Αγαπητέ χρήστη, παρατηρήσαμε οτι έχεις ενεργοποιημένο Ad Blocker.
Για την καλύτερη εμπειρία σου θα θέλαμε να σε παρακαλέσουμε να το απενεργοποιήσεις κατά την πλοήγησή σου στο site μας ή να προσθέσεις το enternity.gr στις εξαιρέσεις του Ad Blocker.
Με εκτίμηση, Η ομάδα του Enternity
** ";

Το κριτήριο σας πρέπει να ειναι τουλάχιστον 3 χαρακτήρες

Ορυχείο: AI - Προσφέροντας το Μέλλον - Σελίδα 2

Τα επιτραπέζια παιχνίδια όπως το σκάκι και η ντάμα έχουν υπάρξει τα κύρια παιχνίδια που δοκιμάζουμε την εξέλιξη της ΤΝ εδώ και δεκαετίες. Για ποιο λόγο τα έχουμε προτιμήσει τόσο καιρό για αυτό το σκοπό και τι πραγματικά σημαίνουν οι νίκες της ΤΝ απέναντι στην ανθρώπινη νοημοσύνη;
Καθ. Γιώργος Γιαννακάκης: Είναι πολλοί οι λόγοι που καθιστούν τα επιτραπέζια παιχνίδια σαν το Σκάκι και την Ντάμα ιδανικά για τη μελέτη της ΤΝ. Έχουν σαφώς καθορισμένους κανόνες, παίζονται μέσα σε πολύ συγκεκριμένα, προκαθορισμένα όρια, είναι παιχνίδια πλήρους πληροφορίας για τον αντίπαλο, δεν εμπεριέχουν τύχη (π.χ.
μέσω ενός ζαριού) και είναι παιχνίδια εναλλαγής σειράς (turn-based). Τέλος είναι πολύ δημοφιλή στις περισσότερες χώρες και θεωρούνται, κατά γενική ομολογία, ως περίπλοκα παιχνίδια που απαιτούν ιδιαίτερες ικανότητες από τους ανθρώπους. Είναι προφανές ότι η εμπειρική επίλυση αυτών των παιχνιδιών θα αποτελούσε μια κατάκτηση για την ΤΝ. Η νίκη του Deep Blue έναντι του Kasparov το 1997 και η επίλυση της Ντάμας από την ομάδα του Πανεπιστημίου της Αλμπέρτας το 2007, μας έμαθαν ότι οι υπολογιστές μπορούν να επιλύσουν τα ίδια προβλήματα με εμάς αλλά με διαφορετικούς τρόπους.




Τα τελευταία χρόνια η Google DeepMind κατάφερε να παίξει ορισμένα παιχνίδια του Atari 2600. Γιατί είναι σημαντική μια τέτοια εξέλιξη;
Καθ. Γιώργος Γιαννακάκης: Η ομάδα της Deepmind, το 2015, με τη χρήση βαθιάς ενισχυτικής μάθησης (deep reinforcement learning) δεν κατάφερε απλά να παίξει όλα τα παιχνίδια της πλατφόρμας Atari 2600, κατάφερε να παίξει πολλά από αυτά καλύτερα από κάθε άνθρωπο. Η εξέλιξη αυτή πρόσθεσε ένα ακόμα ορόσημο στα επιτεύγματα της ΤΝ, καθώς τα παιχνίδια του Atari 2600 είναι παιχνίδια πραγματικού χρόνου ενώ κάποια από αυτά εμπεριέχουν τυχαιότητα. Η επιτυχία του αλγόριθμου DQN έθεσε σημαντικές βάσεις για την κυριαρχία των τεχνικών βαθιάς μάθησης και εκτός παιχνιδιών, σε όλα δηλαδή τα πεδία της ΤΝ.

Αρχές της δεκαετίας του 1980 η ΤΝ δεν είχε τη σημασία που έχει σήμερα. Όσο απομακρυνθήκαμε από το νόημα του «playability» και σταθεροποιηθήκαμε στην έννοια του «gameplay», τότε η ΤΝ απέκτησε τη δική της ξεχωριστή οντότητα και πολλά videogames κρίνονται από το πόσο καλή ή κακή είναι. Μία τέλεια ΤΝ βέβαια δεν προσφέρει καλό gameplay. Πόσο δύσκολο είναι για τις σύγχρονες ομάδες ανάπτυξης να δημιουργήσουν μία ΤΝ που να έχει την κατάλληλη ισορροπία μεταξύ δυσκολίας και…κλεψίματος;
Καθ. Γιώργος Γιαννακάκης: Είναι σαφώς δυσκολότερο να δημιουργήσουμε ΤΝ η οποία δεν παίζει απλώς για να κερδίσει αλλά παίζει με τον κατάλληλο τρόπο έναντι οποιουδήποτε αντίπαλου. Κατά μια έννοια η εύρεση της κατάλληλης ισορροπίας (balancing) ή ακόμα περισσότερο της κατάλληλης εμπειρίας (experience) φαντάζουν ως άγια δισκοπότηρα του σύγχρονου σχεδιασμού και ανάπτυξης παιχνιδιών.

