定）
…
…

n キャラ表現を2次元に削減しプロットした例※
⁃ 戦略に応じた表現が得られていることが分かる
n 低次元ベクトルを活⽤して、
教師あり学習・強化学習を効率化
56
特殊ダメージ
⻯
マス変換
罠毒
カウンター
アンデッド
召喚
回復
オーバー
ロード
吸
収
2枚
以上
2枚以上
※ AIの学習過程の図でゲーム戦略の完全な表現を保証するものではありません

ここまでのまとめ
57
n 解決したい課題に対しAI観点で技術を整理し検証している
⁃ プランナーのサポート
• デッキのアソシエーション分析
• 深層学習を使った戦略の学習
⁃ バランス調整の⽀援
• デッキのクラスタリング分析
• 強化学習
n 複数のケースで技術の有効性が確認できた
n プレイヤーにメリットのある施策になるか検討している
⁃ より詳細な企画要件の技術検証
⁃ 運⽤を⾒据えたシステムやフローの検証

58
今後に向けて

プロジェクト観点で難しいポイント
59
1. 学習環境をゼロベースで作る必要がある
⁃ AIの学習・評価のためにシミュレータが必要
⁃ 特に強化学習ではシミュレータ速度がボトルネックになる
2. 特徴量エンジニアリングが複雑
⁃ 盤⾯のスキル状態などタイトル固有の情報を扱うため、
深いドメイン知識が必要
3. ゲームの構造に応じたアルゴリズムの開発が必要
⁃ 最新研究を実装するだけでは上⼿くいかない
4. ユースケースの要件定義
⁃ 技術が検証できても、意味のある施策でなければならない
AI PM観点の知⾒は、今秋発売の書籍でも紹介予定です

AI活⽤を⾒越してやっておいた⽅がいいこと
60
1. 事前の学習環境（シミュレータ）の開発
⁃ バトルロジックのみを切り離しやすいゲーム実装、最適化
2. AIの学習を念頭に置いたログ設計
⁃ ゲーム分析のためのログ以外にも、AI⽤のログ設計が必要
3. 最新技術に追従する体制作り
⁃ アップデートが早い最新技術をキャッチアップして、
課題の理論的理解やチューニング知⾒を溜めていく必要
4. 現場との密なコミュニケーション
⁃ 課題を適切に定義、企画提案するためのサービス理解
⁃ ⼀緒にゴールを考える、期待値を常に共有する

まとめ
61
n 『逆転オセロニア』でどのようにAI活⽤が検討されているか、
プロセスや開発技術についてご紹介
⁃ チャレンジングな課題に対しても⼀定の成果が出ている
⁃ 今後はより実現に向けた検証を続けていく
n ゲーム開発・運⽤におけるAI活⽤は今後加速するはず
⁃ ゲーム開発・運⽤はより複雑化している
⁃ AI技術の進展によってゲーム領域でのケースも⽣まれてくる
⁃ ⼀⽅で、プロジェクト難易度は⾮常に⾼い
業界全体でAI技術の実⽤化を加速させるためにも
会社の枠を超えて知⾒発信・交流を続けたい

今後に向けて
62
Google Group: game-ai
https://goo.gl/4dVN2o
Slack: game-ai-ja
https://goo.gl/jqEgLf
n ゲーム×AIの議論の場を育てたい

CEDEC2018『逆転オセロニア』におけるAI活用

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Similar to CEDEC2018『逆転オセロニア』におけるAI活用

Similar to CEDEC2018『逆転オセロニア』におけるAI活用 (20)

More from Jun Okumura

More from Jun Okumura (8)

Recently uploaded

Recently uploaded (9)

CEDEC2018『逆転オセロニア』におけるAI活用