Por que os sites de games e de jogos de azar estão rolando os dados no machine learning

Sites de games e jogos de azar têm acesso a uma vasta riqueza de dados criada a cada clique dos jogadores. A chave para extrair valiosos insights preditivos a partir desses dados, contudo, é um sofisticado processo de machine learning.

O aprendizado de máquina significa a capacidade de aprender relacionamentos e padrões entre os dados sem que haja uma programação explícita para isso. Requer grandes conjuntos de dados e também planejamento. Diferentes empresas têm diferentes prioridades e objetivos por trás do desenvolvimento de algoritmos de aprendizagem de máquina: enquanto uma pode desejar aproveitar os dados do usuário para informar e melhorar o design do jogo, outra pode estar mais interessada em maximizar a receita e identificar os jogadores mais propensos a gastar dinheiro.

Vamos usar o exemplo de uma empresa que deseja lidar com o problema do comportamento viciante no jogo, a fim de manter a jogatina dos clientes em segurança, e dentro dos limites permitidos pela lei. Os algoritmos de aprendizado de máquina são uma boa solução na medida em que aprendem padrões e correlações de vastos conjuntos de históricos de dados do comportamento de um jogador para então prever resultados futuros. Um exemplo chave para isso seria identificar se um jogador é viciado ou não.

Para detectar o comportamento viciante, uma empresa de jogos de azar pode construir um perfil do que constitui um comportamento “normal” para cada jogador e algoritmos de aprendizagem de máquina irão identificar desvios para os padrões comportamentais normais. Isso pode ser usado para alertar uma empresa de games ou jogos de azar quando um jogador exibe hábitos viciantes para que a empresa possa intervir e tomar medidas corretivas.

Como?


Os modelos de machine learning podem ser categorizados em três tipos: agrupamento (clustering), classificação e regressão. O exemplo de jogo acima pode ser obtido por um modelo de classificação, no qual o algoritmo identifica a qual classe uma observação de dados pertence em relação a um conjunto de classes pré-definidas. Por exemplo, esses algoritmos podem ser usados para prever se um cliente é viciado ou não; se um jogador é um bot ou um jogador real; ou se um cliente é susceptível de cancelar o registro ou não.

Os modelos de regressão, por outro lado, encontram relações entre duas ou mais variáveis e prevêem um valor numérico, como quantos jogadores estarão online às 19h na sexta-feira ou quanto tempo um jogador permanecerá jogando até o final da vida.

Por fim, os modelos de agrupamento identificam instâncias semelhantes e as agrupam em clusters. Isso geralmente é útil para algoritmos de recomendação, onde é possível recomendar informações relevantes para um jogador com base nas preferências semelhantes daquelas encontradas em seu cluster. É também uma ferramenta útil para a exploração de dados, pois destaca automaticamente os pontos em comum em determinados grupos de jogadores. Permite a detecção de comportamento extremo ou fraudulento onde a observação é anormal e, portanto, acaba fora dos grupos de cluster.

O machine learning pode oferecer aos sites de jogos um grande impulso comercial e ajudá-los a agir responsavelmente e em conformidade com as regulações vigentes, predizendo o comportamento associado ao problema antes que hajam muitos danos. Exige um investimento significativo de tempo e recursos, mas a aprendizagem de máquina é uma aposta segura para aqueles que a empregam corretamente.

Fonte: insideBIGDATA

21