Le défi
Yggdrasil Gaming a été confronté à un tournant critique dans ses opérations de développement lorsque des outils de gestion de projet rigides ont commencé à avoir un impact significatif sur sa capacité à offrir des expériences de jeu innovantes basées sur l’IA/ML. Avec une nouvelle direction à la barre et des objectifs ambitieux d’intégration de l’intelligence artificielle et des capacités d’apprentissage automatique dans son pipeline de développement de jeux, la société a découvert que son flux de travail existant basé sur Jira créait d’importants goulots d’étranglement.
Le défi : Table des matières
L’évolution rapide de l’industrie du jeu vers des fonctionnalités basées sur l’IA, notamment l’analyse intelligente du comportement des joueurs, la génération de contenu dynamique et les expériences de jeu personnalisées, exigeait une approche de gestion de projet plus souple et plus adaptable. Les équipes de développement d’Yggdrasil se débattaient avec la structure inflexible de Jira, qui rendait presque impossible l’adaptation des flux de travail à la volée lorsque les expériences AI/ML nécessitaient des cycles d’itération rapides. Le manque de capacités d’intégration de l’outil avec les cadres de développement IA/ML modernes a créé des silos de données qui ont empêché les équipes de conserver une vue unifiée de l’avancement du projet.
Les cycles de développement dépassaient les délais acceptables, les processus de formation et de validation des modèles d’IA étant déconnectés des flux de travail traditionnels de développement de jeux. Les plus de 200 employés de l’entreprise, répartis dans plusieurs départements – y compris les scientifiques des données, les développeurs de jeux et les équipes d’assurance qualité – se sont retrouvés à travailler de manière isolée plutôt que de collaborer efficacement. Cette fragmentation du défi était particulièrement problématique pour l’optimisation de l’inférence AI/ML, où la collaboration interfonctionnelle est plus critique que dans les phases de développement traditionnelles. Le manque de visibilité en temps réel sur l’état d’avancement des projets et l’affectation des ressources coûtait à l’entreprise environ 400 000 dollars par an en termes d’inefficacité et d’opportunités manquées.
La solution du défi
ClickUp s’est imposé comme la solution de gestion de projet complète capable de combler le fossé entre le développement traditionnel de jeux et les flux de travail de pointe en matière d’IA/ML. La flexibilité de la plateforme et ses capacités d’intégration étendues en ont fait la solution idéale pour l’écosystème de développement complexe d’Yggdrasil.
- Automatisation basée sur l’IA : Les fonctions d’IA de ClickUp automatisent les tâches de routine telles que les rapports d’avancement, l’allocation des ressources et l’optimisation des flux de travail, ce qui permet aux data scientists et aux développeurs de se concentrer sur le développement de modèles d’IA/ML à forte valeur ajoutée et sur les activités de formation.
- Plate-forme de collaboration unifiée : La solution a intégré tous les composants du projet dans une source unique de vérité, permettant une collaboration transparente entre les équipes d’IA/ML travaillant sur l’analyse du comportement des joueurs et les équipes de développement de jeux traditionnels se concentrant sur les graphismes et les mécanismes de jeu.
- Gestion avancée des formules et des sprints : Des formules personnalisées ont permis de suivre des mesures complexes d’IA/ML telles que la précision du modèle, la performance de l’entraînement et la vitesse d’inférence, tandis que les outils de gestion des sprints se sont adaptés à la fois aux cycles de développement agiles et aux phases de recherche en IA les plus longues.
- Documentation en temps réel : ClickUp Docs a fourni une documentation en temps réel pour les expériences AI/ML, les spécifications des modèles et les décisions de développement, assurant le partage des connaissances entre les équipes distribuées travaillant sur les différents aspects des fonctions de jeu alimentées par l’IA.
