Connect with us

Статьи

Настоящее и будущее машинного обучения на устройствах

Специалист по глубокому обучению Маттейс Холлеманс рассмотрел перспективы машинного обучения на устройствах и как его можно использовать уже сейчас.

Анна Гуляева

Опубликовано

/

     
     

Как вы, конечно, заметили, машинное обучение на устройствах сейчас все больше развивается. Apple упомянула это около ста раз во время WWDC 2017. Неудивительно, что разработчики хотят добавить машинное обучение в свои приложения.

Однако многие из этих моделей обучения используются только для совершения выводов на основе ограниченного набора знаний. Несмотря на термин “машинное обучение”, никакого обучения на устройстве не происходит, знание находится внутри модели и не улучшается со временем.

Нейросеть для определения лиц, встроенная в смартфон

Причина этого заключается в том, что обучение модели требует большой вычислительной мощности, а мобильные телефоны пока на это не способны. Гораздо проще обучать модели офлайн на серверной ферме, а все улучшения модели включать в обновление приложения.

Стоит отметить, что обучение на устройстве имеет смысл для некоторых приложений, и я верю, что со временем такое обучение моделей станет таким же привычным, как использование моделей для прогнозирования. В этом тексте я хочу исследовать возможности этой технологии.

Машинное обучение сегодня

Самым распространенным применением глубокого и машинного обучения в приложениях сейчас является компьютерное зрение для анализа фото и видео. Но машинное обучение не ограничено изображениями, оно также используется для аудио, языка, временных последовательностей и других типов данных. Современный телефон имеет множество различных сенсоров и быстрое соединение с интернетом, что приводит к большому количеству данных, доступных для моделей.

iOS использует несколько моделей глубокого обучения на устройствах: распознавание лиц на фото, фразы «Привет, Siri» и рукописных китайских иероглифов. Но все эти модели ничему не учатся от пользователя.

Почти все API машинного обучения (MPSCNN, TensorFlow Lite, Caffe2) могут делать предсказания на основе пользовательских данных, но вы не можете заставить эти модели узнавать новое из этих данных.

Сейчас обучение происходит на сервере с большим количеством GPU. Это медленный процесс, требующий большое количество данных. Сверточная нейронная сеть, например, обучается на тысячах или миллионах изображений. Обучение такой сети с нуля займет несколько дней на мощном сервере, несколько недель на компьютере и целую вечность на мобильном устройстве.

Обучение на сервере — это хорошая стратегия, если обновление модели происходит нерегулярно, и каждый пользователь использует одну и ту же модель. Приложение получает обновление модели каждый раз при обновлении приложения в App Store или при периодической загрузке новых параметров из облака.

Сейчас обучение больших моделей на устройстве невозможно, но так будет не всегда. Эти модели и не должны быть большими. И самое важное: одна модель для всех может быть не лучшим решением.

Зачем нужно обучение на устройстве?

Существует несколько преимуществ обучения на устройстве:

  • Приложение может учиться на данных или поведении пользователя.
  • Данные будут оставаться на устройстве.
  • Перевод любого процесса на устройство экономит деньги.
  • Модель будет обучаться и обновляться непрерывно.

Это решение подойдет не для каждой ситуации, но для него найдутся свои применения. Я думаю, что его главным преимуществом является возможность подгонки модели под конкретного пользователя.

На iOS-устройствах это уже делают некоторые приложения:

  • Клавиатура учится на основе текстов, которые вы набираете, и делает предположения о следующем слове в предложении. Эта модель обучается конкретно для вас, а не для других пользователей. Так как обучение происходит на устройстве, ваши сообщения не отправляются на облачный сервер.
  • Приложение «Фото» автоматически организует изображения в альбом «Люди». Я не совсем уверен, как это работает, но программа использует API распознавания лиц на фото и размещает похожие лица вместе. Возможно, это просто неконтролируемая кластеризация, но обучение все равно должно происходить, так как приложение позволяет вам исправлять его ошибки и совершенствуется на основе вашей обратной связи. Вне зависимости от вида алгоритма это приложение — хороший пример кастомизации пользовательского опыта на основе их данных.
  • Touch ID и Face ID учатся на основе вашего отпечатка пальца или лица. Face ID продолжает учиться со временем, поэтому, если вы отрастите бороду или начнете носить очки, оно по-прежнему будет узнавать ваше лицо.
  • Обнаружение движения. Apple Watch изучает ваши привычки, например, изменение биения сердца во время разных активностей. Опять же, я не знаю, как это работает, но, очевидно, обучение должно происходить.
  • Clarifai Mobile SDK позволяет пользователям создавать свои модели классификации изображений при помощи фотографий предметов и их обозначения. Обычно классификационная модель требует тысячи изображений для обучения, но этот SDK может научиться всего на нескольких примерах. Возможность создавать классификаторы изображений из ваших собственных фото, не будучи экспертом в машинном обучении, имеет много практических применений.

