场景描述
注重玩家体验，是《MLBB》的基本原则。例如在开拓东南亚业务的过程中，沐瞳发现由于东南亚国家数量众多，且各地的互联网基建水平参差不齐，本地化工作面临严峻的挑战。
为此，沐瞳没有选择使用统一的语言包，而是为包含众多小语种国家在内的每个国家，分别制作了各自的语言包。这一策略使得早期《MLBB》覆盖了 20 多种语言，包括高棉语、塔加洛语等小语种，有效提升了当地玩家的游戏体验。
此外，《MLBB》的游戏运营也体现了其因地制宜的特征，实现了诸多成功的本地化实践。例如，针对不同地区的文化特色与历史传统，沐瞳推出了包括印尼金刚神 Gatotkaca、 菲律宾对抗外敌的民族英雄拉普拉普、马来西亚传奇勇士巴当、缅甸的江喜陀、韩国武将李舜臣等在内的多款本地化英雄，让各国 MLBB 玩家获得了强烈的文化认同感
解决方案
基于 Amazon Bedrock 调用业界领先大语言模型实现辱骂识别和精准舆情分析
在辱骂识别方面，沐瞳最初尝试过传统翻译服务，但由于游戏玩家交谈内容以东南亚本地小语种为主，涉及十几种东南亚语言，如果分别进行大模型自研开发会导致成本高昂，而如果完全依赖人工介入，不仅对辱骂判罚的响应速度相对较慢，还需要大量人力投入。
沐瞳于 2023年 10 月成为了 Amazon Bedrock 的首批用户。基于海外业务需求，沐瞳通过亚马逊云科技 Amazon Bedrock 调用业界领先 LLM ，实现文本处理任务。Amazon Bedrock 是一项完全托管的生成式 AI 服务，用户可以使用单个 API 调用众多领先的高性能大模型。其中，某业界领先 LLM 因其1.3 秒到 1.5 秒的快速响应能力和能够支持约 200K Token 输入的数据处理能力，受到了沐瞳的青睐。通过调用该模型，《MLBB》中辱骂识别的效率和准确性显著提高，同时舆情分析效率也得到了大幅提升。此外，面向海外业务，沐瞳还利用了该 LLM 进行提示词工程优化，帮助用户更有效地编写和模型调优的提示词，从而实现更优异的模型性能和输出效果。
在舆情分析以及风险控制方面，Amazon Bedrock 与 Amazon OpenSearch Service 的集成使得数据的处理和分析收效甚佳。Amazon OpenSearch Service 作为 PB 级别的搜索引擎，能够极大提升数据的检索效率，帮助沐瞳针对其海外业务迅速定位关键数据并提取，从而能将数据应用于 Amazon Bedrock 上进行更深入的分析。相较于市面上的其他选择，Amazon OpenSearch Service 拥有对类文本和类日志数据的高效处理能力，同时兼具支持同义词和向量存储的特性，这一叠加优势能够进一步提高了数据搜索和分析的精确度。
成效
辱骂识别准确率达到 90% 以上:针对海外业务，沐瞳通过 Amazon Bedrock 调用该业界领先 LLM 进行辱骂识别分析后，其响应速度相较于之前的大模型得到了明显提升。同时，通过该LLM 的二次过滤功能，《MLBB》辱骂识别的准确率也得到了显著优化，达到了90%以上。
支持 200k Token 输入，输出更精准:在舆情分析方面，该业界领先 LLM实现了更为精准的结论输出。由于该LLM支持 200k 的输入，意味着相对于行业内主流大模型 100k 上下文的 Token 输入，该LLM支持的信息量增加一倍、扩展到 200k 个 Token，相当于大约 15 万个单词或超过 500 页的材料，对于用户每天评论 500-600k 的输入，能够输出较少的文本切片，让输出结果更精准。
灵活多样的模型选择，提升《MLBB》玩家体验：目前，《MLBB》中的辱骂识别场景由亚马逊云科技 Amazon Bedrock 中的某业界领先 LLM以及另一主流模型联合支持机器翻译，并将翻译后的结果进行精准识别。该 LLM 可以精准识别小语种，并运用系统调优解决翻译精度问题；而针对于舆情分析的应用，《MLBB》基于亚马逊云科技 Amazon Bedrock 调用该LLM 进行文本摘要，将每日 14000 余条评论作为 Token 输入，并对其进行深化分析，进一步夯实该游戏世界观、角色的论证基础，为未来新游戏角色的构建提供事实依据。
快报
根据《网络安全法》实名制要求，请绑定手机号后发表评论
这是LLM应用的一个很好的场景，解决了跨语言监管的难题。