Le machine learning est-il adapté ?

Avant de se lancer dans du ML, le cours pose la question cruciale : le machine learning est-il adapté à la résolution de mon problème ? Trois pistes sont comparées.

Piste 1 : lire la mémoire du jeu

On pourrait obtenir les coordonnées des champions en lisant la RAM du processus de League Of Legends. Problème : cela déclenche l'anti-cheat. Piste écartée.

Piste 2 : une solution algorithmique

On détecte les icônes sur la map grâce aux cercles colorés qui les entourent, puis on compare pixel par pixel avec les icônes de tous les champions. Verdict du cours : complexe et peu fiable.

• le repérage est perturbé par les changements de taille et de couleur des cercles ;
• le chevauchement avec d'autres icônes ou objets de la minimap provoque des confusions.

Piste 3 : le machine learning

Une résolution purement algorithmique est donc très complexe et peu fiable. En revanche, il est « facile » de constituer un jeu de données d'images de minimap labellisées avec les positions des joueurs. C'est ce qui rend une solution ML envisageable.

Le problème entre dans deux catégories :

• détection d'objet dans une image : où sont les icônes ?
• classification de ces objets dans des classes : de quel champion s'agit-il ?

Le schéma met en ordre les deux catégories du cours ; l'enchaînement exact est une lecture ajoutée (hors cours).