Эссе о разработке игр, мышлении и книгах

Концепт-документ игры Рой

Игра должна выглядеть как-то так, только в виде сверху, на клеточном поле, в pixel art и с минимальной детализацией. Изображение взято [отсюда](https://www.warhammer-community.com/2020/06/23/faction-focus-tyranidsgw-homepage-post-4fw-homepage-post-4/).

Продолжаю публиковать концепты игр. Эта игра в духе NoCraft — опять про зергов, но уже с другой механикой, завязаной на клеточные автоматы.

Далее

Ищу работу: CTO, Tech/Team Lead, R&D

Обновлено 5 ноября.

Работу нашёл. Пост оставляю для истории.

15 лет в разработке ПО, 13 — в геймдеве, 9 — в топ геймдев компаниях.

Специализируюсь на решении нетипичных задач, наведении порядка, разработке backend.

Не привязан к технологиям, легко переключаюсь на выгодные для текущего проекта.

Резюме: ru, [en](absolute:/en/cv}.

Рассматриваю позиции CTO, Tech/Team Lead или R&D разработчика.

Не рассматриваю:

  1. аутсорс, аутстаф — совсем-совсем;
  2. криптопроекты, ориентированные на продажу токенов на хайпе;
  3. низкоуровневый линукс и всё, близкое к железу;
  4. работу, заточеную на обеспечение security;
  5. работу, заточеную на сложную графику;
  6. работу, сконцентрированную на devops, настройке инфраструктуры, etc.

Отвожу время на поиск до начала ноября. То есть принять офер смогу только в начале ноября.

Рассматриваю только продуктовые компании.

Важно наличие бонусов / опционов / процентов от прибыли с чёткими критериями их получения. Если такого нет, то буду рассчитывать на прямую компенсацию в зарплате.

Планирую уезжать на запад. Поэтому либо релокация в течение года, либо возможность удалённой работы.

P.S. Из всего могут быть исключения, но для каждого исключения нужен повод.

Об ИТ, прогрессе и нехватке спецов

Изображение найдено где-то в интернете, если знаете автора — напишите мне.

Изображение найдено где-то в интернете, если знаете автора — напишите мне.

Занятым в Информационных Технологиях людям может казаться, что цифра уже перевернула мир, но это искажённое восприятие: из того, что ИТ вокруг вас, не следует, что ИТ вокруг всех.

Из-за ммм… «мощи» ИТ решений и их взрывного роста, любого человека, который к ИТ прикасается, моментально втягивает в эту область и обволакивает ей.

На самом деле, вычислительные технологии только начинают шатать мир. Интернеты, википедии, гуглы уже принесли изменения в нашу жизни, но это — первые шаги к переформатированию инфраструктуры, которую строило человечество тысячелетия.

Далее

Монополизация машинного обучения

Появление монополий почти всегда идёт во вред, но до всеобъемлющей цифровизации у людей оставались варианты защиты от шантажа отбором товаров или услуг.

С переводом жизни в цифру, средств защиты остаётся всё меньше, отказ от цифровых услуг откатывает уровень жизни на неприемлемые для большинства позиции.

До расцвета машинного обучения проблема IT монополий с трудом, но решалась созданием альтернативного ПО. Его авторами могли выступать как небольшие предприятия, так и сообщества энтузиастов, ратующие за свободное и открытое ПО.

Сначала альтернативный софт можно было создавать в одиночку. Затем группами всё большего размера.

Стоимость разработки росла, но альтернативы продолжали появляться, поскольку основная стоимость производства ПО определялась оплатой труда разработчиков. Люди всегда могут затянуть пояса ради идеи или будущего дохода.

Machine Learning, в его текущем виде, меняет расклад.

Далее

Реализация Generative Adversarial Network

В завершение разбирательства с Deep Learning решил посмотреть что-нибудь более интересное и ориентированное на генерацию контента — реализовать GAN.

По правде говоря, большую часть времени с GAN (и Autoencoder) я экспериментировал на спрайтах карты Сказки. Ожидаемо, на таком мизере обучающих данных ничего интересного не получилось. Хотя польза и была. Поэтому для поста я подготовил отдельный notebook с более наглядными результатами — генерацией обуви по набору данных Fashion MNIST.

Ноутбук с реализацией GAN и комментариями.

Про архитектуру GAN лучше почитать в вики, интернетах или моём ноутбуке.

Краткая суть:

  • Тренируются две сети: generator & discriminator.
  • Генератор учится создавать картинки из шума.
  • Дискриминатор учится отличать поддельные картинки от настоящих.
  • Ошибка дискриминатора определяется качеством предсказания фейковости изображения.
  • Ошибка генератора определяется качеством обмана дискриминатора.

Если правильно подобрать топологии сетей и параметры обучения, то в итоге генератор научается создавать картинки неотличимые от оригинальных. ??????. Profit.