Некоторые из этих задач проще, чем остальные. Часто «обучение» является просто запоминанием последнего действия пользователя. Для многих приложений этого достаточно, и это не требует причудливых алгоритмов машинного обучения.

Модель клавиатуры достаточно проста, и обучение может происходить в режиме реального времени. Приложение «Фото» обучается медленнее и расходует много энергии, поэтому обучение происходит, когда устройство находится на зарядке. Многие практические применения обучения на устройстве находятся между этими двумя крайностями.

Другие существующие примеры включают в себя определение спама (ваш email-клиент учится на письмах, которые вы определяете как спам), коррекцию текста (она изучает ваши наиболее частые ошибки при наборе текста и исправляет их) и умные календари, вроде Google Now, которые учатся распознавать ваши регулярные действия.

Насколько далеко мы можем зайти?

Если целью обучения на устройстве является адаптация модели машинного обучения к потребностям или поведению конкретных пользователей, то что мы можем с этим делать?

Вот забавный пример: нейронная сеть превращает рисунки в эмодзи. Она просит вас нарисовать несколько разных фигур и учит модель распознавать их. Это приложение реализовано на Swift Playground, не самой быстрой платформе. Но даже при таких условиях нейронная сеть учится недолго — на устройстве это занимает всего несколько секунд (вот как работает эта модель).

Если ваша модель тоже не очень сложна, как эта двухслойная нейронная сеть, вы уже можете проводить обучение на устройстве.

Примечание: на iPhone X у разработчиков есть доступ к 3D-модели пользовательского лица в низком разрешении. Вы можете использовать эти данные, чтобы обучить модель, которая выбирает эмодзи или другое действие в приложение на основе выражения лица пользователей.

Вот несколько других будущих возможностей:

  • Smart Reply — это модель от Google, которая анализирует входящее сообщение или письмо и предлагает подходящий ответ. Она пока не обучается на устройстве и рекомендует одни и те же ответы всем пользователям, но (в теории) она может обучаться на текстах пользователя, что значительно улучшит модель.
  • Распознавание почерка, которое будет учиться именно на вашем почерке. Это особенно полезно на iPad Pro с Pencil. Это не новая функция, но если у вас такой же плохой почерк, как и у меня, то стандартная модель будет допускать слишком много ошибок.
  • Распознавание речи, которое будет становиться более точным и подстроенным под ваш голос.
  • Трекинг сна/фитнес-приложения. Прежде чем эти приложения будут давать вам советы об улучшении здоровья, им нужно узнать вас. Из соображений безопасности этим данным лучше оставаться на устройстве.
  • Персонализированные модели для диалога. Нам ещё предстоит увидеть будущее чат-ботов, но их преимущество заключается в том, что бот может адаптироваться под вас. Когда вы говорите с чат-ботом, ваше устройство будет изучать вашу речь и предпочтения и изменять ответы чат-бота под вашу личность и манеру общения (например, Siri может учиться давать меньше комментариев).
  • Улучшенная реклама. Никому не нравится реклама, но машинное обучение может сделать её менее назойливой для пользователей и более прибыльной для рекламодателя. Например, рекламный SDK может изучать, как часто вы смотрите и кликаете на рекламу, и подбирать более подходящую рекламу для вас. Приложение может обучать локальную модель, которая будет запрашивать только рекламу, работающую для конкретного пользователя.
  • Рекомендации — это распространенное использование машинного обучения. Проигрыватель подкастов может обучаться на программах, которые вы слушали, чтобы давать советы. Сейчас приложения осуществляют эту операцию в облаке, но это можно делать и на устройстве.
  • Людям с ограниченными возможностями приложения могут помогать ориентироваться в пространстве и лучше его понимать. Я не разбираюсь в этом, но могу представить, что приложения могут помогать, например, различать разные лекарства при помощи камеры.

