વિડિયો ગેમ્સ વિશ્વભરના અબજો ખેલાડીઓને પડકાર આપવાનું ચાલુ રાખે છે. તમે કદાચ તે હજુ સુધી જાણતા ન હોવ, પરંતુ મશીન લર્નિંગ એલ્ગોરિધમ્સ પણ પડકારનો સામનો કરવા લાગ્યા છે.
વિડિયો ગેમ્સમાં મશીન લર્નિંગ પદ્ધતિઓ લાગુ કરી શકાય કે કેમ તે જોવા માટે હાલમાં AI ના ક્ષેત્રમાં નોંધપાત્ર પ્રમાણમાં સંશોધન ચાલી રહ્યું છે. આ ક્ષેત્રમાં નોંધપાત્ર પ્રગતિ દર્શાવે છે કે મશીન શિક્ષણ એજન્ટોનો ઉપયોગ માનવ ખેલાડીનું અનુકરણ કરવા અથવા તેને બદલવા માટે પણ થઈ શકે છે.
ના ભવિષ્ય માટે આનો અર્થ શું છે વિડિઓ ગેમ્સ?
શું આ પ્રોજેક્ટ્સ ફક્ત મનોરંજન માટે છે, અથવા ઘણા બધા સંશોધકો રમતો પર ધ્યાન કેન્દ્રિત કરી રહ્યા છે તેના ઊંડા કારણો છે?
આ લેખ વિડીયો ગેમ્સમાં AI ના ઇતિહાસનું ટૂંકમાં અન્વેષણ કરશે. પછીથી, અમે તમને કેટલીક મશીન લર્નિંગ તકનીકોની ઝડપી ઝાંખી આપીશું જેનો ઉપયોગ અમે રમતોને કેવી રીતે હરાવવા તે શીખવા માટે કરી શકીએ છીએ. અમે પછી ની કેટલીક સફળ એપ્લિકેશનો જોઈશું ન્યુરલ નેટ ચોક્કસ વિડિયો ગેમ્સ શીખવા અને માસ્ટર કરવા માટે.
ગેમિંગમાં AI નો સંક્ષિપ્ત ઇતિહાસ
વિડિયો ગેમ્સને ઉકેલવા માટે ન્યુરલ નેટ આદર્શ અલ્ગોરિધમ કેમ બની ગયું છે તે અંગે વિચાર કરીએ તે પહેલાં, ચાલો સંક્ષિપ્તમાં જોઈએ કે કેવી રીતે કમ્પ્યુટર વૈજ્ઞાનિકોએ AI માં તેમના સંશોધનને આગળ વધારવા માટે વિડિઓ ગેમ્સનો ઉપયોગ કર્યો છે.
તમે એવી દલીલ કરી શકો છો કે, તેની શરૂઆતથી, વિડિયો ગેમ્સ એઆઈમાં રસ ધરાવતા સંશોધકો માટે સંશોધનનો ગરમ વિસ્તાર છે.
મૂળમાં સખત રીતે વિડિયો ગેમ ન હોવા છતાં, AI ના શરૂઆતના દિવસોમાં ચેસ પર વધુ ધ્યાન આપવામાં આવ્યું છે. 1951માં, ડૉ. ડાયટ્રિચ પ્રિન્ઝે ફેરાન્ટી માર્ક 1 ડિજિટલ કમ્પ્યુટરનો ઉપયોગ કરીને ચેસ રમવાનો પ્રોગ્રામ લખ્યો હતો. આ તે યુગમાં પાછું હતું જ્યારે આ વિશાળ કમ્પ્યુટર્સને કાગળની ટેપમાંથી પ્રોગ્રામ્સ વાંચવા પડતા હતા.
કાર્યક્રમ પોતે સંપૂર્ણ ચેસ એઆઈ ન હતો. કોમ્પ્યુટરની મર્યાદાઓને કારણે, પ્રિન્ઝ માત્ર એક પ્રોગ્રામ જ બનાવી શક્યો જે મેટ-ઈન-ટુ ચેસની સમસ્યાઓ હલ કરી શકે. સરેરાશ, શ્વેત અને કાળા ખેલાડીઓ માટે દરેક સંભવિત ચાલની ગણતરી કરવામાં પ્રોગ્રામને 15-20 મિનિટનો સમય લાગ્યો.
