Iniziamo dalle basi perché servono davvero. Molti pensano di poter saltare questa parte, ma poi si ritrovano bloccati quando devono capire perché un modello non funziona come dovrebbe.

Lavorerai con Python e TensorFlow, ma non solo copiando codice. Costruirai reti neurali semplici e vedrai come reagiscono a dati diversi. Capirai cosa significa "addestrare" un modello e perché a volte ci vuole così tanto tempo.

• Configurazione ambiente Python e librerie essenziali
• Reti neurali feed-forward con esempi pratici di classificazione
• Overfitting e underfitting: come riconoscerli nei tuoi progetti
• Primo progetto: sistema di classificazione azioni giocatore

Qui le cose si fanno interessanti. Il reinforcement learning è quello che permette agli agenti di imparare giocando. Tipo quando alleni un NPC a superare ostacoli senza dirgli esattamente cosa fare.

Userai Unity ML-Agents perché è lo standard di fatto. All'inizio sembra complicato – lo è un po'. Ma una volta che vedi il tuo primo agente imparare a evitare ostacoli da solo, tutto diventa più chiaro.

• Q-Learning e policy gradient: teoria con applicazioni immediate
• Configurazione Unity ML-Agents per training locale
• Bilanciamento reward/penalty in ambienti di gioco reali
• Progetto pratico: NPC che impara strategia di combattimento

I behavior tree sono ovunque nei giochi moderni. Ma combinali con l'AI e puoi creare NPC che sembrano pensare davvero. Non che siano senzienti, chiariamolo. Però reagiscono in modo meno robotico.

Imparerai a costruire sistemi che cambiano in base al contesto. Un nemico che varia tattica quando si accorge che il giocatore usa sempre la stessa strategia. Roba del genere.

• Behavior tree vs finite state machine: quando usare cosa
• Integrazione decision-making AI con behavior esistenti
• Utility AI per decisioni contestuali complesse
• Progetto: sistema di squadra con coordinazione dinamica

La generazione procedurale esiste da anni, ma l'AI la porta a un altro livello. Puoi creare livelli che si adattano allo stile del giocatore. O texture che variano mantenendo coerenza visiva.

Attenzione però: procedurale non significa automatico. Devi impostare regole, vincoli, obiettivi. L'AI genera, ma tu devi guidare il processo. Altrimenti ottieni caos casuale, non contenuti giocabili.

• GAN per texture e asset grafici coerenti con lo stile di gioco
• Wave Function Collapse per level design vincolato
• Bilanciamento difficoltà attraverso analisi gameplay AI
• Progetto finale: sistema di generazione dungeon adattivo

Tutto bello in teoria, ma poi il gioco deve girare su hardware reale. E qui casca l'asino. Un modello che funziona sul tuo PC da sviluppo può mandare in crisi una console o un mobile.

Imparerai a ridurre dimensioni dei modelli senza perdere troppa qualità. A profilare performance e trovare i colli di bottiglia. E a decidere quando l'AI vale davvero la complessità che aggiunge al progetto.

• Model quantization e pruning per riduzione footprint
• Profiling AI performance in Unity e Unreal
• Strategie di fallback quando l'hardware è limitato
• Progetto conclusivo: integrazione completa in gioco funzionante