Tekoälyn hyödyntäminen peliskenaarioiden bugitestauksessa

Abstract

Viime vuosien aikana on ollut havaittavissa nopeasti kasvava kiinnostus tekoälyyn liittyvien ratkaisujen implementointiin, mikä on johtanut sen leviämiseen myös pelitestauksen maailmaan. Monet pelikehitysyritykset voisivat merkittävästi hyötyä tekoälyä hyödyntävien prosessien käyttöönotosta muun muassa työntekijöiden kuormittuvuuden vähentämiseksi sekä pelialan yleistä kehitystä ajatellen. Siten tästä ajankohtaisesta aiheesta on tarpeellista kerätä yhteen uutta tietoa ja tuoda sille näkyvyyttä.

Tässä työssä syvennytään aiheeseen, erityisesti mustalaatikkotestauksen näkökulmasta kirjallisuuskatsauksen muodossa, jossa käydään läpi erilaisia 2D ja 3D peleistä saatuja tutkimustuloksia. Näiden tutkimusten perusteella tehtiin analyysi, jossa pureuduttiin tekoälyn vaikutuksiin ja soveltuvuuteen pelikehityksen ja -testauksen maailmassa.

Tuloksista tuli esiin tekoälyä hyödyntävien ratkaisujen moninaisuus ja tulosten suuri vaihtelu. Tutkimuksista voitiin todeta, että etenkin vahvistusoppia tai syvä vahvistusoppia hyödyntävät tekoälyratkaisut antoivat hyviä tuloksia, varsinkin mikäli ne keskittyvät myös pelialueen tutkimiseen eikä vain pelin päihittämiseen. Tutkimusten kohteena olleet pelit olivat kuitenkin enimmäkseen varsin yksinkertaisia, joten vielä tarvitaan lisää tutkimusta tekoälyn käytöstä suuremmissa ja monimutkaisemmissa peleissä.

Within recent years there has been a rapidly growing interest into the various applications of artificial intelligence, an interest which by extension spread into the world of game testing. Since many game-development companies could significantly benefit from implementing processes that utilize artificial intelligence within their programs, to both reduce load and further develop game testing processes, it is of imperative to provide insight into the highly topical matter.

This paper will delve into this topic, particularly in the usage of black box testing, using various studies and literary reviews to address the application of artificial intelligence in both 2D and 3D games. Based on the research gathered throughout this process, an analysis has been formed considering the results of the studies and their impact on our understanding of game-development and its applicability in real-world game testing.

From the varied results gathered through a multitude of studies, the need for a diverse consideration of solutions became apparent. All in all, it can be concluded that using reinforcement learning or deep reinforcement learning combined with a will for game exploration and not just wanting to beat the game, yielded positive results. However, within the studies the games used in testing were rather simplistic indicating that further study into more complex and larger games would have to be explored in order to provide a better understanding on using artificial intelligence for finding bugs.