ચેસ અને ચેકર્સ AI ને સુધારવાનું કામ સમગ્ર દાયકાઓમાં સતત સુધર્યું છે. 1997માં આ પ્રગતિ તેની પરાકાષ્ઠાએ પહોંચી જ્યારે IBMના ડીપ બ્લુએ રશિયન ચેસ ગ્રાન્ડમાસ્ટર ગેરી કાસ્પારોવને છ-ગેમ મેચોની જોડીમાં હરાવ્યો. આજકાલ, તમે તમારા મોબાઇલ ફોન પર શોધી શકો છો તે ચેસ એન્જિન ડીપ બ્લુને હરાવી શકે છે.
વિડિઓ આર્કેડ ગેમ્સના સુવર્ણ યુગ દરમિયાન AI વિરોધીઓએ લોકપ્રિયતા મેળવવાનું શરૂ કર્યું. 1978ના સ્પેસ ઈનવેડર્સ અને 1980ના પેક-મેન એ AI બનાવવામાં ઉદ્યોગના કેટલાક અગ્રણીઓ છે જે આર્કેડ ગેમર્સના સૌથી અનુભવી ખેલાડીઓને પણ પૂરતા પ્રમાણમાં પડકાર આપી શકે છે.
પેક-મેન, ખાસ કરીને, AI સંશોધકો માટે પ્રયોગ કરવા માટે એક લોકપ્રિય રમત હતી. વિવિધ સ્પર્ધાઓ Ms. Pac-Man માટે રમતને હરાવવા માટે કઈ ટીમ શ્રેષ્ઠ AI સાથે આવી શકે તે નક્કી કરવા માટે આયોજન કરવામાં આવ્યું છે.
રમત AI અને હ્યુરિસ્ટિક અલ્ગોરિધમ્સ વિકસિત થવાનું ચાલુ રાખ્યું કારણ કે સ્માર્ટ વિરોધીઓની જરૂરિયાત ઊભી થઈ. ઉદાહરણ તરીકે, કોમ્બેટ AI લોકપ્રિયતામાં વધારો થયો કારણ કે પ્રથમ-વ્યક્તિ શૂટર્સ જેવી શૈલીઓ વધુ મુખ્ય પ્રવાહમાં બની હતી.
વિડિયો ગેમ્સમાં મશીન લર્નિંગ
જેમ જેમ મશીન લર્નિંગ તકનીકો ઝડપથી લોકપ્રિયતામાં વધારો કરે છે, વિવિધ સંશોધન પ્રોજેક્ટ્સે વિડિઓ ગેમ્સ રમવા માટે આ નવી તકનીકોનો ઉપયોગ કરવાનો પ્રયાસ કર્યો.
ડોટા 2, સ્ટારક્રાફ્ટ અને ડૂમ જેવી ગેમ્સ આ માટે સમસ્યાઓ તરીકે કામ કરી શકે છે મશીન લર્નિંગ એલ્ગોરિધમ્સ ઉકેલવું. ડીપ લર્નિંગ અલ્ગોરિધમ્સ, ખાસ કરીને, માનવ-સ્તરના પ્રદર્શનને હાંસલ કરવામાં અને તેને વટાવી પણ સક્ષમ હતા.
આ આર્કેડ લર્નિંગ પર્યાવરણ અથવા ALE એ સંશોધકોને સોથી વધુ અટારી 2600 રમતો માટે ઇન્ટરફેસ આપ્યો. ઓપન-સોર્સ પ્લેટફોર્મે સંશોધકોને ક્લાસિક અટારી વિડિયો ગેમ્સ પર મશીન લર્નિંગ તકનીકોના પ્રદર્શનને માપદંડ બનાવવાની મંજૂરી આપી. ગૂગલે પણ પોતાનું પ્રકાશિત કર્યું કાગળ ALE ની સાત રમતોનો ઉપયોગ કરીને
દરમિયાન, પ્રોજેક્ટ્સ જેવા વિઝડૂમ AI સંશોધકોને 3D પ્રથમ-વ્યક્તિ શૂટર્સ રમવા માટે મશીન લર્નિંગ અલ્ગોરિધમ્સને તાલીમ આપવાની તક આપી.
