Privatprojekt

Boardgames AI Lab

Game-AI-Plattform für MCTS, Self-Play, Training und Modell-Evaluation

Boardgames AI Lab ist ein lokales Game-AI- und Backend-Labor für Tic-Tac-Toe, Connect Four, Onitama und Schach. Java/Spring Boot modelliert Regeln, PUCT/MCTS, Self-Play und Arena-Evaluation; eine React/Vite-Oberfläche macht Spiele, Jobs, Training und Modellartefakte bedienbar.

Boardgames AI Lab Play Studio mit laufender Connect-Four-Partie

Überblick

Das Projekt zeigt Backend- und AI-Engineering jenseits klassischer CRUD-Systeme: Spielregeln, Zustandsmodelle, Suchalgorithmen, Trainingsdaten und Model Registry müssen reproduzierbar zusammenspielen. Der aktuelle Stand nutzt Java/Spring Boot für Orchestrierung und Regeln, Python/PyTorch für BoardResNet-Training und eine React/Vite-Operator-UI; die frühere Vaadin-Oberfläche wurde damit abgelöst.

Engineering Highlights

Regelmodelle und Spielzustände für Tic-Tac-Toe, Connect Four, Onitama und Schach

PUCT/MCTS, Self-Play, Arena-Auswertung und Job-Orchestrierung als nachvollziehbare Backend-Komponenten

React/Vite-Operator-UI für Spiele, Simulationen, Training und Model Registry

BoardResNet-Training mit Python/PyTorch, ONNX-Export und reproduzierbaren Modellartefakten

Screenshots und Demos

Boardgames AI Lab Dashboard mit Spielbibliothek und Laufzeitmetriken — Dashboard für lokales Game-AI-Engineering: spielbare Games, aktive Jobs, registrierte Modelle und Runtime-Zustand.

Boardgames AI Lab Training Lab mit BoardResNet-Konfiguration — Training Lab für BoardResNet-Konfiguration, Preflight, lokale Trainer-Auswahl und reproduzierbare Initialisierung.