Neues Scouting-Tool nutzt Inverse Reinforcement Learning zur Spielerwahl im Esport

Traditionelle Esport-Scouting-Methoden beruhen stark auf manueller Videoanalyse und aggregierten Leistungskennzahlen, die oft die feinen Entscheidungsmuster übersehen, die für die Passung eines Spielers zu einem bestimmten taktischen Archetyp entscheidend sind. Um dieses Problem zu lösen, wird die Bewertung von Spielern als Inverse Reinforcement Learning (IRL)-Problem formuliert und ein neues Framework vorgestellt, das professionelle Belohnungsfunktionen aus aufgezeichneten Spiel-Demonstrationen lernt.

Das System kombiniert zwei unterschiedliche Datenströme: Auf einer Seite werden hochauflösende Telemetriedaten in strukturierte Zustands-Aktions-Trajektorien umgewandelt, während auf der anderen Seite taktische Pseudo-Kommentare, die von Vision‑Language‑Modellen aus Übertragungsaufnahmen generiert werden, temporär ausgerichtet werden. Durch die Fusion dieser multimodalen Repräsentationen und die Anwendung eines Generative Adversarial Imitation Learning (GAIL)-Ziels lernt ein Diskriminator die einzigartigen mechanischen und taktischen Signaturen von Elite-Profis.

Durch den Wechsel von generischen Fähigkeitsabschätzungen zu einer Belohnungs‑basierten Auswahl bietet das neue Tool eine skalierbare, workflow‑bewusste digitale Zwillingslösung. Es ermöglicht Organisationen, Kandidaten nach ihrem stilistischen Alignment mit einem Zielspieler zu bewerten, Roster datenbasiert zu konstruieren und gezielt Talente in großen Kandidatenpools zu entdecken.