亚马逊云科技如何帮助游戏公司在DevOps环节应用生成式AI-CSDN博客

本文链接：https://blog.csdn.net/weixin_46812959/article/details/141336773

关键字: [出海日城市巡展, Bedrock, 生成式Ai应用, DevOps环境实践, 代码审查优化, 智能巡检分析, 流程自动化助手]

本文字数: 1700, 阅读完需: 8 分钟

导读

在这场演讲中,演讲者分享了亚马逊云科技如何帮助游戏公司莉莉丝利用生成式AI在DevOps环节中进行实践应用。他们从简单的测试API、智能巡检、代码审查等场景入手,逐步探索生成式AI在游戏开发运维的各个环节中的应用,包括用户体验分析、FAQ问答、流程自动化、智能检测、代码开发辅助等,最终实现了DevOps流程的自动化和效率提升。通过循序渐进的方式,客户逐步打开了对生成式AI技术的接纳程度,并在核心业务系统中开始应用。

演讲精华

以下是小编为您整理的本次演讲的精华，共1400字，阅读时间大约是7分钟。

在游戏行业的发展历程中,生成式人工智能(Generative AI)的应用备受关注。本文将分享一家知名游戏公司——莉莉丝(Lilith)在将生成式AI融入其DevOps环节的实践探索过程。

最初,莉莉丝希望从其游戏业务的周边领域入手,逐步推进生成式AI的应用。他们与亚马逊云科技(亚马逊云科技)团队合作,共同探索多种场景下的AI落地方案。

第一个尝试是构建基于自然语言的玩家数据查询系统。传统上,策划或运营人员需要记住并输入50多条指令,才能查询玩家的使用习惯、登录位置、常用武器、过往对战记录等信息。这一过程复杂且效率低下。

为解决这一痛点,莉莉丝与亚马逊云科技团队合作,利用Bedrock模型和轻量级PromptEngineering,构建了一个基于自然语言的查询系统。玩家只需使用自然语言提出需求,系统即可直接返回相应结果,实现了查询方式的自然化和简化。这一举措大幅提升了策划和运营团队的工作效率,也是莉莉丝在生成式AI应用道路上的第一个里程碑。

第二个场景是分析单个玩家的游戏体验和流失原因。在此之前,客服团队难以对每位玩家进行个性化分析,了解他们的具体游戏数据、设备性能、网络状况等,从而无法精准把握流失原因。

为解决这一难题,莉莉丝与亚马逊云科技团队基于Bedrock构建了一个网页工具。玩家只需在工具中输入ID,系统就会自动分析该玩家的对战数据、设备评分、网络评分、战斗KD值等,并给出相应的体验分析结果和建议。例如,如果发现某位玩家虽然设备性能和网络状况不错,但战绩极差,系统就会建议为其调整难度曲线,匹配更多温暖局(机器人对手)。该系统不仅填补了客服的空白,还将BI(商业智能)和AI(人工智能)进行了有机结合,为单个玩家提供了直观的数据分析支持。

第三个场景则关注企业内部的知识管理难题。在大型游戏公司中,项目组经常需要回答来自策划、前后端、QA等团队的技术咨询,重复解答同一问题的工作低效且易产生矛盾。为解决此问题,莉莉丝基于亚马逊云科技的NoteBase知识库系统,将飞书文档定期同步至S3对象存储,并利用大模型构建了一个FAQ系统。

各团队人员只需在该系统中使用自然语言提问,就能获取准确的答复,无需再向项目组重复查询。该系统不仅解决了项目组的人力压力,还提升了工作效率,并支持多种文档格式和表格数据。这一举措也得到了莉莉丝内部的广泛好评。

在上述几个场景的实践中,莉莉丝逐步打开了对生成式AI的接纳之门。他们开始探索在更加贴近核心业务的领域应用生成式AI,比如构建流程助手系统。

该系统基于大模型Agent,在游戏版本更新和迭代后,能自动进行全面的检查和分析,确保发布不会失败或出现问题。它会检测各个开发团队的调整是否存在潜在风险,并及时反馈给研发团队,指出需要修正的地方。通过这一系统,莉莉丝实现了业务流程的自动化,进一步减轻了人力压力。

另一个创新应用是智能检测系统。该系统利用大模型对运维团队的监控看板进行智能分析,包括玩家曲线变化、资源使用状况、系统运行情况等,并生成完整的巡检报告。

传统上,运维团队每周只能进行一次人工巡检,效率低下。而通过智能检测系统,他们可以随时了解各项指标的实时状态,如CPU使用率、可用内存大小等,并对异常数值进行智能识别和报警。该系统不仅提高了巡检的频率和准确性,更重要的是将这一重复性工作从运维团队手中解放出来,让他们可以专注于更有价值的工作。

在压测环节,莉莉丝也应用了生成式AI模型。压测过程中,模型会自动分析网关、数据库、服务器等的压测数据,并将结果可视化呈现,指出哪些指标发生了变化。如果发现服务器资源等指标变差,模型就会反馈给研发团队,提醒他们检查代码并及时修正。通过这种方式,莉莉丝避免了人工压测的低效率,也减少了由于代码问题导致的生产事故。

代码开发辅助则是另一个应用场景。最初,莉莉丝希望借助生成式AI模型为历史代码添加注释说明,提高代码库的可读性。随后,他们进一步扩展到代码审查和Bug查找领域。

在这一场景中,开发人员只需将代码CommitID提交到系统,模型就会自动审查代码,检测是否存在Bug或不符合编码规范的情况,并生成审查报告反馈给开发人员。通过这种方式,莉莉丝显著提高了代码质量,减少了Bug数量,提升了生产效率,降低了相关成本。

总的来说,莉莉丝在亚马逊云科技团队的支持下,成功将生成式AI应用于游戏公司的DevOps环节,涵盖了运维、测试、代码开发等多个领域,取得了显著的效益。这一系列实践为游戏行业在DevOps环节应用生成式AI提供了宝贵的经验。

生成式AI的落地之路并非一蹴而就,需要从小处着手,逐步积累经验。正如亚马逊云科技高级总监顾凡所言:“我们要从大图着眼,但要从小图入手。”莉莉丝正是遵循这一理念,先从运维、DevOps等周边领域入手,逐步向核心游戏业务系统推进,最终实现了生成式AI在整个游戏开发生命周期的广泛应用。

这一过程并非毫无阻力。起初,莉莉丝内部普遍持观望态度,认为生成式AI难以落地于真实的游戏生产环境。但通过一个个小型场景的成功实践,他们逐渐消除了疑虑,开始在核心业务领域探索AI落地。

例如,在与莉莉丝探讨如何将AI应用于游戏中的智能NPC(非player角色)时,双方并未取得实质性进展。然而,通过上述多个场景的成功实践,莉莉丝对生成式AI的认知发生了转变。如今,亚马逊云科技的创新中心团队已经在助力莉莉丝将生成式AI应用于智能NPC、智能客服等核心业务系统中。

生成式AI在游戏行业的落地之路仍在进行,但莉莉丝的实践为业内树立了典范。通过与亚马逊云科技的紧密合作,莉莉丝成为游戏行业探索生成式AI应用的先锋力量,并将这一创新不断推向更广阔的领域。