તે કેવી રીતે કાર્ય કરે છે: કેટલાક મુખ્ય ખ્યાલો
ન્યુરલ નેટવર્ક્સ
મશીન લર્નિંગ સાથે વિડિયો ગેમ્સ ઉકેલવાના મોટાભાગના અભિગમોમાં ન્યુરલ નેટવર્ક તરીકે ઓળખાતા અલ્ગોરિધમનો એક પ્રકારનો સમાવેશ થાય છે.
તમે ન્યુરલ નેટને એક પ્રોગ્રામ તરીકે વિચારી શકો છો જે મગજ કેવી રીતે કાર્ય કરી શકે છે તેની નકલ કરવાનો પ્રયાસ કરે છે. આપણું મગજ કેવી રીતે સિગ્નલ પ્રસારિત કરતા ન્યુરોન્સથી બનેલું છે તે જ રીતે, ન્યુરલ નેટમાં કૃત્રિમ ચેતાકોષો પણ હોય છે.
આ કૃત્રિમ ચેતાકોષો પણ એકબીજાને સિગ્નલ ટ્રાન્સફર કરે છે, જેમાં પ્રત્યેક સિગ્નલ એક વાસ્તવિક સંખ્યા છે. ન્યુરલ નેટ ઇનપુટ અને આઉટપુટ સ્તરો વચ્ચે બહુવિધ સ્તરો ધરાવે છે, જેને ડીપ ન્યુરલ નેટવર્ક કહેવાય છે.
મજબૂતીકરણ શીખવી
વિડિયો ગેમ્સ શીખવા માટે સંબંધિત બીજી સામાન્ય મશીન લર્નિંગ ટેકનિક એ રિઇન્ફોર્સમેન્ટ લર્નિંગનો વિચાર છે.
આ ટેકનિક એ એજન્ટને પુરસ્કાર અથવા સજાનો ઉપયોગ કરીને તાલીમ આપવાની પ્રક્રિયા છે. આ અભિગમ સાથે, એજન્ટ અજમાયશ અને ભૂલ દ્વારા સમસ્યાના ઉકેલ સાથે આવવા સક્ષમ હોવા જોઈએ.
ચાલો કહીએ કે સ્નેક ગેમ કેવી રીતે રમવી તે શોધવા માટે અમને AI જોઈએ છે. રમતનો ઉદ્દેશ્ય સરળ છે: વસ્તુઓનો વપરાશ કરીને અને તમારી વધતી પૂંછડીને ટાળીને શક્ય તેટલા વધુ પોઈન્ટ મેળવો.
રિઇન્ફોર્સમેન્ટ લર્નિંગ સાથે, અમે રિવોર્ડ ફંક્શન આર વ્યાખ્યાયિત કરી શકીએ છીએ. જ્યારે સાપ કોઈ વસ્તુનો ઉપયોગ કરે છે ત્યારે ફંક્શન પોઈન્ટ ઉમેરે છે અને જ્યારે સાપ કોઈ અવરોધને અથડાવે છે ત્યારે પોઈન્ટ કપાત કરે છે. વર્તમાન વાતાવરણ અને સંભવિત ક્રિયાઓના સમૂહને જોતાં, અમારું રિઇન્ફોર્સમેન્ટ લર્નિંગ મોડલ શ્રેષ્ઠ 'નીતિ'ની ગણતરી કરવાનો પ્રયાસ કરશે જે અમારા પુરસ્કાર કાર્યને મહત્તમ કરે છે.
