場(chǎng)景描述
注重玩家體驗(yàn)，是《MLBB》的基本原則。例如在開拓東南亞業(yè)務(wù)的過(guò)程中，沐瞳發(fā)現(xiàn)由于東南亞國(guó)家數(shù)量眾多，且各地的互聯(lián)網(wǎng)基建水平參差不齊，本地化工作面臨嚴(yán)峻的挑戰(zhàn)。
為此，沐瞳沒有選擇使用統(tǒng)一的語(yǔ)言包，而是為包含眾多小語(yǔ)種國(guó)家在內(nèi)的每個(gè)國(guó)家，分別制作了各自的語(yǔ)言包。這一策略使得早期《MLBB》覆蓋了 20 多種語(yǔ)言，包括高棉語(yǔ)、塔加洛語(yǔ)等小語(yǔ)種，有效提升了當(dāng)?shù)赝婕业挠螒蝮w驗(yàn)。
此外，《MLBB》的游戲運(yùn)營(yíng)也體現(xiàn)了其因地制宜的特征，實(shí)現(xiàn)了諸多成功的本地化實(shí)踐。例如，針對(duì)不同地區(qū)的文化特色與歷史傳統(tǒng)，沐瞳推出了包括印尼金剛神 Gatotkaca、 菲律賓對(duì)抗外敵的民族英雄拉普拉普、馬來(lái)西亞傳奇勇士巴當(dāng)、緬甸的江喜陀、韓國(guó)武將李舜臣等在內(nèi)的多款本地化英雄，讓各國(guó) MLBB 玩家獲得了強(qiáng)烈的文化認(rèn)同感
解決方案
基于 Amazon Bedrock 調(diào)用業(yè)界領(lǐng)先大語(yǔ)言模型實(shí)現(xiàn)辱罵識(shí)別和精準(zhǔn)輿情分析
在辱罵識(shí)別方面，沐瞳最初嘗試過(guò)傳統(tǒng)翻譯服務(wù)，但由于游戲玩家交談內(nèi)容以東南亞本地小語(yǔ)種為主，涉及十幾種東南亞語(yǔ)言，如果分別進(jìn)行大模型自研開發(fā)會(huì)導(dǎo)致成本高昂，而如果完全依賴人工介入，不僅對(duì)辱罵判罰的響應(yīng)速度相對(duì)較慢，還需要大量人力投入。
沐瞳于 2023年 10 月成為了 Amazon Bedrock 的首批用戶?；诤Ｍ鈽I(yè)務(wù)需求，沐瞳通過(guò)亞馬遜云科技 Amazon Bedrock 調(diào)用業(yè)界領(lǐng)先 LLM ，實(shí)現(xiàn)文本處理任務(wù)。Amazon Bedrock 是一項(xiàng)完全托管的生成式 AI 服務(wù)，用戶可以使用單個(gè) API 調(diào)用眾多領(lǐng)先的高性能大模型。其中，某業(yè)界領(lǐng)先 LLM 因其1.3 秒到 1.5 秒的快速響應(yīng)能力和能夠支持約 200K Token 輸入的數(shù)據(jù)處理能力，受到了沐瞳的青睞。通過(guò)調(diào)用該模型，《MLBB》中辱罵識(shí)別的效率和準(zhǔn)確性顯著提高，同時(shí)輿情分析效率也得到了大幅提升。此外，面向海外業(yè)務(wù)，沐瞳還利用了該 LLM 進(jìn)行提示詞工程優(yōu)化，幫助用戶更有效地編寫和模型調(diào)優(yōu)的提示詞，從而實(shí)現(xiàn)更優(yōu)異的模型性能和輸出效果。
在輿情分析以及風(fēng)險(xiǎn)控制方面，Amazon Bedrock 與 Amazon OpenSearch Service 的集成使得數(shù)據(jù)的處理和分析收效甚佳。Amazon OpenSearch Service 作為 PB 級(jí)別的搜索引擎，能夠極大提升數(shù)據(jù)的檢索效率，幫助沐瞳針對(duì)其海外業(yè)務(wù)迅速定位關(guān)鍵數(shù)據(jù)并提取，從而能將數(shù)據(jù)應(yīng)用于 Amazon Bedrock 上進(jìn)行更深入的分析。相較于市面上的其他選擇，Amazon OpenSearch Service 擁有對(duì)類文本和類日志數(shù)據(jù)的高效處理能力，同時(shí)兼具支持同義詞和向量存儲(chǔ)的特性，這一疊加優(yōu)勢(shì)能夠進(jìn)一步提高了數(shù)據(jù)搜索和分析的精確度。
成效
辱罵識(shí)別準(zhǔn)確率達(dá)到 90% 以上:針對(duì)海外業(yè)務(wù)，沐瞳通過(guò) Amazon Bedrock 調(diào)用該業(yè)界領(lǐng)先 LLM 進(jìn)行辱罵識(shí)別分析后，其響應(yīng)速度相較于之前的大模型得到了明顯提升。同時(shí)，通過(guò)該LLM 的二次過(guò)濾功能，《MLBB》辱罵識(shí)別的準(zhǔn)確率也得到了顯著優(yōu)化，達(dá)到了90%以上。
支持 200k Token 輸入，輸出更精準(zhǔn):在輿情分析方面，該業(yè)界領(lǐng)先 LLM實(shí)現(xiàn)了更為精準(zhǔn)的結(jié)論輸出。由于該LLM支持 200k 的輸入，意味著相對(duì)于行業(yè)內(nèi)主流大模型 100k 上下文的 Token 輸入，該LLM支持的信息量增加一倍、擴(kuò)展到 200k 個(gè) Token，相當(dāng)于大約 15 萬(wàn)個(gè)單詞或超過(guò) 500 頁(yè)的材料，對(duì)于用戶每天評(píng)論 500-600k 的輸入，能夠輸出較少的文本切片，讓輸出結(jié)果更精準(zhǔn)。
靈活多樣的模型選擇，提升《MLBB》玩家體驗(yàn)：目前，《MLBB》中的辱罵識(shí)別場(chǎng)景由亞馬遜云科技 Amazon Bedrock 中的某業(yè)界領(lǐng)先 LLM以及另一主流模型聯(lián)合支持機(jī)器翻譯，并將翻譯后的結(jié)果進(jìn)行精準(zhǔn)識(shí)別。該 LLM 可以精準(zhǔn)識(shí)別小語(yǔ)種，并運(yùn)用系統(tǒng)調(diào)優(yōu)解決翻譯精度問題；而針對(duì)于輿情分析的應(yīng)用，《MLBB》基于亞馬遜云科技 Amazon Bedrock 調(diào)用該LLM 進(jìn)行文本摘要，將每日 14000 余條評(píng)論作為 Token 輸入，并對(duì)其進(jìn)行深化分析，進(jìn)一步夯實(shí)該游戲世界觀、角色的論證基礎(chǔ)，為未來(lái)新游戲角色的構(gòu)建提供事實(shí)依據(jù)。
快報(bào)
根據(jù)《網(wǎng)絡(luò)安全法》實(shí)名制要求，請(qǐng)綁定手機(jī)號(hào)后發(fā)表評(píng)論
這是LLM應(yīng)用的一個(gè)很好的場(chǎng)景，解決了跨語(yǔ)言監(jiān)管的難題。