Это только несколько идей. Так как все люди разные, модели машинного обучения могли бы подстраиваться под наши конкретные нужды и желания. Обучение на устройстве позволяет создать уникальную модель для уникального пользователя.

Разные сценарии обучения моделей

Перед применением модели вам нужно её обучить. Обучение нужно продолжать и далее, чтобы улучшать модель.

Существует несколько вариантов обучения:

  1. Отсутствие обучения на данных пользователя. Сбор собственных данных или использование публично доступных данных для создания единой модели. При улучшении модели вы выпускаете обновление приложения или просто загружаете в него новые параметры. Так делают большинство существующих приложений с машинным обучением.
  2. Централизованное обучение. Если ваше приложение или сервис уже требует данные от пользователя, которые хранятся на ваших серверах, и у вас есть к ним доступ, тогда вы можете осуществлять обучение на основе этих данных на своем сервере. Пользовательские данные можно использовать для обучения под конкретного пользователя или под всех пользователей. Так поступают платформы вроде Facebook. Этот вариант вызывает вопросы, связанные с приватностью, безопасностью, масштабированием и многие другие. Вопрос с приватностью можно решить методом «избирательной приватности» Apple, но и у него есть свои последствия.
  3. Коллаборативное обучение. Этот способ перемещает затраты на обучение на самих пользователей. Обучение происходит на устройстве, и каждый пользователь обучает небольшую часть модели. Обновления модели отправляются другим пользователям, так что они могут учиться на ваших данных, а вы — на их. Но это по-прежнему единая модель, и у всех в итоге оказываются одни и те же параметры. Главным плюсом такого обучения является его децентрализованность. В теории это лучше для приватности, но, согласно исследованиям, этот вариант может быть хуже.
  4. Каждый пользователь обучает собственную модель. В этом варианте лично я заинтересован больше всего. Модель может учиться с нуля (как в примере с рисунками и эмодзи) или это может быть обученная модель, которая настраивается под ваши данные. В любом случае модель можно совершенствовать со временем. Например, клавиатура начинает с уже обученной на определенном языке модели, но со временем учится предсказывать, какое предложение вы хотите написать. Минусом этого подхода является то, что другие пользователи не могут получить от этого пользу. Так что этот вариант работает только для приложений, которые используют уникальные данные.

Как осуществлять обучение на устройстве?

Стоит помнить, что обучение на данных пользователя отличается от обучения на большом объеме данных. Начальную модель клавиатуры можно обучить на стандартном корпусе текстов (например, на всех текстах Википедии), но текстовое сообщение или письмо будет написано языком, отличающимся от типичной статьи в Википедии. И этот стиль будет отличаться от пользователя к пользователю. Модель должна предусматривать эти виды вариаций.

Проблема также заключается в том, что наши лучшие методы глубокого обучения довольно неэффективны и грубы. Как я уже говорил, обучение классификатора изображений может занять дни или недели. Обучающий процесс, стохастический градиентный спуск, проходит по небольшим этапам. В наборе данных может быть миллион изображений, каждое из которых нейронная сеть просмотрит около ста раз.

Очевидно, этот метод не подходит для мобильных устройств. Но зачастую вам не нужно обучать модель с нуля. Многие люди берут уже обученную модель и затем используют transfer learning на основе своих данных. Но эти небольшие наборы данных все равно состоят из тысяч изображений, и даже так обучение происходит слишком медленно.

С нашими текущими методами обучения настройка моделей на устройстве все ещё далека. Но не все потеряно. Простые модели уже можно обучить на устройстве. Такие классические модели машинного обучения, как логистическая регрессия, дерево принятия решений или наивный байесовский классификатор, можно быстро обучить, особенно при использовании методов оптимизации второго порядка, таких как L-BFGS или сопряженный градиент. Даже базовая рекуррентная нейронная сеть должна быть доступна для реализации.

Для клавиатуры может сработать метод онлайн-обучения. Вы можете проводить сеанс обучения после определенного количества слов, набранных пользователем. То же самое относится к моделям, использующим акселерометр и информацию о движении, где данные поступают в виде постоянного потока цифр. Так как эти модели обучаются на небольшой части данных, каждое обновление должно происходить быстро. Поэтому, если ваша модель небольшая и у вас не так много данных, то обучение будет занимать секунды. Но если ваша модель имеет больший размер или у вас много данных, тогда вам нужно проявить творческий подход. Если модель изучает лица людей в вашей галерее фото, у нее слишком много данных для обработки, и вам нужно найти баланс между скоростью и точностью алгоритма.

