AI: Lernen vs. Strategisieren

16

Ich habe eine Theorie über KI, über die ich ein "Whitepaper" schreiben möchte. Die Unterscheidung, die ich in der KI erforschen möchte, ist Lernen vs. Strategisieren. Meine Frage ist, wo kann ich anderes Material zu diesem Thema lesen?

Lassen Sie mich ein Schachbeispiel geben. Sehen wir uns eine Schach-KI als Max-Baum an, bei der die Erfassung einer feindlichen Einheit den Wert dieser Einheit zur "Bewegungspunktzahl" für diese Entscheidung addiert (und der Verlust einer Figur diesen Wert ebenfalls von der Punktzahl abzieht). Das Erobern eines Bauern kann 1 Punkt, ein Springer 4 Punkte, ein Turm 5 Punkte usw. bringen.

Ein strategisches Vorgehen wäre eine KI, um diese Punkte anzuwenden und den nächsten Schritt zu bestimmen. z.B. Wählen Sie bei zehn möglichen Zügen am Ende von drei Zügen die beste (maximale Punktzahl) aus.

Lernen würde statistische Beobachtung anwenden, um diese Werte zu bestimmen. Wenn Sie 100 Spiele spielen, entscheidet die KI möglicherweise, dass das Erobern eines Bauern 2 Punkte und ein Springer 7 Punkte wert ist, während ein Turm nur 3 Punkte wert ist (basierend auf 100 Spielen).

Gibt es diese Unterscheidung bereits in der Literatur und wenn ja, wo kann ich darüber lesen ?

Bearbeiten: Kennt jemand ein Schachspiel (vorzugsweise mit Quellcode), das diesen Ansatz verwendet? Vielleicht Chess960 @ Home ?

ashes999
quelle
3
Klingt nach einer Mischung aus Spieltheorie und 'Punkten', die gegen das epochenbasierte Lernen angepasst sind.
verzögerte

Antworten:

15

Was Sie als Strategisierung bezeichnen, wird normalerweise als Suche in der KI-Community bezeichnet. Es umfasst einfache Algorithmen wie A * und DFS sowie Methoden für das heuristische Design für informierte Suchen wie A *.

Was Sie als Lernen bezeichnen, wird maschinelles Lernen bezeichnet , das traditionell in überwachtes Lernen , unbeaufsichtigtes Lernen und verstärkendes Lernen unterteilt wird . Die wahrscheinlich wichtigsten Bereiche für Spiele sind genetische Programmierung , neuronale Netze und unterstützende Vektormaschinen sowie Bayes'sche Netze . Aber maschinelles Lernen ist ein riesiges Feld und dies ist nur ein kleiner Teil der Werkzeuge, die es untersucht.

Wenn Sie sich wirklich für die verschiedenen Arten von KI-Ansätzen interessieren, empfehle ich, ein richtiges Lehrbuch wie KI: Ein moderner Ansatz zu kaufen, anstatt Wikipedia zu lesen.


quelle
1
+1 für einen modernen Ansatz. Tolles Buch. Obwohl ich mit der Nützlichkeit neuronaler Netze in Spielen nicht einverstanden bin (Balken Schwarz und Weiß).
Ray Dey
Ich habe nicht gesagt, dass sie nützlich sind, nur wichtig. Sie wurden in mehreren Spielen verwendet und viele KI-Techniken basieren auf ihnen oder werden mit ihnen verglichen. Anders als zum Beispiel Datenclustering-Techniken, die ich unglaublich oft verwende, aber ich glaube, ich habe nichts Komplizierteres als k-means-Variationen in Spielen gesehen.
Das ist fair genug, ich stimme zu, dass sie die am besten geeigneten Bereiche für Spiele sind, sie brauchen nur ein bisschen Arbeit;)
Ray Dey
Es gibt einen dritten Ansatz (auch "Strategisierung" genannt), Expert Systems, bei dem Sie im Grunde genommen einen regelbasierten Algorithmus finden, für den möglicherweise überhaupt keine Suchbäume erforderlich sind, sondern im Wesentlichen eine Reihe von If-Thens.
Ian Schreiber
1
@ Ian: Ich bin mit Expertensystemen vertraut, aber es handelt sich nicht um eine Reihe von If-Thens. Tatsächlich werden moderne Expertensysteme mit den oben beschriebenen Werkzeugen implementiert - man kann maschinelles Lernen verwenden, um mögliche Inferenzregeln einzuschätzen, oder durch Vorwärts- oder Rückwärtsverkettung dieser Regeln suchen. Vielleicht denken Sie an Entscheidungsbäume, aber selbst diese werden häufig durch maschinelles Lernen erstellt und optimiert und durchsuchen mithilfe der Suche mehrere Pfade.
1

Sie sollten AI auf jeden Fall als modernen Ansatz lesen . Das Buch ist ein bisschen teuer, aber Sie können keine ernsthafte Diskussion über KI führen, bis Sie einige Grundlagenarbeiten haben. Auch die 2. Auflage ist so gut wie die 3., wenn Sie also eine günstigere 2. Auflage finden, nehmen Sie sie.

Wenn Sie wirklich in das maschinelle Lernen einsteigen möchten, enthält Dr. Mitchells Buch viele wichtige Informationen.

Es ist bedauerlich, dass es eine so große Eintrittsbarriere für KI-Akademiker gibt. Aber es hilft Ihnen oder anderen nicht, wenn Sie ein Whitepaper veröffentlichen, das eindeutige (falsche) Vokabeln verwendet und Techniken behandelt, die in der Wissenschaft bereits bekannt sind.

Der Bereich, in dem Sie das Verhalten Ihres Gegners erlernen, um Ihr eigenes Verhalten zu verbessern, weist mehrere bemerkenswerte Einträge auf. Gute Spam-Filter machen genau das. Sie sollten in Paper Rock Scissors AI suchen. Das Besondere an PRS ist, dass es einfach ist und keine Suche erforderlich ist (AKA-Strategie). Die einzige Möglichkeit, wie die KI einen Menschen schlagen kann, besteht darin, seine Vorlieben zu lernen und sie auszunutzen.

Schauen Sie sich diesen von NYTimes gebauten PRS AI-Bot an.

deft_code
quelle
Schön, aber nicht das, wonach ich suche. Joe Wreschnigs Antwort ist im Wesentlichen das, was ich will - die Terminologie dessen, worüber ich recherchieren / schreiben möchte. Außerdem beschäftige ich mich nicht viel mit Terminologie und theoretischer Forschung. Ich schreibe lieber eine wiederverwendbare Bibliothek und verteile sie, damit die Leute sie benutzen können.
Asche999