ન્યુરોવોલ્યુશન
કુદરતથી પ્રેરિત હોવાની થીમને ધ્યાનમાં રાખીને, સંશોધકોને ન્યુરોઇવોલ્યુશન તરીકે ઓળખાતી ટેકનિક દ્વારા વિડિયો ગેમ્સમાં ML લાગુ કરવામાં પણ સફળતા મળી છે.
ઉપયોગ કરવાને બદલે ઢાળ વંશ નેટવર્કમાં ન્યુરોન્સને અપડેટ કરવા માટે, અમે વધુ સારા પરિણામો પ્રાપ્ત કરવા માટે ઉત્ક્રાંતિ અલ્ગોરિધમનો ઉપયોગ કરી શકીએ છીએ.
ઉત્ક્રાંતિ અલ્ગોરિધમ્સ સામાન્ય રીતે રેન્ડમ વ્યક્તિઓની પ્રારંભિક વસ્તી પેદા કરીને શરૂ થાય છે. પછી અમે ચોક્કસ માપદંડોનો ઉપયોગ કરીને આ વ્યક્તિઓનું મૂલ્યાંકન કરીએ છીએ. શ્રેષ્ઠ વ્યક્તિઓને "માતાપિતા" તરીકે પસંદ કરવામાં આવે છે અને વ્યક્તિઓની નવી પેઢી બનાવવા માટે એકસાથે ઉછેરવામાં આવે છે. આ વ્યક્તિઓ પછી વસ્તીમાં સૌથી ઓછી ફિટ વ્યક્તિઓનું સ્થાન લેશે.
આ અલ્ગોરિધમ્સ સામાન્ય રીતે આનુવંશિક વિવિધતા જાળવવા માટે ક્રોસઓવર અથવા "સંવર્ધન" પગલા દરમિયાન પરિવર્તનની કામગીરીના અમુક સ્વરૂપને પણ રજૂ કરે છે.
વિડિયો ગેમ્સમાં મશીન લર્નિંગ પર નમૂના સંશોધન
ઓપનએઆઈ ફાઈવ
ઓપનએઆઈ ફાઈવ OpenAI દ્વારા એક કમ્પ્યુટર પ્રોગ્રામ છે જેનો હેતુ DOTA 2, એક લોકપ્રિય મલ્ટિપ્લેયર મોબાઇલ બેટલ એરેના (MOBA) ગેમ રમવાનો છે.
પ્રોગ્રામે હાલની રિઇન્ફોર્સમેન્ટ લર્નિંગ ટેકનિકનો લાભ લીધો છે, જે પ્રતિ સેકન્ડ લાખો ફ્રેમ્સમાંથી શીખવા માટે માપવામાં આવી છે. વિતરિત તાલીમ પ્રણાલીને આભારી, OpenAI દરરોજ 180 વર્ષની કિંમતની રમતો રમવા માટે સક્ષમ હતી.
તાલીમના સમયગાળા પછી, OpenAI ફાઇવ નિષ્ણાત-સ્તરનું પ્રદર્શન હાંસલ કરવામાં અને માનવ ખેલાડીઓ સાથે સહકાર દર્શાવવામાં સક્ષમ હતું. 2019 માં, OpenAI ફાઇવ સક્ષમ હતું હાર જાહેર મેચોમાં 99.4% ખેલાડીઓ.
ઓપનએઆઈએ આ રમત પર કેમ નિર્ણય લીધો? સંશોધકોના મતે, DOTA 2માં જટિલ મિકેનિક્સ હતા જે હાલના ઊંડાણની પહોંચની બહાર હતા મજબૂતીકરણ શીખવાની એલ્ગોરિધમ્સ.
સુપર મારિયો બ્રધર્સ
વિડીયો ગેમ્સમાં ન્યુરલ નેટની બીજી રસપ્રદ એપ્લિકેશન સુપર મારિયો બ્રોસ જેવા પ્લેટફોર્મર રમવા માટે ન્યુરોવોલ્યુશનનો ઉપયોગ છે.
ઉદાહરણ તરીકે, આ હેકાથોન પ્રવેશ રમતની કોઈ જાણકારી ન હોવા સાથે શરૂ થાય છે અને ધીમે ધીમે એક સ્તર દ્વારા આગળ વધવા માટે શું જરૂરી છે તેનો પાયો બનાવે છે.