Вот ещё несколько проблем, с которыми предстоит столкнуться при обучении на устройстве:

  • Большие модели. Для сетей глубокого обучения текущие методы обучения проходят слишком медленно и требуют слишком много данных. Многие исследования сейчас посвящены обучению моделей на небольшом количестве данных (например, на одном фото) и за небольшое число шагов. Я уверен, что любой прогресс приведет к распространению обучения на устройстве.
  • Несколько устройств. Вероятно, вы пользуетесь не одним устройством. Ещё предстоит решить вопрос передачи данных и моделей между устройствами пользователя. Например, приложение «Фото» в iOS 10 не передает информацию о лицах людей между устройствами, поэтому обучается на всех устройствах отдельно.
  • Обновления приложения. Если ваше приложение включает обученную модель, которая подстраивается под поведение и данные пользователя, то что происходит, когда вы обновляете модель вместе с приложением?

Обучение на устройстве пока находится в начале своего развития, но мне кажется, что эта технология неизбежно станет важной в создании приложений.

 

Комментарии
Если вы нашли опечатку - выделите ее и нажмите Ctrl + Enter! Для связи с нами вы можете использовать info@apptractor.ru.
Advertisement
Click to comment

You must be logged in to post a comment Login

Leave a Reply

Дизайн и прототипирование

Будущее UX дизайна: за пределами экрана

Альберт Шум, вице-президент Microsoft по дизайну, рассказывает о будущем осмысленного дизайна в мире многих устройств – в переводе UX.PUB.

AppTractor

Опубликовано

/

Автор:

Как масштабировать осмысленный дизайн в мире полном различных устройств

Нарушайте устоявшиеся шаблоны осмысленным дизайном

Индустрия дизайна находится в напряжении. Технология продуктивна и продолжает развиваться, завалив нас разнообразными устройствами и опытом, которые соперничают за наше внимание. Дизайн, как практическая дисциплина, развился в различных направлениях, тем самым изменив роль дизайнера и расширив смысл творчества.

В основе этой эволюции лежат инструменты и системы дизайна — вещи, которые всегда были вокруг нас, но только недавно обрели свою современную идентичность, связанную с искусственным интеллектом и машинным обучением. То, что раньше использовалось в руководствах по статическому графическому дизайну, теперь охватывает весь спектр дизайна взаимодействия, предоставляя компаниям возможность масштабировать свою идентичность с использованием интеллекта и автоматизации. Создание цифрового опыта в больших количествах привело к тому, что инвестиции в живые дизайнерские системы и инструменты дизайна — положительная вещь, но также экзистенциальный момент для творческих профессионалов. Является ли ИИ креативнее вас? И если ИИ может делать всю творческую работу, нужны ли нам дизайнеры?

Я вечный оптимист и моя творческая задача — адаптироваться. Машины умеют видеть паттерны, но люди умеют их нарушать. Инвестиции в ИИ будут только возрастать. Но, как творческий человек, вы можете найти, смысл в опыте и вынести его на первый план. Проектируйте таким образом, чтобы вернуть человека. Ниже представлено руководство, как масштабировать обоснованный дизайн:

Создайте стол

Дизайн занял свое место за столом — теперь возьмите его дальше

Не просто садитесь за стол. Создайте его. Представьте себе, что значит для дизайна иметь влияние и создайте прототип новых способов работы и объединения людей. Поскольку в век инструментов дизайна наши возможности растут, мы должны использовать их, чтобы инновации соответствовали технологиям. Это происходит в первую очередь из-за пересечения дисциплин и знаний для того, чтобы включить больше точек зрения и сформировать общее видение.

Это не значит, что это легко — для проведения организационных изменений требуется время. Но в конечном счете поддержка дизайнерского мышления и креативности, ориентированных на человека, помогает разрабатывать более инклюзивные практики, создавать ценный опыт для людей и влиять на реальный бизнес. Создайте стол и используйте его для конструктивной работы.

Найдите свою модель работы

Статические системы не могут идти в ногу со временем — найдите свои дизайнерские модели

Создайте модель совместного творчества и начните работать комфортнее. Линия между дизайнером и разработчиком размывается из-за сотрудничества с открытым исходным кодом, тем самым стимулируя творчество и фидбек. Наша связь с клиентами переносится во все более связанные среды. Мир быстро меняется, и важно, чтобы инструменты менялись в тандеме с потребностями людей.