La stratégie de mise en œuvre s’est concentrée sur la création de flux de travail capables de gérer à la fois les processus traditionnels de développement de logiciels et les exigences uniques des projets d’IA/ML. Ce défi comprenait des modèles spécialisés pour la gestion du cycle de vie des modèles d’apprentissage automatique, le suivi des pipelines de données et la surveillance des performances de l’IA. La flexibilité de la solution a permis à Yggdrasil de créer des vues personnalisées pour différentes parties prenantes – les cadres peuvent surveiller les indicateurs clés de performance de haut niveau tandis que les scientifiques des données peuvent plonger dans les mesures de performance des modèles. L’intégration avec les outils et frameworks d’IA/ML les plus répandus a permis aux équipes techniques de conserver leurs environnements de développement préférés tout en bénéficiant d’une meilleure visibilité sur les projets et de capacités de collaboration.
Le défi : la mise en œuvre
Phase 1 : Découverte et planification
La mise en œuvre du défi a commencé par un audit complet des flux de travail existants et l’identification des exigences spécifiques à l’IA/ML. Les équipes ont cartographié les processus Jira actuels afin de comprendre les points problématiques du développement traditionnel et des flux de travail émergents en matière d’IA/ML. Une attention particulière a été accordée à la compréhension de la façon dont les cycles d’entraînement des modèles d’IA, les flux de travail de préparation des données et les processus d’optimisation des inférences devaient s’intégrer aux calendriers de développement des jeux. Des configurations de terrain personnalisées ont été conçues pour suivre les mesures spécifiques à l’IA, telles que la précision du modèle, la durée de l’entraînement et l’utilisation des ressources informatiques.
Phase 2 : Migration et personnalisation
La phase de migration des défis a consisté à transférer les données existantes du projet tout en établissant de nouveaux modèles de flux de travail optimisés pour le développement de l’IA/ML. Des automatismes personnalisés ont été configurés pour gérer les tâches de routine telles que les mises à jour de l’état d’avancement, les notifications d’affectation des ressources et le suivi des étapes. Des API d’intégration ont été mises en place avec les frameworks IA/ML et les outils de traitement des données les plus répandus. Les équipes ont reçu une formation spécialisée sur l’utilisation des fonctions d’IA de ClickUp pour la planification prédictive de projets et la priorisation automatisée des tâches. Les modèles de sprint ont été personnalisés pour s’adapter à la fois aux cycles rapides d’expérimentation de l’IA et aux périodes plus longues de formation des modèles.
Phase 3 : Optimisation et passage à l’échelle
La phase finale du défi s’est concentrée sur l’affinement des flux de travail sur la base de modèles d’utilisation réels et sur l’extension des processus réussis à l’ensemble des équipes de développement. Des configurations de formules avancées ont été mises en œuvre pour calculer des mesures complexes du projet et des indicateurs de retour sur investissement. Les processus de collaboration entre les équipes ont été optimisés pour assurer un transfert transparent entre les équipes de recherche en IA et les groupes de développement de la production. Des tableaux de bord de contrôle des performances ont été mis en place pour suivre la réussite des initiatives d’intégration de l’IA/ML et l’efficacité globale de la livraison du projet.
« ClickUp a transformé notre approche du développement de jeux alimentés par l’IA. La capacité d’intégrer de manière transparente les flux de travail d’apprentissage automatique aux processus de développement de jeux traditionnels a changé la donne. Le système fournit maintenant des fonctionnalités plus innovantes plus rapidement que jamais, et les équipes sont plus alignées que nous ne l’aurions cru possible. »
– Sarah Chen, directrice de l’ingénierie AI/ML chez Yggdrasil Gaming
Le défi : principaux résultats
Les résultats de la transformation du défi ont dépassé les attentes initiales d’Yggdrasil, les gains de productivité étant principalement dus à l’amélioration de la collaboration entre les équipes d’IA/ML et les groupes de développement traditionnels. L’augmentation de 37 % de la productivité a été la plus prononcée dans les phases de déploiement et de test des modèles d’IA, où les flux de travail rationalisés ont permis de réduire le délai de mise sur le marché des nouvelles fonctionnalités alimentées par l’IA. Les économies de 120 000 dollars par jeu proviennent de l’élimination des redondances, de l’accélération des cycles d’itération et d’une allocation plus efficace des ressources entre les différentes phases de développement.
