AI+ Game Design Agent™

1 Tag

WalkIn® Training in Englisch


Jetzt Angebot einholen

Eine moderne Weiterbildung, die kreative Spieleentwicklung mit künstlicher Intelligenz verbindet. Entwickelt, um aktuelle Technologien verständlich, praxisnah und zukunftsorientiert zu vermitteln.

Zentrale Inhalte

  • Grundlagen KI-gestützter Spielemechaniken.
  • Verfahren für adaptives Storydesign.
  • Modelle für dynamisches NPC-Verhalten.
  • Strategien für generative Spielwelten.
  • Datenanalyse zur Verbesserung spielerischer Interaktionen.
  • Einsatz moderner Tools zur Entwicklung intelligenter Systeme.

Ein kompakter, technisch fundierter Überblick, der KI-Innovation, spielerisches Denken und moderne Entwicklungswege verbindet und eine starke Basis für zukunftsfähige Projekte schafft.
 

Kursinhalte
  • Bedeutung und Einsatzfelder von KI-Agenten.
  • Zentrale Architekturen und typische Umgebungen.
  • Basisprinzipien von Entscheidungen und Verhalten.
  • Überblick zu Multiagentensystemen.
  • Beispielanalyse: KI-Logik hinter Pac-Man-Geistern.
  • Praxisaufgabe: Entwicklung eines einfachen reaktiven Agenten mit Pygame in einer kleinen Umgebung.
  • Definition von KI-Spielagenten.
  • Zentrale Bausteine solcher Agenten.
  • Typische Agentenarchitekturen.
  • Kernverhalten von Spielagenten.
  • Beispielanalyse: Rennspiele wie Mario Kart oder Forza Horizon.
  • Praxisaufgabe: Einfaches Playcanvas-Spiel mit beweglichen Kisten erstellen.
  • Basiswissen zu Reinforcement Learning.
  • Zentrale Methoden: Q-Learning, SARSA.
  • Einsatz von RL für Spielagenten.
  • Typische Hürden und passende Ansätze.
  • Beispiel: AlphaZero in Schach, Shogi, Go – Selbstspiel und RL.
  • Praxis: Einfachen RL-Agenten in OpenAI Gym trainieren.
  • Grundlagen zu NPCs als KI-Agenten
  • Basisverfahren für NPC-Verhalten
  • Zentrale Algorithmen der Wegfindung
  • Techniken zur Hindernisvermeidung und Bewegungssteuerung
  • Analyse einer Fallstudie
  • Übungssequenzen zur Vertiefung
  • Entscheidungsbäume und Minimax für KI-gesteuerte Spielabläufe.
  • Monte-Carlo-Tree-Search zur Agentensteuerung.
  • Nutzenorientierte Entscheidungsmodelle für Spiel-KI.
  • KI-Mechaniken in Echtzeit-Strategiespielen.
  • Analyse: DeepMinds StarCraft-II-System.
  • Praxis: Einfachen MCTS-Agenten für Tic-Tac-Toe in Pygame entwickeln.
  • 3D-Umgebungen visualisieren und typische KI-Herausforderungen erkennen.
  • Navigationsnetze für Agenten in dreidimensionalen Szenen erstellen.
  • Komplexes Agentenverhalten in räumlichen Welten entwickeln.
  • Analysebeispiel: The Last of Us.
  • Praxis: Bau eines 3D-KI-Agenten mit Navigation und Interaktion in Unity via NavMesh und C#.
  • Aktuelle und kommende KI-Strömungen
  • Perspektiven für generalistische KI in Games
  • Fallstudie
  • Projektauftrag
  • Umsetzung im Praxisformat
  • Prüfung und Fehleranalyse
  • Anwendungsnahe Übungen