Также важно понять, что наши дизайны оказывают влияние. В частности, поскольку ИИ становится более интегрированным в цифровой опыт, наши проекты должны попасть к клиентам на раннем этапе, чтобы они могли помочь нам определить предвзятости и исключения. Сложнее переделывать проект в конце, чем сделать его открытым с самого начала. Покажите командам незавершенную работу. Свяжитесь с реальными клиентами для тестирования прототипов. Работа в закрытой системе только вредит, а индустрия дизайна явно движется в направлении открытой и совместной разработки. Адаптируйтесь к тенденциям, позвольте инструментам дизайна высвободить вашу креативность и быстрее двигаться в постоянно развивающемся мире.

Выйдите на улицу

Идите и найдите новую точку зрения

Речь идет о поиске реальных потребностей и перспективы за пределами вашего привычного круга вещей. Ярчайшие моменты творчества часто находятся далеко от вашего стола. Идите на улицу и открывайте для себя что-то новое, потому что вдохновение стимулирует инновации.

Партнерство Microsoft на саммите «Дизайн для инклюзивности» этим летом стало вдохновляющим опытом. Там повсюду были любящие свое дело дизайнеры. Еще столько предстоит узнать о том, как индустрия дизайна думает о таких вещах, как разнообразие, инклюзивный подход и доступ к дизайнерскому образованию, и мы только начинаем привлекать больше перспектив и равенства в эту сферу.

Microsoft Design имеет уникальную возможность подключаться к другим подобным образом, но я понимаю, что все имеют разные возможности. В конце концов, все сводится к практической эмпатии. Если вы что-то разрабатываете и не думаете о человеке на другом конце опыта, немедленно измените свое мышление. В какофонии дизайнерских трендов и новых технологий человеческое понимание всегда приносит гармонию.

Работа, которую надо выполнить

Зона дилеммы, в которой мы находимся. Желаемый уровень смысла — это то, куда мы стремимся

Поскольку время бежит вперед, а производительность продолжает расти, между новыми технологиями и чувством доверия к тому, что уже знакомо, создается напряженность. Мы находимся в зоне дилеммы. Мы должны задуматься о привлечении клиентов к разработке путешествия, которое мы создаем для них, особенно с увеличением опыта использования множества различных девайсов.

Важнее работы, которую мы выполняем для внедрения инноваций — дизайн, копирайтинг, исследования, разработка — работа, выполняемая создаваемой нами вещью. Это работа, которую продукт выполняет для людей: убедитесь, что мы строим правильные вещи и делаем это правильно. Мы можем достичь этого, переориентируя инновации, чтобы лучше соответствовать жизни людей.

Для этого нужно масштабировать понимание и одержимость клиента. Любой человек может собрать кучу данных и опираться на эти цифры, чтобы определить, что проектировать дальше. Настоящий новатор будет копать глубже. Данные полезны только в том случае, если вы применяете правильный уровень смысла, тренируя острое и чуткое внимание к дизайну, чтобы проектировать то, что действительно нужно людям.

Будьте свободным радикалом

Refik Anadol, «Melting Memories» — результат совместного творчества машины и человека

Не радуйтесь застою. Инструменты дизайна и ИИ облегчают нашу работу, но это не значит, что мы должны потерять дух первооткрывателей. Будьте свободным радикалом и нарушайте закономерности. Дизайн живет на перекрестке технологий и гуманитарных наук, и именно эта двойственность позволяет нам одновременно решать проблемы и быть художниками. Дизайн будущего будет влиять на изменения с помощью творчества, потому что автоматизация служит только системе, а не сердцу людей, стоящих за этим опытом.

Творчество всегда будет иметь значение, потому что оно является частью нашего человеческого духа. Оно определяет инновации и осознанный дизайн. Примите будущее UX дизайна и мыслите за пределами экрана.

Комментарии
Продолжить чтение

Статьи

Дайджест интернета вещей: октябрь 2018

Роботы собирают других роботов, микродроны открывают двери, а Rolls-Royce вместе с Intel запускает беспилотные корабли. Самые футуристичные новости интернета вещей за прошлый месяц — в одной подборке от MobileUp.

