Daftar Isi[Bersembunyi][Menunjukkan]
Video game terus memberikan tantangan bagi miliaran pemain di seluruh dunia. Anda mungkin belum mengetahuinya, tetapi algoritme pembelajaran mesin juga mulai menghadapi tantangan.
Saat ini ada sejumlah besar penelitian di bidang AI untuk melihat apakah metode pembelajaran mesin dapat diterapkan pada video game. Kemajuan substansial dalam bidang ini menunjukkan bahwa Mesin belajar agen dapat digunakan untuk meniru atau bahkan menggantikan pemain manusia.
Apa artinya ini bagi masa depan Video game?
Apakah proyek-proyek ini hanya untuk bersenang-senang, atau adakah alasan yang lebih dalam mengapa begitu banyak peneliti berfokus pada permainan?
Artikel ini akan mengupas secara singkat sejarah AI dalam video game. Setelah itu, kami akan memberi Anda gambaran singkat tentang beberapa teknik pembelajaran mesin yang dapat kami gunakan untuk mempelajari cara mengalahkan game. Kami kemudian akan melihat beberapa aplikasi sukses dari jaring saraf untuk belajar dan menguasai video game tertentu.
Sejarah Singkat AI dalam Game
Sebelum kita membahas mengapa jaring saraf menjadi algoritme ideal untuk memecahkan video game, mari kita lihat secara singkat bagaimana ilmuwan komputer menggunakan video game untuk memajukan penelitian mereka di AI.
Anda dapat berargumen bahwa, sejak awal, video game telah menjadi area penelitian yang menarik bagi para peneliti yang tertarik pada AI.
Meskipun tidak sepenuhnya berasal dari video game, catur telah menjadi fokus besar pada hari-hari awal AI. Pada tahun 1951, Dr. Dietrich Prinz menulis program bermain catur menggunakan komputer digital Ferranti Mark 1. Ini jauh di era ketika komputer besar ini harus membaca program dari pita kertas.
Program itu sendiri bukanlah AI catur yang lengkap. Karena keterbatasan komputer, Prinz hanya bisa membuat program yang memecahkan masalah catur mate-in-two. Rata-rata, program membutuhkan waktu 15-20 menit untuk menghitung setiap kemungkinan gerakan untuk pemain Putih dan Hitam.
Bekerja untuk meningkatkan catur dan catur AI telah meningkat dengan mantap selama beberapa dekade. Kemajuan mencapai puncaknya pada tahun 1997 ketika IBM Deep Blue mengalahkan grandmaster catur Rusia Garry Kasparov dalam sepasang enam pertandingan pertandingan. Saat ini, mesin catur yang dapat Anda temukan di ponsel Anda dapat mengalahkan Deep Blue.
Lawan AI mulai mendapatkan popularitas selama zaman keemasan video game arcade. Space Invaders tahun 1978 dan Pac-Man tahun 1980-an adalah beberapa pelopor industri dalam menciptakan AI yang cukup menantang bahkan gamer arcade paling veteran sekalipun.
Pac-Man, khususnya, adalah permainan populer bagi peneliti AI untuk bereksperimen. Berbagai kompetisi untuk Ms. Pac-Man telah diatur untuk menentukan tim mana yang dapat menghasilkan AI terbaik untuk mengalahkan permainan.
Game AI dan algoritma heuristik terus berkembang seiring kebutuhan akan lawan yang lebih cerdas muncul. Misalnya, AI tempur semakin populer karena genre seperti penembak orang pertama menjadi lebih umum.
Pembelajaran Mesin di Video Game
Karena teknik pembelajaran mesin dengan cepat meningkat popularitasnya, berbagai proyek penelitian mencoba menggunakan teknik baru ini untuk bermain video game.
Game seperti Dota 2, StarCraft, dan Doom dapat menjadi masalah untuk ini algoritma pembelajaran mesin menyelesaikan. Algoritma pembelajaran mendalam, khususnya, mampu mencapai dan bahkan melampaui kinerja tingkat manusia.
Grafik Lingkungan Belajar Arkade atau ALE memberi peneliti antarmuka untuk lebih dari seratus game Atari 2600. Platform sumber terbuka memungkinkan peneliti untuk membandingkan kinerja teknik pembelajaran mesin pada video game Atari klasik. Google bahkan menerbitkannya sendiri kertas menggunakan tujuh game dari ALE
Sementara itu, proyek seperti Yaitu Doom memberi peneliti AI kesempatan untuk melatih algoritme pembelajaran mesin untuk memainkan penembak orang pertama 3D.
Bagaimana Cara Kerjanya: Beberapa Konsep Utama
Jaringan Saraf Tiruan
Sebagian besar pendekatan untuk memecahkan video game dengan pembelajaran mesin melibatkan jenis algoritma yang dikenal sebagai jaringan saraf.
Anda dapat menganggap jaringan saraf sebagai program yang mencoba meniru cara kerja otak. Mirip dengan bagaimana otak kita terdiri dari neuron yang mengirimkan sinyal, jaring saraf juga mengandung neuron buatan.
Neuron buatan ini juga mentransfer sinyal satu sama lain, dengan masing-masing sinyal menjadi angka aktual. Jaringan saraf berisi banyak lapisan antara lapisan input dan output, yang disebut jaringan saraf dalam.
Pembelajaran penguatan
Teknik pembelajaran mesin umum lainnya yang relevan dengan pembelajaran video game adalah gagasan pembelajaran penguatan.
