La tercera generación de Counter-Strike enfrentaba después de 2014 un serio problema tras haberse convertido en el título de disparos en primera persona más jugado del mundo y con ello atraer a infinidad de tramposos. Además de los motivos habituales para este tipo de conductas, el título de Valve atraía a los usuarios de ética más diluida al incluir un mercado de skins con lucrativas posibilidades de negocio.
En 2016, McDonald y el equipo de Valve se hacían cargo de que la mayor parte de las conversaciones en la amplia comunidad del juego (incluyendo a los profesionales) se centraban en la omnipresencia de tramposos, un problema de tal magnitud que el sistema de reportes y análisis basado en los propios jugadores Overwatch quedaba totalmente sobrepasado.
El papel del factor humano en el sistema antitrampas es el siguiente: cualquier jugador puede informar acerca de actuaciones sospechosas en sus partidas, y un grupo de jugadores "de confianza" pueden acceder al sistema de repeticiones Overwatch, analizar cada caso y decidir si efectivamente el usuario reportado ha usado algún tipo de trampa. Según McDonald, solamente un porcentaje de entre el 15 y el 30 por ciento de los casos analizados concluyen con un castigo.
La idea que aplicó este equipo fue la de entrenar a una solución de aprendizaje profundo basada en la observación de todas y cada una de las partidas que se celebran en CS:GO (unas 600.000 al día tan solo en la modalidad 5 vs. 5) y buscar en ellas signos de actividad sospechosa. La IA resultante, llamada VACnet, busca patrones relacionados sobre todo con el uso de aimbots, cuantificando los movimientos de los jugadores justo antes de cada disparo.
Cuando VACnet detecta un patrón irregular en un usuario, extiende su análisis a un total de 140 disparos (en la implementación actual), a partir de los que genera un informe para que uno de los usuarios de Overwatch lo compruebe. Según las cifras de Valve, del 80 al 95 por ciento de estos informes redundan en la aplicación de un correctivo, una diferencia clave con respecto a los reportes humanos que ha servido para el bloqueo de múltiples oleadas de miles de tramposos desde que el sistema se puso en marcha.
Para completar su aprendizaje, VACnet estudia el resultado de las valoraciones de los usuarios de Overwatch, refinando su comportamiento y aprendiendo al mismo tiempo que los jugadores expertos en detección de trampas. Esto permite adaptarse a nuevas situaciones como la introducción al sistema de las partidas 2 contra 2 el mes pasado, que redundó en una tasa de informes correctos cercana al 99 por ciento.
El último aspecto interesante de la presentación de McDonald es el inevitable desembolso en hardware necesario para mantener operativo un sistema con tal magnitud de carga. Los cálculos de Valve resultaban en la necesidad de un total de 1.700 procesadores, por lo que pensando en el futuro duplicaron esa cifra y montaron una granja de servidores con 64 blades de 54 núcleos cada uno (3.456 en total) y 8 terabytes de RAM. Este es el hogar de VACnet.
Los planes de Valve pasan por la aplicación de su IA a otras tareas apropiadas dentro de sus juegos, pero también a los de otros desarrolladores que estén interesados en incluir la tecnología. Según McDonald, el aprendizaje profundo supone un antes y un después en el análisis de enormes cantidades de datos, y en este campo concreto VACnet puede hacer la vida mucho más fácil a los desarrolladores para que puedan centrarse solo en la mejora de sus juegos.