MobileUp

Опубликовано

/

Автор:

Стартап DocDoc и «Кнопка жизни» создали смарт-часы для консультаций с врачом

Принадлежащий Сбербанку стартап DocDoc вместе с сервисом «Кнопка жизни» выпустил «умные» часы, с помощью которых владелец может звонить врачу и консультироваться с ним. Они оснащены кнопкой вызова экстренной помощи и функцией телефона. В будущем часы смогут напомнить владельцу вовремя принимать лекарства и соблюдать режим двигательной активности, а также снимать различные показатели здоровья и передавать их врачу.

«Билайн» заменил 101 бухгалтера роботом RobBee

Оператор «Билайн» принял в штат робота RobBee для проверки кассовых документов и операций. Он заменит 101 бухгалтера, которые ранее работали в компании. RobBee проверяет поступления платежей в банк, ищет недостачи и ошибки и контролирует их исправление. В компании рассказали, что робот помог отказаться от визуальной проверки 90% кассовых документов, снизил трудоемкость процесса в четыре раза и повысил скорость выполнения на 30%.

Rolls-Royce вместе с Intel запускает новые беспилотные корабли

Искусственный интеллект кораблей будет работать на процессорах Intel Xeon Scalable для принятия решений на основе информации, собранной датчиками. И поскольку эти датчики могут собирать до 1 Тбайт данных в день, то Rolls-Royce предполагает хранить эти данные на 3D NAND-накопителях Intel, которые будут действовать как «черный ящик» корабля.

Honda протестировала «умный» перекресток – автомобили на нем предупреждают друг друга о приближении пешехода

Автоконцерн Honda создал в небольшом американском городке Мэрисвилл «умный» перекресток — систему обмена данными между автомобилями, которая предупреждает о приближающихся из-за угла пешеходах или велосипедистах.

Роботы будут собирать других роботов на фабрике в Китае

Швейцарская ABB, один из крупнейших в мире производителей промышленных роботов и поставщик робототехнических систем, строит в Шанхае фабрику, на которой роботы будут воспроизводить себе подобных. Планируется, что высокотехнологичный «завод будущего» будет выпускать по 100 тысяч роботов в год.

Микродроны научились открывать двери

Группа ученых Стэнфордского университета и Политехнической школы в Швейцарии разработала микродроны, которые умеют поднимать объекты в 40 раз тяжелее самих себя. За счет более эффективной тяги 100-граммовый дрон может поднять объект до 4 кг, например, полную бутылку воды. А два таких дрона могут открыть дверь.

Facebook представила линейку «умных» экранов Portal

Компания позиционирует устройство, как созданное для видеозвонков. С его помощью можно общаться с контактами из Facebook Messenger, а также использовать во время звонков функцию дополненной реальности. Широкоугольная камера экрана отслеживает перемещения человека, позволяя переходить из помещения в помещения, где установлены устройства, продолжая разговор. Пока устройства продаются только в США. Portal и Portal+ стоят 199 и 349 долларов соответственно.

Google представил смарт-дисплей Home Hub без видеокамеры

Диагональ устройства составляет 7 дюймов при габаритах 178,5 х 118 х 67,3 мм. Гаджет поддерживает технологию Bluetooth 5.0 и оснащен 15-ваттными динамиками. Устройство автоматически регулирует яркость дисплея в зависимости от освещения. Дисплей поступил по цене 150 долларов.

Комментарии
Продолжить чтение

Разработка

Интересные материалы для разработчика мобильных приложений #234 (5-11 ноября)

В нашей новой подборке новости с Android Dev Summit, Continuous integration в Яндексе, тотальная интеграция в Google и интересное руководство по жизненному циклу пользователей. Заходите!

AppTractor

Опубликовано

/

Автор:

Гнущиеся смартфоны и другая информация с Android Dev Summit

Сейчас Google проводит Android Dev Summit, и уже состоялся открывающий кейноут. В основном рассказанное там предназначается Android-разработчикам, но есть и новость, способная заинтересовать более широкие массы: «сгибающиеся смартфоны». Внимательно посмотрев онлайн-трансляцию, мы написали и о поддержке таких устройств, и о другой информации из кейноута.

