а Minecraft (haar geschiedenis gedetailleerd beschreven Denis Koshelev) lijkt geen erg belangrijk hulpmiddel om geavanceerd onderzoek op het gebied van AI te ondersteunen. Is het tenslotte belangrijk om een machine te leren een sandbox-game te spelen die meer dan 10 jaar geleden is uitgebracht? Je zult verrast zijn, maar ja, en dit blijkt uit het laatste onderzoek van het OpenAI-laboratorium, dat de ontwikkeling van kunstmatige intelligentie bestudeert.
OpenAI altijd gericht op prestaties AI en machine learning waar de mensheid van kan profiteren. Het bedrijf heeft onlangs met succes een bot getraind om Minecraft te spelen met behulp van meer dan 70 uur aan gameplay-opnamen (dat is meer dan 2,9 dagen, of bijna 8 jaar, als er iets is). Deze prestatie markeert een enorme stap voorwaarts in geavanceerd machinaal leren met behulp van observatie en simulatie.
De OpenAI-bot is een goed voorbeeld van hoe simulatieleren (ook wel 'supervised learning' genoemd) werkt. In tegenstelling tot bekrachtigend leren, waarbij een leermiddel wordt beloond na het bereiken van een doel met vallen en opstaan, traint simulatie neurale netwerken om specifieke taken uit te voeren door te observeren hoe een persoon deze uitvoert. In dit geval gebruikte OpenAI bestaande gameplay-video's en tutorials om de bot in staat te stellen complexe spelscenario's uit te voeren waarvoor ongeveer 24 afzonderlijke acties nodig zouden zijn geweest voor een normale speler.
Ook interessant:
Imitatieleren vereist dat de videogegevens speciaal worden gelabeld om de context van de actie en het resultaat te bieden, d.w.z. dat AI kon begrijpen welke knoppen werden ingedrukt en welke bewegingen werden gemaakt. Maar een dergelijke aanpak kan tijdrovend zijn, waardoor er beperkte datasets beschikbaar zijn.
In plaats van hun spieren te buigen door een grootschalige handmatige datalabeling-oefening uit te voeren, gebruikte het OpenAI-onderzoeksteam een speciale aanpak die bekend staat als Video Pre-Training (VPT) om het aantal beschikbare video's uit te breiden. Aanvankelijk registreerden de onderzoekers 2 uur aan geannoteerde gameplay Minecraft en gebruikte het om de agent te trainen om bepaalde acties te associëren met specifieke resultaten op het scherm. Het resulterende model werd gebruikt om automatisch labels te genereren voor 70 uur aan voorheen niet-gelabelde Minecraft-content die online beschikbaar was. Dit gaf de bot een veel grotere dataset om naar te kijken en te simuleren.
Ook interessant:
Deze studie toont de potentiële waarde aan van toegankelijke videorepositories zoals YouTube, als educatief hulpmiddel voor AI. Wetenschappers op het gebied van machine learning kunnen toegankelijke en correct gelabelde video's gebruiken om AI te trainen in specifieke taken, van eenvoudige webnavigatie tot het helpen van gebruikers met fysieke behoeften in het echte leven.
U kunt Oekraïne helpen vechten tegen de Russische indringers. De beste manier om dit te doen is door geld te doneren aan de strijdkrachten van Oekraïne via Red het leven of via de officiële pagina NBU.
Ook interessant: