Yhdistelemällä erilaisia lähestymistapoja ja strategioita: Luovuuden tehostaminen tekoälyshakkiohjelmissa
Kun Covid-19 pakotti ihmiset kotiin viime vuonna, tietotieteilijä Tom Zahavy löysi uudelleen intohimonsa shakkiin. Lukemalla Garry Kasparovin muistelmateosta innoittamana Zahavy upposi shakkiin liittyviin videoihin ja elokuviin kuten ”The Queen’s Gambit” ruokkiakseen uutta kiinnostustaan. Zahavy kuitenkin pian huomasi olevansa parempi shakkipalapelien ratkaisuissa kuin itse pelissä. Nämä pulmat loivat keinotekoisia tilanteita, jotka haastoivat pelaajat löytämään innovatiivisia tapoja saavuttaa etulyöntiasema.
Erityisesti nämä shakkipalapelit auttoivat valaisemaan perinteisten shakkiohjelmien rajoituksia. Matemaatikko Sir Roger Penrose loi pulman vuonna 2017, jota edes vahvimmat tietokoneshakkiohjelmat eivät pystyneet ratkaisemaan oikein. Zahavy tunnisti, että vaikka tietokoneet pystyivät ylittämään ihmispelaajat normaalissa pelissä, ne kamppailivat monimutkaisten ongelmien ratkaisemisessa, jotka eivät olleet osa niiden koulutusaineistoa.
Googlen DeepMindillä työskentelevä tutkija Zahavy näki tämän oivalluksen tilaisuutena tutkia luovaa ongelmanratkaisua tekoälyjärjestelmissä. Hänen tiiminsä kehitti ainutlaatuisen lähestymistavan: yhdistämällä jopa 10 päätöksentekotekniikkaan perustuvaa tekoälyjärjestelmää, jotka oli optimoitu eri strategioille. He integroivat DeepMindin AlphaZeron, tehokkaan shakkiohjelman, lähtökohdaksi. Yhteistyöllä ja hyödyntämällä kunkin järjestelmän vahvuuksia uusi ohjelma suoriutui paremmin kuin pelkkä AlphaZero ja osoitti lisääntynyttä taitoa ja luovuutta ratkaista Penrosen pulmia. Aina kun yksi lähestymistapa törmäsi esteeseen, ohjelma siirtyi saumattomasti toiseen.
Zahavyn lähestymistavan menestys vakuutti tietotieteilijä Allison Liemhetcharatin. Hän tunnusti moninaisten tekoälyjärjestelmien käytön edut, erityisesti ongelmanratkaisutilanteissa shakin ulkopuolella. Liemhetcharat korosti, että tiimin käyttäminen, jossa eri aloille koulutetut agentit yhdistetään, lisää mahdollisuuksia ratkaista vaikeita haasteita tehokkaasti.
Tämä tutkimus osoittaa, että tekoälyjärjestelmät voivat hyötyä yhteistyössä tapahtuvasta ongelmanratkaisusta ja useiden ratkaisujen tutkimisesta. AI-tutkija Imperial College Londonista, Antoine Cully, vertasi sitä keinotekoisiin ideointisessioihin, jotka johtavat luovaan ja tehokkaaseen ongelmanratkaisuun. Etsimällä vaihtoehtoisia lähestymistapoja tekoälyjärjestelmät voivat ylittää rajoituksensa ja tarjota innovatiivisia ratkaisuja.
Zahavyn työ käsittelee myös vahvojen shakkiohjelmien kuten AlphaZeron taustalla olevien vahvistusoppimisen rajoituksia. Vaikka vahvistusoppiminen mahdollistaa tekoälyjärjestelmien oppimisen ja kehittymisen kokeilujen ja virheiden kautta, se usein epäonnistuu kehittämään kokonaisvaltaista ymmärrystä pelistä. Zahavy huomasi, että näillä järjestelmillä oli sokeita pisteitä uusissa tilanteissa tai ongelmissa, joita ne eivät olleet aiemmin kohdanneet. Kyvyttömyys tunnistaa epäonnistuminen esti niitä osoittamasta luovuutta.