સ્વ-વિકસિત ન્યુરલ નેટ રમતની વર્તમાન સ્થિતિમાં ટાઇલ્સના ગ્રીડ તરીકે લે છે. શરૂઆતમાં, ન્યુરલ નેટને દરેક ટાઇલનો અર્થ શું થાય છે તેની કોઈ સમજણ હોતી નથી, માત્ર એટલું જ કે "એર" ટાઇલ્સ "ગ્રાઉન્ડ ટાઇલ્સ" અને "દુશ્મન ટાઇલ્સ" કરતા અલગ હોય છે.
હેકાથોન પ્રોજેક્ટના ન્યુરોઈવોલ્યુશનના અમલીકરણમાં વિવિધ ન્યુરલ નેટ્સને પસંદગીયુક્ત રીતે ઉછેરવા માટે NEAT આનુવંશિક અલ્ગોરિધમનો ઉપયોગ કરવામાં આવ્યો હતો.
મહત્વ
હવે જ્યારે તમે વિડીયો ગેમ્સ રમતા ન્યુરલ નેટના કેટલાક ઉદાહરણો જોયા છે, તો તમે વિચારતા હશો કે આ બધાનો અર્થ શું છે.
વિડિયો ગેમ્સમાં એજન્ટો અને તેમના વાતાવરણ વચ્ચે જટિલ ક્રિયાપ્રતિક્રિયાઓ સામેલ હોવાથી, તે AI બનાવવા માટેનું સંપૂર્ણ પરીક્ષણ મેદાન છે. વર્ચ્યુઅલ વાતાવરણ સલામત અને નિયંત્રિત છે અને ડેટાનો અનંત પુરવઠો પૂરો પાડે છે.
આ ક્ષેત્રમાં કરવામાં આવેલા સંશોધનોએ સંશોધકોને વાસ્તવિક દુનિયામાં સમસ્યાઓનું નિરાકરણ કેવી રીતે કરવું તે શીખવા માટે કેવી રીતે ન્યુરલ નેટને ઑપ્ટિમાઇઝ કરી શકાય તેની સમજ આપી છે.
ન્યુરલ નેટવર્ક્સ મગજ કુદરતી વિશ્વમાં કેવી રીતે કાર્ય કરે છે તેનાથી પ્રેરિત છે. વિડિઓ ગેમ કેવી રીતે રમવી તે શીખતી વખતે કૃત્રિમ ન્યુરોન્સ કેવી રીતે વર્તે છે તેનો અભ્યાસ કરીને, અમે કેવી રીતે માનવ મગજ કામ કરે છે.
ઉપસંહાર
ન્યુરલ નેટવર્ક અને મગજ વચ્ચેની સમાનતા બંને ક્ષેત્રોમાં આંતરદૃષ્ટિ તરફ દોરી ગઈ છે. કેવી રીતે ન્યુરલ નેટ સમસ્યાઓનું નિરાકરણ લાવી શકે છે તેના પર સતત સંશોધન કોઈ દિવસ વધુ અદ્યતન સ્વરૂપો તરફ દોરી શકે છે કૃત્રિમ બુદ્ધિ.
તમારા વિશિષ્ટતાઓને અનુરૂપ AIનો ઉપયોગ કરવાની કલ્પના કરો કે જે તમે ખરીદો તે પહેલાં એક આખી વિડિયો ગેમ રમી શકે છે જેથી તે તમને જણાવે કે તે તમારા સમય માટે યોગ્ય છે કે નહીં. શું વિડિયો ગેમ કંપનીઓ ગેમ ડિઝાઇન, ટ્વીક લેવલ અને પ્રતિસ્પર્ધીની મુશ્કેલી સુધારવા માટે ન્યુરલ નેટનો ઉપયોગ કરશે?
તમને શું લાગે છે જ્યારે ન્યુરલ નેટ્સ અંતિમ ગેમર્સ બનશે?
એક જવાબ છોડો