Руководство по разработке Web-приложений на React Native

Вы проснулись. Сияет солнце, щебечут птички. В мире никто ни с кем не воюет, никто не голодает, а один и тот же код можно использовать и в веб-проектах, и в нативных приложениях. Как бы было хорошо! К сожалению, на горизонте можно разглядеть лишь универсальный код, но путь к нему, даже сегодня, всё ещё полон неожиданностей.

 iOS

 Android

 Разработка

 Аналитика, маркетинг и монетизация

 AI, Устройства, IoT

 Вакансии

Комментарии
Продолжить чтение

Маркетинг и монетизация

«Мои игры никто не покупает»: пара простых советов

Компания Inlingo перевела для нас интересный пост Reddit, объясняющий успех тех или иных игр.

AppTractor

Опубликовано

/

Автор:

Время от времени начинающие инди-разработчики пишут мне и просят что-нибудь посоветовать. Иногда их вопросы настолько тесно связаны с тем, о чем я сейчас думаю, что я пишу им огромные простыни. Не хотелось бы, чтобы эти простыни так и оставались в личной переписке, так что я размещаю одну из них сюда, чтобы ее увидело побольше народа.

В этот раз у меня спросили совета насчет конкретных игр, которые вроде бы были вполне удачными, но продавались совсем не так хорошо, как хотелось бы. Автор уже даже всерьез подумывал бросить разработку и найти какую-нибудь другую работу.

Собственно, вот эти игры:

Pillar

The Path of Motus

Я испытываю смешанные чувства, когда выставляю кого-то на всеобщее обозрение, но! Во-первых, без контекста было бы непонятно. Во-вторых, это намного более сильные работы чем то, что мне присылают обычно, так что подробным разбором полетов я никого не опозорю.

Всю суть авторского вопроса передает следующая цитата:

Я пришел к выводу, что мои игры просто не нравятся большинству геймеров. Сначала я утешал себя тем, что они просто очень концептуальные, а потом я увидел ваши игры — они вроде тоже не для всех, но продаются замечательно. А еще мне кажется, что я сильно затягиваю с разработкой. Может лучше выпускать игры быстрее, как на конвейере? Очень хотелось бы услышать ваше мнение или советы — почему ваши игры оказались финансово успешными?

А вот мой ответ:

Прежде всего — я посмотрел трейлер к Pillar и это полный крышеснос.   Очень тягучая, жуткая атмосфера, немного похоже на «I Have No Mouth and I Must Scream».

Далее: вот мой пост на Reddit, очень рекомендую с ним ознакомиться – “Я не зарабатывал деньги до 14 игры“.

А еще я рекомендую подпоясать чресла, запастись терпением, принять неизбежность провалов и ни в коем случае не забрасывать геймдев.

Если честно — я понимаю, почему ваши игры плохо продаются. Не то чтобы я мог конкретно сказать, что не так… Подача будто бы любительщиной отдает.  Может, вы просто переоцениваете свои навыки как аниматора — игры будто бы изо всех сил кричат, что их делал профи, что они выглядит как Braid. Это не так. А вот та же Castle Doctrine со своим лоу-фай исполнением даже не пытается конкурировать с Braid, так что никому и в голову не придет их сравнивать.

One Hour One Life еще слишком свежа в моей памяти, я необъективен (и да, она выглядит ОФИГЕННО), но люди обычно описывают визуалку в ней как «милую». Почему-то всем нравятся простая мультяшная визуалка, она обезоруживает. Это даже не пиксельная графика, это что-то типа… что-то типа каракулей. Каракулей от руки. Это была моя первая пиксельная игра за добрых десять лет, но я все равно умудрился попасть в яблочко.

Все, с визуальной частью вроде закончили. The Pillar мне нравится больше, на самом деле. Анимации движения странные, но к ним можно привыкнуть.

Далее: что за фигня в игре творится?

Инновации в играх должны быть МАКСИМАЛЬНО ОЧЕВИДНЫ. Человек смотрит трейлер и сразу понимает: так, а в такое я еще ни разу не играл.

Давайте посмотрим на трейлер The Castle Doctrine или One Hour One Life. Человек смотрит и видит, что это, как в это играть (почти как обучение!) и насколько это непохоже на все остальные игры.

Это еще один звоночек, на который нужно обратить внимание: достаточно ли сам игровой процесс цепляет? Стоит ли его вообще включать в трейлер?

Тут надо будет придумывать охранную систему и пытаться пробраться через охранные системы других игроков.

Суть в том, что ты рождаешься младенцем, твоя мать — это другой игрок, и за час ты проживаешь всю жизнь.

