Разработка ИИ — удалённая работа в Москве

Цель проекта: Разработать ИИ-агента, способного играть в osu! стандартного режима, предсказывая движения курсора и клики на основе состояния игрового поля. План реализации: 1. Сбор и предобработка данных: (ВЫПОЛНЕНО) Источники: Пара файлов [.osr (реплей) + .osu (карта)]. Задача: Написать код на Python для парсинга этих файлов. - Из `.osu` извлекаются: временные метки объектов, их тип (круг, слайдер, спиннер), координаты, параметры слайдеров. - Из `.osr` извлекаются: временной ряд координат курсора (x, y) и состояния нажатия кнопок. Сопоставление реплеев и карт: Так как названия реплеев и карт не совпадают, необходимо реализовать функцию сопоставления: - Реплеи содержат ID карты, название песни и другие метаданные. Извлеки из `.osr` ID или название карты. - В `data/maps` хранятся `.osu` файлы. Выполни поиск по этим файлам, используя извлечённую информацию (например, BeatmapID, BeatmapHash, название песни или артиста). - Сопоставление может быть реализовано как: по точному совпадению названия и артиста, по hash-сумме карты (если есть), по максимальному совпадению метаданных (название, артист, длительность и т.п.). - Используй это сопоставление, чтобы к каждому реплею найти соответствующую карту. Создание датасета: Объедини данные, чтобы для каждого момента времени получить тензор, содержащий: - информацию о текущих и ближайших объектах, - историю движения курсора, - целевые действия — следующую позицию курсора и факт нажатия. 2. Проектирование архитектуры нейросети: Сеть должна обрабатывать пространственно-временные данные. Предложи архитектуру на PyTorch или Keras. Вход: последовательность “кадров“ (тензоров, представляющих игровое состояние за последние N миллисекунд). Модули: - CNN-энкодер: извлекает spatial features из объектов на экране, - LSTM: учитывает временные зависимости и ритм, - Head-слои: aim_head: регрессия координат (x, y), tap_head: классификация действия (левый клик / правый клик / нет клика). Выход: предсказанные координаты и вероятность клика на следующем временном шаге. 3. Обучение модели: Метод: обучение с подражанием (Imitation Learning). Функция потерь: Loss = MSE(aim_head, target_xy) + CrossEntropy(tap_head, target_action) Напиши код цикла обучения, включая: - загрузку данных, - forward/backward pass, - логирование метрик. 4. Создание игрового агента (отдельная задача): Задача: заготовка кода на C# или Python, который: - делает скриншот окна osu!, - предобрабатывает его (обрезка, resize, тензоризация), - использует обученную модель для предсказания действий, - эмулирует движение мыши и клики через WinAPI. Технические требования: Язык: Python (ML), C# (агент). Фреймворк: PyTorch (предпочтительно) или TensorFlow. Код должен быть модульным и хорошо документированным. Есть уже некая основа проекта, могу отправить.