Jako jedną z eksperymentalnych funkcji w ramach laboratoriów Steam jest interaktywny doradca. Więcej informacji znajdziecie poniżej.
Jedną z zalet Steam jest obszerny katalog gier z prawie wszystkich gatunków, które są tworzone przez dużych i małych producentów. Użytkownicy twierdzą, że przy tak wielu tytułach pomocne byłoby narzędzie, które pomogłoby im znaleźć gry odpowiadające ich upodobaniom. Chociaż istniejące funkcje sklepu (np. wyszukiwanie według tagów) działają dobrze, twórcy postanowili pójść o krok dalej i zastosować potęgę uczenia maszynowego, aby udostępnić graczom spersonalizowane rekomendacje oparte na indywidualnych zachowaniach w grze. W połączeniu z ustawieniami, które umożliwiają dostosowanie wyników, doradca stał się ciekawym i potężnym narzędziem odkrywania Steam i łączenia się z grami, które pokochacie.
Nowy doradca jest w istocie modelem sieci neuronowej, która ma za zadanie polecać gry w oparciu o czas gry i inne ważne dane. Do nauczenia tego modelu wykorzystali dane milionów użytkowników Steam i miliardów rozgrywek, aby otrzymać solidne rezultaty, które obejmują katalog i są w stanie pojąć niuanse wzorców różnych zachowań odnośnie grania. Model posiada takie parametry, by możliwe było ograniczenie wyników do gier opublikowanych w określonym przedziale czasowym i dostosowanie ich poziomu popularności. Te parametry są dostępne dla użytkownika, dzięki czemu może on wybrać, czy w wynikach zobaczy tylko nowe pozycje, czy wszystkie – aż do gier wydanych dziesięć lat temu. Może on również wybrać, czy chce widzieć gry mainstreamowe, czy nieznane perełki. Niezależnie od ustawień, wyniki będą zawsze spersonalizowane i właściwe dla każdego użytkownika.
W odróżnieniu od wielu tradycyjnych systemów nie dostarczają modelowi informacji o grach. Zamiast tego model dowiaduje się o grach podczas procesu uczenia. Tak naprawdę jedynymi danymi, które model otrzymuje bezpośrednio ze sklepu, są daty wydania gier – umożliwia to dostosowanie przedziału czasowego za pomocą suwaka. Okazało się, że wprowadzając datę wydania w procesie uczenia modelu, można otrzymać dokładniejsze rezultaty niż przy zastosowaniu tej samej informacji jako filtru na dane wyjściowe.
Co ważne, podczas tworzenia modelu nie korzystają z informacji dotyczących tagów i ocen. Oznacza to, że same oceny i tagi nie mogą wpływać na wyniki. Model wyciąga wnioski z właściwości gier, ucząc się zachowań użytkowników bez uwzględniania danych zewnętrznych.
Pozwalają użytkownikom filtrować wyniki według tagów, aby mogli zawęzić wyniki i znaleźć grę, w którą chcieliby zagrać, ale nie jest to główną częścią modelu.
Jednym rozwiązaniem jest zebranie wszystkich możliwych informacji o grze, a następnie odgadnięcie, jakie gry są do niej podobne i polecenie tych „podobnych” gier. Prowadzi to jednak to różnego rodzaju zniekształceń — to, że ktoś dużo gra w Beat Saber, nie oznacza, że powinni mu rekomendować wyłącznie muzyczno-rytmiczne gry VR. Nasz model podchodzi do tego inaczej. Ignoruje on większość typowych danych gry takich jak gatunek lub cena. Zamiast tego bierze pod uwagę gry, w które gracie oraz te, w które grają inni użytkownicy, a następnie przedstawia sugestie oparte na decyzjach użytkowników Steam. Chodzi o to, że jeżeli gracze z podobnymi zachowaniami w grze do waszych zagrają w inną grę, której jeszcze nie wypróbowaliście, to prawdopodobnie będzie ona też dobrą rekomendacją dla was.
Wybrali „popularność” tylko dlatego, że nie ma bardziej precyzyjnego terminu, ale możecie to również postrzegać jako „mainstreamowość”. Podobnie jak w przypadku książek, muzyki i filmów, zainteresowania użytkowników są niezwykle szerokie. Jedni chcą wiedzieć o najnowszych i najpopularniejszych grach, a inni wręcz przeciwnie: szukają interesujących tytułów, które są dla nich istotne, ale niekoniecznie są dobrze znane. To narzędzie będzie przydatne dla obydwu grup użytkowników. Okazało się, że dokładne przeszukanie „niszowej” części katalogu jest efektywnym sposobem na znalezienie ukrytych perełek – szczególnie w przypadku, gdy dany użytkownik gra w wiele gier.
Zamiast wprowadzać na platformie Steam duże zmiany w sposobie określania dostosowanych do gracza rekomendacji, zdecydowali – w ramach eksperymentu – zaprezentować nowego doradcę rekomendacji, z którego klienci będą mogli skorzystać. Pozwoli to na zgromadzenie lepszych danych dotyczących każdego użytkowania, unikając przy tym wprowadzania gwałtownych zmian, które mogłyby okazać się nieco irytujące dla producentów i klientów nawykłych do sposobu działania Steam. Kategorie „Popularne”, „Nowości” oraz „Popularne nowości” korzystają z innych danych niż te potrzebne przy tworzeniu kolejki odkryć, tych używanych przez interaktywnego doradcę itd. Interaktywny doradca jest jednym z wielu elementów umożliwiających odkrywanie gier.
Nowe gry pojawiające się w tego typu systemie napotykają na problem zwany „zimnym rozruchem” (ang. cold start). System bowiem nie może polecać gier, które nie mają jeszcze graczy, ponieważ nie ma żadnych danych na ich temat. Może jednak szybko reagować, a dzięki ponownemu uczeniu zacznie uwzględniać nowe premiery, posiadając dane obejmujące zaledwie kilka dni. Nie może jednak pełnić roli kolejki odkryć, której zadaniem jest prezentowanie nowych treści. Dla nas to narzędzie jest dodatkiem do istniejących mechanizmów, ale ich nie zastępuje.
Czasami istnienie takich narzędzi skłania jego twórców do skupienia swojej uwagi na optymalizacji względem algorytmu, a nie klientów. Można zadać sobie pytanie: gdzie leży różnica? Otóż doradca został tak zaprojektowany, by bazować na działaniach graczy, a nie na danych zewnętrznych takich jak tagi czy recenzje. Producenci, którzy pragną, aby ich gra działała dobrze w ramach tego modelu, powinni myśleć przede wszystkim o stworzeniu produktu, która przypadnie do gustu graczom. Mimo że ważne jest zaprezentowanie użytkownikom istotnych informacji na temat gry na jej stronie w sklepie, producenci nie powinni zadręczać się zastanawianiem nad tym, jak tagi lub inne metadane wpłyną na sposób, w jaki model rekomendacji będzie postrzegał ich gry.
Nowy doradca został zaprojektowany z myślą o użytkownikach steam, ale docelowo ma także pomóc producentom. Producenci zobaczą w narzędziu analizy ruchu, ile wizyt na stronie generowanych jest przez doradcę dla każdej gry. Należy jednak pamiętać, że eksperyment, o którym tu mowa, może nie zwiększać znacząco ruchu sieciowego w przypadku innych miejsc na Steam.