Эти концепты сразу заинтриговывали всех, кому бы я их ни рассказывал. Даже не-геймеров.

Иногда я просто сижу и жду, пока меня не осенит. Чтобы так «Ох ты!». Что-то настолько очевидное, что я срываюсь гуглить: а вдруг такую игру уже делали? Концепт, до которого мог бы додуматься абсолютно любой.

Я навскидку могу назвать 5 своих друзей, которые работали над играми, похожими на The Castle Doctrine. Я нервничал, это была почти что гонка. А потом я увидел кино «Судная ночь» (The Purge), она тоже примерно про это же.

В общем: хороший концепт легко ложится в трейлер и легко цепляет игрока.

И последнее: ценность.

Люди обычно решают потратить деньги на игру по одной из двух причин.

  1. Они в таком восторге, что покупают игру сразу, не раздумывая. Это часто связано с нереально крутым визуальным исполнением, как в The Last Night. Люди просто сделают ЗАТКНИСЬ И БЕРИ ДЕНЬГИ, так что игра окупится в любом случае. Сюда же относится Hyper Light Drifter. Такие проекты выстреливают сразу же. Это как левитроны — все хотят, чтобы у них над столом парила какая-нибудь ерунда.
  2. Они долго и вдумчиво взвешивают все pro et contra, их надо завлекать холодными цифрами. Их надо завлекать тем, что игра глубокая, что в нее можно играть неделю, месяц, год. Они обойдут ее, покивают себе, помнут игру между пальцами — да, это стоит двадцать баксов. Для них игра — она как рюкзак. Возьмешь что попало и обязательно прогадаешь, тут надо посмотреть, повыбирать, чтобы одну — и на всю жизнь (да, прямо как жену).

Однопользовательские игры обычно полагаются на вау-эффект, исключений немного и обычно мы говорим либо о бесконечных тайкунах (Stardew Valley, Factorio, Subnautica), либо о зубодробительных рогаликах (Spelunky, Nuclear Throne). В любом случае, мы говорим о глубоком погружении и хорошей реиграбельности.

И именно поэтому, к сожалению, однопользовательские игры понемногу вымирают, успех Braid или Fez повторяют единицы, да и те играют на эмоциях (см. п. 1). Зато провалившихся игр с внушительным бюджетом — пруд пруди, хотя лет пять назад все они прекрасно окупились бы. И это я даже не говорю о том, что успех Braid или Gone Home нельзя сравнить с успехом Stardew Valley или Factorio, это принципиально разные уровни.

Я не считаю, что инди-игры обречены, я просто считаю, что люди стали играть в разные жанры инди-игр. Старички в шоке от того, что короткие однопользовательские игры стали плохо продаваться, новички в шоке от того же (потому что почти любая первая игра короткая и однопользовательская), но это не означает, что инди в принципе не продаются. Наоборот!

Подводя итог — при разработке однопользовательской игры следует делать на эмоции максимально сильную ставку. Если потенциальный игрок хоть на секунду задумается, нужна ли ему эта игра — все, он ее уже не купит.

И именно поэтому лучше полагаться на второй тип игроков.

Уже 11 месяцев множество людей каждый день играет в The Castle Doctrine. За семь месяцев много кто наиграл в One Hour One Life по 900 часов. Если игра сможет удерживать внимание долгое время — на это и нужно полагаться.

Они НЕ выстрелят сразу же. Они выстреливают где-то через годик, когда все внезапно понимают, насколько же все-таки эта игра окупает вложенные в нее деньги.

Проще всего реализовать это через мультиплеер. Да, конечно, есть варианты и для однопользовательских проектов. Просто моя первая хитовая игра (15-я по счету, Sleep is Death) была многопользовательской…

Конечно, такая игра тоже должна цеплять, тоже должна заинтересовать игрока достаточно, чтобы он вообще задумался о покупке — просто это может произойти не сразу. Человек может посмотреть трейлер, походить, подумать, все взвесить — и таки купить.

И самое важное: нельзя сдаваться, сделав всего две игры. Вам еще многому надо научиться, и вы будете это делать с каждым новым проектом. Взгляните на мою вторую игру: я ведь тоже мог бы тогда все бросить.

Комментарии
Продолжить чтение

Реклама

Наша рассылка

Нажимая на кнопку "Подписаться" вы даете согласие на обработку персональных данных.

Вакансии

Популярное

X
X

Спасибо!

Теперь редакторы в курсе.