211service.com
Zou AlphaGo zich een weg kunnen banen door poker?
Een van de wetenschappers die verantwoordelijk is voor AlphaGo, de Google DeepMind-software die onlangs een van 's werelds beste Go-spelers versloeg, zegt dat dezelfde aanpak een verrassend competente pokerbot .
In tegenstelling tot bordspellen zoals Go of schaken, is poker een spel van onvolmaakte informatie, en om deze reden is het zelfs beter bestand tegen automatisering gebleken dan Go.
Gameplay bij poker houdt in dat je een strategie bedenkt op basis van de kaarten die je in je hand hebt en een gok wat er in de handen van je tegenstanders is. Pokerspelers proberen het gedrag van anderen aan de tafel te lezen met een combinatie van statistieken en subtielere gedragskenmerken.
Kunstmatige intelligentie: het is een soort magie.
Daarom kan het bouwen van een effectieve pokerbot met behulp van machine learning belangrijk zijn voor real-world toepassingen van AI. Het spel is relevant voor de speltheorie, waar het gaat om situaties van onderhandeling en samenwerking.
Hoewel Go ongelooflijk complex is en de strategische principes ervan niet gemakkelijk kunnen worden gecodeerd, was AlphaGo in ieder geval in staat om elk onderdeel van het spel te zien. AlphaGo gebruikte een combinatie van twee AI-technieken, diepgaand leren met versterking en zoeken naar bomen, om tot winnende Go-moves te komen. Diepe versterkingsleer omvat het trainen van een groot neuraal netwerk met positieve en negatieve beloningen, en het zoeken naar bomen is een wiskundige strategie om vooruit te kijken in een spel.
David Silver , de hoofdonderzoeker achter AlphaGo en docent aan University College London, een krant geplaatst eerder deze maand beschrijven pogingen om een pokerbot te bouwen met vergelijkbare technieken.
Samen met John Henry , een onderzoeksstudent aan de UCL, gebruikte Silver diepgaande versterkingsleer om een effectieve speelstrategie te produceren in zowel Leduc, een vereenvoudigde versie van poker met een kaartspel van slechts zes kaarten, als Texas Hold'em, de meest populaire vorm van het spel. Met Leduc bereikte de software een Nash-evenwicht, wat een optimale benadering betekent zoals gedefinieerd door de speltheorie. In Texas Hold'em bereikte het de prestaties van een deskundige menselijke speler.
Ondertussen heeft een team van onderzoekers van de Universiteit van Oxford en Google DeepMind hun aandacht gericht op twee op fantasie geïnspireerde kaartspellen: Magic: the Gathering en Hearthstone.
Deze spellen omvatten het spelen van kaarten die verschillende spreuken, wapens of wezens vertegenwoordigen tegen tegenstanders. Dit werk is veel inleidender en gewoon betrokken een neuraal netwerk trainen om de informatie op elke kaart te interpreteren , die ofwel gestructureerd kan zijn, zoals in een bepaalde kleur of nummer, ofwel ongestructureerd, zoals in tekst die beschrijft wat er gebeurt als de kaart wordt gespeeld.
Toch is het AI-team van Google duidelijk nog niet klaar met het bouwen van bovenmenselijke gamebots.
(Lees verder: Kotaku , de bewaker , Vijf lessen uit AlphaGo's historische overwinning )