Kui Covid-19 sundis inimesi eelmisel aastal oma kodudesse jääma, avastas arvutiteadlane Tom Zahavy taas oma huvi male vastu. Garry Kasparovi mälestuste lugemisest innustatuna süvenes Zahavy maletundidesse ja vaatas filme nagu “The Queen’s Gambit”, et toita oma äsja leitud huvi. Siiski sai Zahavy varsti aru, et ta oli malemõistatuste lahendamisel osavam kui tegelikus mängus. Need mõistatused esitasid kunstlikke olukordi, mis pani mängijad leidma uuenduslikke viise eelise saavutamiseks.
Eriti aitasid need malemõistatused tuua päevavalgele traditsiooniliste maleprogrammide piirangud. Aastal 2017 lõi matemaatik Sir Roger Penrose mõistatuse, mida isegi tugevaimad arvutimaleprogrammid õigesti lahendada ei suutnud. Zahavy märkas, et kuigi arvutid võiksid ületada inimmängijaid tavalises mängus, jäid nad hätta keeruliste probleemide lahendamisel väljaspool nende koolitusandmeid.
DeepMindis Google’is uurimistööd tegev Zahavy võttis sellele arusaamisele lähtepunktiks loovate probleemilahenduste uurimise võimalusena AI süsteemides. Tema ja tema meeskond arendasid ainulaadse lähenemise: ühendades kuni 10 otsustusvõime AI-süsteemi, mis on optimeeritud erinevateks strateegiateks. Algsena integreeriti tugev maleprogramm DeepMind AlphaZero. Koostööd tehes ja iga süsteemi tugevusi ära kasutades ületas uus programm AlphaZero üksi ning näitas suuremat oskust ja loovust Penrose’i mõistatuste lahendamisel. Iga kord, kui üks lähenemisviis jõudis ummikseisu, liikus programm sujuvalt teisele.
Zahavy lähenemise edukus paelus arvutiteadlast Allison Liemhetcharatit. Ta tunnustas erinevate AI-süsteemide kasutamise eeliseid, eriti probleemide lahendamise stsenaariumides väljaspool malet. Liemhetcharat rõhutas, et meeskond agentidega, kellel on erinevad valdkonnad, suurendab oluliselt keeruliste väljakutsete tõhusat käsitlemist.
See uuring näitab, et AI süsteemid võivad kasu saada koostööle suunatud probleemide lahendamisest ja mitmete lahenduste uurimisest. AI-uurija Imperial College Londonist Antoine Cully võrdles seda tehislikele ajurünnakutele, mis viivad loovate ja tõhusate probleemilahendusteni. Alternatiivsete lähenemisviiside otsimine võimaldab AI süsteemidel ületada nende piiranguid ja pakkuda uuenduslikke lahendusi.
Zahavy töö käsitleb ka tugevate maleprogrammide, nagu AlphaZero, aluseks oleva tugevdamise õppimise piiranguid. Kuigi tugevdamise õppimine võimaldab AI süsteemidel õppida ja täiustada proovimise ja eksimise teel, ei suuda nad sageli mängu mõista terviklikult. Zahavy märkas, et neil süsteemidel olid pimedad kohad, kui tegemist oli uute olukordade või probleemidega, millega nad varem kokku puutunud polnud. Võime näha läbikukkumist takistas nende võimet ilmutada loovust.
Edasiliikudes julgustab Zahavy uurimistöö integreerima läbikukkumise tunnustamist ja loovat probleemilahendust AI süsteemides. Nii saavad AI-programmid ületada pimedad kohad, laiendada oma probleemilahendusvõimet ja pakkuda nuanceeritumaid lahendusi.
Frequently Asked Questions (FAQ):
K: Mis inspireeris arvutiteadlast Tom Zahavy’t malehuvi taasavastama?
A: Tom Zahavy sai inspiratsiooni Garry Kasparovi mälestuste lugemisest ning malevideote ja filmide vaatamisest nagu “The Queen’s Gambit” Covid-19 sulgemisperioodil.
K: Mida mõistis Zahavy malemõistatuste ja traditsiooniliste maleprogrammide kohta?
A: Zahavy sai aru, et malemõistatused aitasid tuua päevavalgele traditsiooniliste maleprogrammide piirangud. Arvutid võisid ületada inimmängijaid tavamängudes, kuid nad olid hädas keeruliste probleemide lahendamisel väljaspool nende koolitusandmeid.
K: Kuidas lahendas Zahavy ja tema meeskond loovate probleemide lahendamise väljakutse AI süsteemides?
A: Zahavy ja tema meeskond kombineerisid kuni 10 otsustusvõimega AI süsteemi, mis oli optimeeritud erinevate strateegiate jaoks. Nad integreerisid DeepMind’i AlphaZero algselt ja kasutasid iga süsteemi tugevusi uue programmi loomiseks, mis ületas AlphaZero üksi.
K: Milline oli koostöö roll Zahavy lähenemises?
A: Koostöö oli Zahavy lähenemises oluline. Kui üks lähenemisviis jõudis ummikseisu, liikus programm sujuvalt teisele, võimaldades meeskonnal kombineerida erinevate süsteemide tugevusi.
K: Milliseid eeliseid nägi arvutiteadlane Allison Liemhetcharat mitmekesiste AI süsteemide kasutamisel?
A: Liemhetcharat rõhutas, et erinevaid AI-süsteeme, kes on koolitatud erinevates valdkondades, suurendavad tõhusalt keeruliste väljakutsete käsitlemise võimalusi mitte ainult males, vaid ka probleemilahenduse stsenaariumides väljaspool malemängu.
K: Mida näitab uuring AI süsteemide ja probleemilahenduse kohta?
A: Uuring näitab, et AI süsteemid võivad kasu saada koostööle suunatud probleemide lahendamisest ja mitmete lahenduste uurimisest. Alternatiivsete lähenemisviiside otsimine võimaldab neil ületada piiranguid ja pakkuda uuenduslikke lahendusi.
K: Milliseid piiranguid käsitleb Zahavy töö tugevdamise õppimises?
A: Zahavy töö käsitleb tugevdamise õppimise piiranguid, mis on tugevate maleprogrammide, nagu AlphaZero, aluseks. Need süsteemid omavad sageli pimedaid kohti, kui tegemist on uute olukordade või neile varem mittetuntud probleemidega.
K: Kuidas pakub Zahavy välja nende piirangute ületamise AI süsteemides?
A: Zahavy pakub välja läbikukkumise tunnustamise ja loova probleemilahenduse integreerimise AI süsteemides. Nii saavad AI programm ületada pimedad kohad, laiendada oma probleemilahendusvõimet ja pakkuda nuanceeritumaid lahendusi.
Märksõnad/Mõisted:
– AlphaZero: DeepMindi poolt arendatud võimas maleprogramm, mis kasutab mängimiseks tehisintellekti.
– Tugevdamise õppimine: Masinõppe tüüp, kus AI süsteem õpib läbi katsetamise ja eksimuste, saades tagasisidet ja kohandades vastavalt oma tegevust.
Soovitatavad Seotud Lingid:
– DeepMind’i AlphaGo
– Imperial College London
The source of the article is from the blog oinegro.com.br