Jatkossa Zahavyn tutkimus kannustaa yhdistämään epäonnistumisen tunnistamisen ja luovan ongelmanratkaisun tekoälyjärjestelmiin. Näin tehtäessä tekoälyohjelmat voivat voittaa sokeat pisteensä, laajentaa ongelmanratkaisukykyjään ja tarjota hienostuneempia ratkaisuja.
Usein kysytyt kysymykset
K: Mikä innoitti tietotieteilijä Tom Zahavyn löytämään uudelleen intohimonsa shakkia kohtaan?
V: Tom Zahavya innoitti Garry Kasparovin muistelmateoksen lukeminen ja shakkivideoiden sekä elokuvien kuten ”The Queen’s Gambit” katselu Covid-19:n lockdownin aikana.
K: Mitä Zahavy ymmärsi shakkipalapeleistä ja perinteisistä shakkiohjelmista?
V: Zahavy ymmärsi, että shakkipalapelit auttoivat valaisemaan perinteisten shakkiohjelmien rajoituksia. Tietokoneet pystyivät ylittämään ihmispelaajat normaalissa pelissä, mutta ne kamppailivat monimutkaisten ongelmien kanssa, jotka eivät olleet osa niiden koulutusaineistoa.
K: Miten Zahavy ja hänen tiiminsä lähestyivät luovaa ongelmanratkaisua tekoälyjärjestelmissä?
V: Zahavy ja hänen tiiminsä yhdistivät jopa 10 päätöksentekoa tekoälyjärjestelmää, jotka oli optimoitu eri strategioille. He integroivat DeepMindin AlphaZeron lähtökohdaksi ja hyödynsivät jokaisen järjestelmän vahvuuksia luodakseen uuden ohjelman, joka suoriutui paremmin kuin pelkkä AlphaZero yksinään.
K: Mikä oli yhteistyön rooli Zahavyn lähestymistavassa?
V: Yhteistyö oli ratkaisevassa asemassa Zahavyn lähestymistavassa. Kun yksi lähestymistapa törmäsi esteeseen, ohjelma siirtyi saumattomasti toiseen mahdollistaen eri järjestelmien vahvuuksien yhdistämisen.
K: Mitä etuja tietotieteilijä Allison Liemhetcharat näki monipuolisten tekoälyjärjestelmien käytössä?
V: Liemhetcharat korosti, että moninaiset tekoälyjärjestelmät, joilla on eri aloille koulutettuja agentteja, lisäävät mahdollisuuksia ratkaista vaikeita haasteita tehokkaasti, ei ainoastaan shakin vaan myös shakin ulkopuolisten ongelmanratkaisutilanteiden osalta.
K: Mitä tutkimus osoittaa tekoälyjärjestelmistä ja ongelmanratkaisusta?
V: Tutkimus osoittaa, että tekoälyjärjestelmät voivat hyötyä yhteistyössä tapahtuvasta ongelmanratkaisusta ja useiden ratkaisujen tutkimisesta. Vaihtoehtoisten lähestymistapojen etsiminen mahdollistaa niiden ylittää rajoituksensa ja tarjota innovatiivisia ratkaisuja.
K: Minkä rajoitukset Zahavyn työ käsittelee vahvistusoppimisessa?
V: Zahavyn työ käsittelee vahvistusoppimisen rajoituksia, joka on pohjana vahvoille shakkiohjelmille kuten AlphaZerolle. Nämä järjestelmät usein kohtaavat sokeita pisteitä uusissa tilanteissa tai ongelmissa, jotka ne eivät ole aiemmin kohdanneet.
K: Miten Zahavy ehdottaa näiden rajoitusten voittamista tekoälyjärjestelmissä?
V: Zahavy ehdottaa epäonnistumisen tunnistamisen ja luovan ongelmanratkaisun integroimista tekoälyjärjestelmiin. Näin tehtäessä tekoälyohjelmat voivat ylittää sokeat pisteensä, laajentaa ongelmanratkaisukykyjään ja tarjota hienostuneempia ratkaisuja.
The source of the article is from the blog macholevante.com