Η εξέλιξη της ΤΝ σε ένα videogame σήμερα διαφέρει ανά περίπτωση. Είναι ακόμα εντυπωσιακή η ΤΝ που συναντήσαμε στο Halo, 18 χρόνια πριν, και από τι εξαρτάται η καλύτερη εφαρμογή της γενικότερα;
Καθ. Γιώργος Γιαννακάκης: Νομίζω ότι έχουμε πολλά παραδείγματα παιχνιδιών με εξαιρετική ΤΝ σε πολύ δυσκολότερα παιχνίδια - όπως π.χ. η πρόσφατη επιτυχία του AlphaStar στο StarCraft. Η τεχνολογία είναι πλέον σε μεγάλο βαθμό διαθέσιμη. Εξαρτάται από το σχεδιαστή τι έμφαση και προϋπολογισμό θα δώσει στην ΤΝ για να επιτύχει καλύτερα αποτελέσματα. Μιλώντας για προϋπολογισμό, νομίζω ότι η επένδυση σε εναλλακτικούς ρόλους της ΤΝ στα παιχνίδια είναι ενδεχομένως πιο προσοδοφόρα: αυτοί περιλαμβάνουν, μεταξύ άλλων, καταγραφή των προφίλ των παίκτη (player profiling), διαδικαστική δημιουργία περιεχομένου (procedural content generation), χρήση της ΤΝ στη δοκιμή παιχνιδιών κ.ο.κ.

Ζούμε σε μια περίοδο που οι μεγάλες εταιρείες δεν επενδύουν αρκετά πλέον σε single player games με τη δικαιολογία ότι οι πωλήσεις τους δεν είναι αρκετές ή ότι εμπεριέχουν μεγάλο ρίσκο. Προσωπικά πιστεύω ότι η στασιμότητα στην ΤΝ είναι ένας βασικός παράγοντας για την όποια αδιαφορία του κοινού απέναντι σε τίτλους single player. Πιστεύετε ότι είμαστε σε μια μεταβατική περίοδο όπου η ΤΝ θα χάσει τη σημασία της συγκριτικά με το online multiplayer ή στο μεταίχμιο να ανακαλύψουμε τις πραγματικές της δυνατότητες;
Καθ. Γιώργος Γιαννακάκης: Ο βασικός περιορισμός δεν βρίσκεται στην ΤΝ αλλά στον τρόπο που σχεδιάζουμε παιχνίδια με αυτήν. Τα παιχνίδια παραδοσιακά σχεδιάζονται με γνώμονα που δεν τοποθετεί την ΤΝ σε κεντρικό ρόλο γιατί, απλούστατα, η ΤΝ ήταν για δεκαετίες πολύ περιορισμένη. Ακαδημαϊκά μιλώντας, εδώ και πολλά χρόνια τα finite state machines και ο AlphaStar, για παράδειγμα, δεν θεωρούνται από πολλούς ερευνητές ως αλγόριθμοι ΤΝ. Ήρθε ο καιρός να ενημερωθούμε και να αρχίσουμε να εκμεταλλευόμαστε όλα τα πλεονεκτήματα της σύγχρονης ΤΝ για το σχεδιασμό παιχνιδιών. Για το καλό των παιχνιδιών και το δικό μας, ως παίκτες και ως σχεδιαστές.

Ας μην ξεχνάμε ότι, δυνητικά, η ΤΝ μπορεί να αναλάβει οποιονδήποτε ρόλο που μπορεί να αναλάβει κάποιος από εμάς σε σχέση με τα παιχνίδια: μπορεί να τα παίξει, να τα σχεδιάσει, να τα αξιολογήσει, να κάνει μάρκετινγκ κ.ο.κ.

