Gracze na całym świecie zastanawiają się, na jakich danych oparty jest czynnik zaufania wprowadzony w 2017 roku. Szczegóły systemu ujawnia opis patentu, który zgłosiło Valve w Stanach Zjednoczonych. Należy jednak zaznaczyć, że CS:GO nie korzysta ze wszystkich wymienionych niżej danych.

Na początek zacznijmy od odpowiedzi na pytanie, czym w ogóle jest czynnik zaufania? Jest to system polegający podobnie jak VACnet na uczeniu maszynowym. Pozwala on na odsianie osób podejrzanych o niewłaściwe zachowanie od zwyczajnych graczy. Może wpływać na niego wiele elementów, o czym wspomnimy w dalszej części tekstu, lecz deweloper Valve poinformował, że Counter-Strike bierze pod uwagę jedynie możliwość cheatowania.

Do uczenia się zachowań graczy Trust Factor może wykorzystywać dane z ich kont, w tym między innymi czas spędzony w określonej produkcji, bądź wszystkich grach, pory logowania, historię meczów, w tym całkowity wynik, procent trafień w głowę, liczbę zabójstw, asyst i śmierci, liczbę i częstotliwość zgłoszeń, uniewinnień i skazań (np. w Overwatchu), liczbę kont szacowaną po wspólnym adresie, numerze telefonu czy sparowanych środkach płatniczych, liczbę i wartości transakcji oraz wiele innych. Oczywiście ww. dane zostały jedynie wymienione we wniosku patentowym i jest ich więcej. Co więcej, firma Gabe'a Newella może dowolnie dodawać nowe zachowania wykorzystywane do udoskonalania systemu. Twórcy CS-a nie wykluczają możliwości trenowania systemu przy użyciu kont, które otrzymały w przeszłości VAC bana.

Warto wspomnieć, że czynnik zaufania prócz potencjalnych oszustów mógłby oddzielać również smurfów, osoby wychodzące z gry, toksycznych graczy czy grieferów. W razie potrzeby model uczenia się systemu może zostać skonfigurowany do wykrywania też innych zachowań mogących rujnować rozgrywkę innym. A co z profesjonalnymi zawodnikami czy pracownikami Valve, których wyniki mogą znacząco odstawać od standardowych? Na to też został znaleziony sposób – takim osobom przypisany może zostać współczynnik, który nie będzie się zmieniał podczas gry. Dzięki temu osoby z odmiennym zachowaniem mogą dalej brać udział w matchmakingach, nie będąc zmuszanym do walki z mniej zaufanymi graczami.

Kolejną ciekawą rzeczą, którą możemy wyczytać, jest to, że są dwa współczynniki zaufania – pozytywny i negatywny. W wybranych przypadkach system może wygenerować dwa prawdopodobieństwa, z czego jedno będzie przedstawiało szanse, według których gracz zachowa się zgodnie z przewidywaniami, a drugie, że zachowa się inaczej. Wynik uzyskany w ramach uczenia maszynowego może odnosić się do jednego z tych prawdopodobieństw, w celu ulepszenia procesu dobierania zawodników. Są również różne sposoby implementacji punktacji. Czasami jest ona wprost binarna, a wynik może zależeć od prawdopodobieństwa, że ktoś wykona działanie zgodne z oczekiwaniami. Zależność ta może być, choć nie musi, liniowa.

Jak widzicie, na czynnik zaufania wpływa naprawdę duża liczba parametrów zebrana od milionów graczy z całego świata. Mimo że obecnie system odsiewa jedynie potencjalnych oszustów, szanse jego rozwoju w przyszłości, zgodnie z informacjami z patentu, są ogromne, a przy prawidłowej implementacji jakość gry może naprawdę wzrosnąć. Więcej informacji dotyczących funkcjonalności czynniku zaufania znajdziecie pod tym adresem.