Au-delà des indicateurs quantitatifs, les équipes ont fait état d’une amélioration significative de la satisfaction au travail et de la collaboration créative. Les ingénieurs en IA/ML peuvent désormais partager en toute transparence les données relatives aux performances des modèles avec les concepteurs de jeux, ce qui permet de mettre en œuvre des fonctionnalités plus innovantes. La plateforme unifiée de challenge a éliminé les lacunes de communication qui existaient auparavant entre le développement technique de l’IA et les processus créatifs de conception de jeux. Les processus d’assurance qualité pour les fonctionnalités alimentées par l’IA sont devenus plus systématiques et plus faciles à suivre, ce qui s’est traduit par des versions de meilleure qualité et moins de problèmes après le lancement. Le succès de cette mise en œuvre a directement contribué à la création de « Vikings Go to Egypt », qui est devenu le jeu le plus performant d’Yggdrasil et qui présente des fonctions avancées d’engagement des joueurs pilotées par l’IA.
Questions fréquemment posées
Qu’est-ce que l’AIML ?
L’IA/ML fait référence aux technologies d’intelligence artificielle et d’apprentissage automatique qui travaillent ensemble pour créer des systèmes intelligents. Dans les jeux, l’IA/ML permet des fonctionnalités telles que la difficulté adaptative, les recommandations de contenu personnalisées, le comportement intelligent des PNJ et l’analyse prédictive des joueurs. Ces technologies permettent de créer des expériences de jeu plus engageantes et plus réactives.
ChatGPT est-il AI ou ML ?
ChatGPT est à la fois une application d’IA et de ML. Il s’agit d’une application d’IA qui utilise des techniques d’apprentissage automatique, en particulier l’apprentissage profond et les réseaux neuronaux, pour comprendre et générer des textes semblables à ceux des humains. Le modèle du défi a été entraîné à l’aide d’algorithmes de ML sur de vastes quantités de données textuelles pour développer ses capacités de conversation.
Pourquoi parle-t-on d’IA/ML ?
Les termes « IA/ML » sont utilisés conjointement car ces technologies sont étroitement liées dans les applications modernes. Le défi ien que l’IA soit le concept plus large de création de systèmes intelligents, la ML est la principale méthode pour atteindre les capacités de l’IA. Dans les applications pratiques, en particulier dans les jeux et le développement de logiciels, les deux concepts fonctionnent ensemble pour offrir des fonctions intelligentes.
En quoi le ML diffère-t-il de l’IA ?
L’IA est un domaine plus large qui se concentre sur la création de systèmes intelligents capables d’effectuer des tâches qui requièrent généralement l’intelligence humaine. Le défi L est un sous-ensemble de l’IA qui se concentre spécifiquement sur les algorithmes capables d’apprendre et de s’améliorer à partir de données sans être explicitement programmés. Considérez l’IA comme l’objectif et la ML comme l’une des principales méthodes pour atteindre cet objectif.
Conclusion
La transformation réussie d’Yggdrasil Gaming démontre comment la bonne plateforme de gestion de projet peut libérer tout le potentiel de l’intégration de l’IA/ML dans le développement de jeux. En passant d’outils rigides à la plateforme flexible de ClickUp, alimentée par l’IA, l’entreprise a réalisé des améliorations remarquables en termes de productivité, de rentabilité et de collaboration entre les équipes. L’augmentation de la productivité de 37 % et les économies de 120 000 $ par jeu ne représentent que le début de ce qui est possible lorsque les flux de travail IA/ML sont correctement intégrés aux processus de développement traditionnels.
Cette étude de cas souligne l’importance cruciale de choisir des outils qui peuvent s’adapter aux exigences uniques du développement de l’IA/ML tout en maintenant une intégration transparente avec les flux de travail existants. Alors que l’industrie du jeu continue d’évoluer avec des fonctions plus sophistiquées alimentées par l’IA, les entreprises qui investissent dans des plateformes flexibles et collaboratives comme ClickUp seront mieux positionnées pour innover et être compétitives dans ce paysage en évolution rapide.