Τα παιχνίδια στρατηγικής σήμερα χρησιμοποιούν ακόμα σχεδιαστικά μοντέλα του 1990, όπου «έξυπνη» ΤΝ θεωρείται αυτή που κλέβει, στην ουσία, με ένα σωρό μπόνους που δεν λαμβάνει ο παίκτης και τα οποία αποσκοπούν να ανεβάσουν τεχνητά τη δυσκολία. Πόσο μακριά είμαστε από την ικανότητα του ΑΙ να παίξει με τους ίδιους κανόνες σε ένα τέτοιο πολύπλοκο σύστημα και να μπορεί να μας ανταγωνιστεί, τρόπον τινά, επί ίσοις όροις;
Καθ. Γιώργος Γιαννακάκης: Είμαστε πολύ κοντά - πολύ πιο κοντά από ό,τι φανταζόμασταν. Η πρόσφατη νίκη του AlphaStar της Deepmind έναντι κορυφαίων επαγγελματιών παικτών του StarCraft είναι η απόδειξη. Παρ’ ότι δεν είμαστε ακόμα σε θέση να πούμε ότι ο AlphaStar παίζει το παιχνίδι επί ίσοις όροις με επαγγελματίες παίκτες, το αποτέλεσμα παραμένει σημαντικό. Χωρίς να θέλω να κάνω ακριβείς προβλέψεις, αλλά, δεδομένης της διαθέσιμης τεχνολογίας (π.χ. βαθιά και ενισχυτική μάθηση, στοχαστική αναζήτηση δέντρου αποφάσεων), νομίζω ότι η ΤΝ που θα μπορεί να νικήσει οποιοδήποτε αντίπαλο σε οποιαδήποτε παιχνίδι στρατηγικής είναι πολύ πιο κοντά.

Το διάσημο Forza Motorsport χρησιμοποιεί τα λεγόμενα Drivatars, αντιπάλους με ΤΝ που μαθαίνουν από τους παίκτες που αγωνίζονται για να προσφέρουν πιο απρόβλεπτη εμπειρία στην οδήγηση. Είναι αυτό μια λύση για να έχουμε πιο πολυεπίπεδη ΤΝ στα videogames;
Καθ. Γιώργος Γιαννακάκης: Ναι, βεβαίως. Η μάθηση μέσω μίμησης (imitation learning) που χρησιμοποιούν και τσ Drivatars είναι ένας τρόπος που επιτρέπει την ύπαρξη πολυεπίπεδης ΤΝ στα παιχνίδια. Ένας άλλος τρόπος είναι η ενισχυτική μάθηση (reinforcement learning). Και οι δύο μέθοδοι, για παράδειγμα, αλλά με παραλλαγμένες μορφές, χρησιμοποιούνται από τον πρόσφατο και άκρως επιτυχημένο AlphaStar.



Με αφορμή τα Drivatars, μπορείτε να μας πείτε μερικά λόγια για το Player Modeling και σε τι βαθμό μπορεί να βοηθήσει για τη δημιουργία πιο πειστικού ΑΙ;
Καθ. Γιώργος Γιαννακάκης: Η μοντελοποίηση παίκτη (player modeling) μελετά κυρίως τη χρήση ΤΝ για τη δημιουργία υπολογιστικών μοντέλων παικτών. Με τον όρο «μοντέλο» αναφέρομαι σε μια μαθηματική αναπαράσταση που μπορεί να είναι ένα σύνολο κανόνων, παραμέτρων ή πιθανοτήτων το οποίο περιγράφει τη συνάρτηση μεταξύ των χαρακτηριστικών του παίκτη και της αλληλεπίδρασής του με το παιχνίδι, καθώς και την ανταπόκριση του παίκτη σε αυτήν την αλληλεπίδραση.

Τα παιχνίδια μπορούν να προκαλέσουν δυναμικά και σύνθετα συναισθήματα στον παίκτη, οι εκδηλώσεις των οποίων δεν μπορούν να καταγραφούν με τις κλασικές μεθόδους της ψυχολογίας. Έτσι, η κατανόηση και η μοντελοποίηση της αλληλεπίδρασης μεταξύ παίκτη και παιχνιδιού μπορεί να θεωρηθεί ως το «ιερό δισκοπότηρο» στο σχεδιασμό και την ανάπτυξη ενός παιχνιδιού. Ο σωστός σχεδιασμός της αλληλεπίδρασης και της εμπειρίας μπορεί να οδηγήσει σε ένα επιτυχημένο παιχνίδι που προσφέρει μοναδικές στιγμές στους παίκτες του. Οι μέθοδοι ΤΝ που χρησιμοποιούνται για τη μοντελοποίηση παίκτη βασίζονται κυρίως σε game/player analytics, data mining και machine learning.
 

Μείνε ενημερωμένος

ΓΙΑ ΝΑ ΜΗΝ ΧΑΝΕΙΣ ΚΑΝΕΝΑ ΣΗΜΑΝΤΙΚΟ ΝΕΟ ΜΑΣ, ΚΑΝΕ ΤΩΡΑ ΕΓΓΡΑΦΗ ΣΤΟ NEWSLETTER ΤΟΥ ENTERNITY.GR!