Teknik ini merupakan proses melatih seorang agen dengan menggunakan imbalan atau hukuman. Dengan pendekatan ini, agen harus dapat menemukan solusi untuk suatu masalah melalui trial and error.
Katakanlah kita ingin AI mengetahui cara memainkan game Snake. Tujuan gim ini sederhana: dapatkan poin sebanyak mungkin dengan mengonsumsi item dan menghindari ekor Anda yang semakin besar.
Dengan pembelajaran penguatan, kita dapat mendefinisikan fungsi hadiah R. Fungsi tersebut menambahkan poin saat Ular mengonsumsi item dan mengurangi poin saat Ular menabrak rintangan. Mengingat lingkungan saat ini dan serangkaian tindakan yang mungkin, model pembelajaran penguatan kami akan mencoba menghitung 'kebijakan' optimal yang memaksimalkan fungsi penghargaan kami.
Neuroevolusi
Menjaga tema dengan terinspirasi oleh alam, para peneliti juga menemukan keberhasilan dalam menerapkan ML ke video game melalui teknik yang dikenal sebagai neuroevolution.
Alih-alih menggunakan keturunan gradien untuk memperbarui neuron dalam jaringan, kita dapat menggunakan algoritme evolusioner untuk mencapai hasil yang lebih baik.
Algoritma evolusioner biasanya dimulai dengan menghasilkan populasi awal individu acak. Kami kemudian mengevaluasi individu-individu ini menggunakan kriteria tertentu. Individu terbaik dipilih sebagai “orang tua” dan dikembangbiakkan bersama untuk membentuk generasi individu baru. Individu-individu ini kemudian akan menggantikan individu yang paling tidak cocok dalam populasi.
Algoritme ini juga biasanya memperkenalkan beberapa bentuk operasi mutasi selama langkah persilangan atau "pemuliaan" untuk mempertahankan keragaman genetik.
Contoh Penelitian tentang Pembelajaran Mesin di Video Game
OpenAI Lima
OpenAI Lima adalah program komputer oleh OpenAI yang bertujuan untuk memainkan DOTA 2, game arena pertempuran seluler (MOBA) multipemain yang populer.
Program ini memanfaatkan teknik pembelajaran penguatan yang ada, diskalakan untuk belajar dari jutaan bingkai per detik. Berkat sistem pelatihan terdistribusi, OpenAI dapat memainkan game selama 180 tahun setiap hari.
Setelah periode pelatihan, OpenAI Five mampu mencapai kinerja tingkat ahli dan menunjukkan kerja sama dengan pemain manusia. Pada tahun 2019, OpenAI lima mampu mengalahkan 99.4% pemain dalam pertandingan publik.
Mengapa OpenAI memutuskan game ini? Menurut para peneliti, DOTA 2 memiliki mekanisme kompleks yang berada di luar jangkauan kedalaman yang ada penguatan pembelajaran algoritma.
Super Mario Bros
Aplikasi lain yang menarik dari jaring saraf dalam video game adalah penggunaan neuroevolution untuk memainkan platformer seperti Super Mario Bros.
Sebagai contoh, ini entri hackathon dimulai dengan tidak memiliki pengetahuan tentang permainan dan perlahan-lahan membangun fondasi tentang apa yang dibutuhkan untuk maju melalui suatu level.
Jaringan saraf yang berkembang sendiri mengambil status permainan saat ini sebagai kisi-kisi ubin. Pada awalnya, jaring saraf tidak memiliki pemahaman tentang apa arti setiap ubin, hanya saja ubin "udara" berbeda dari "ubin tanah" dan "ubin musuh."
Implementasi proyek hackathon dari neuroevolution menggunakan algoritme genetik NEAT untuk membiakkan jaring saraf yang berbeda secara selektif.
Pentingnya
Sekarang setelah Anda melihat beberapa contoh jaring saraf yang bermain video game, Anda mungkin bertanya-tanya apa gunanya semua ini.
Karena video game melibatkan interaksi kompleks antara agen dan lingkungannya, ini adalah tempat pengujian yang sempurna untuk membuat AI. Lingkungan virtual aman dan dapat dikontrol serta menyediakan pasokan data yang tak terbatas.
Penelitian yang dilakukan di bidang ini telah memberi para peneliti wawasan tentang bagaimana jaring saraf dapat dioptimalkan untuk mempelajari cara memecahkan masalah di dunia nyata.
Jaringan syaraf terinspirasi oleh cara kerja otak di alam. Dengan mempelajari bagaimana neuron buatan berperilaku saat mempelajari cara bermain video game, kita juga dapat memperoleh wawasan tentang bagaimana otak manusia bekerja.
Kesimpulan
Kesamaan antara jaringan saraf dan otak telah menyebabkan wawasan di kedua bidang. Penelitian berkelanjutan tentang bagaimana jaringan saraf dapat memecahkan masalah suatu hari nanti dapat mengarah pada bentuk-bentuk yang lebih maju kecerdasan buatan.
Bayangkan menggunakan AI yang disesuaikan dengan spesifikasi Anda yang dapat memainkan seluruh video game sebelum Anda membelinya untuk memberi tahu Anda apakah itu sepadan dengan waktu Anda. Akankah perusahaan video game menggunakan jaring saraf untuk meningkatkan desain game, level tweak, dan kesulitan lawan?
Menurut Anda apa yang akan terjadi ketika jaring saraf menjadi pemain utama?
Tinggalkan Balasan