مکاترونیک نیوز | نقش اصلی ابزارهای هوش مصنوعی در بازی‌های حل پازل چگونه است؟
به گزارش مکاترونیک نیوز، مدت هاست که تلاش‌ها برای حل بازی‌ها توسط کامپیوتر و سیستم‌های هوش مصنوعی، به بازی‌های دو نفره (یعنی بازی‌های رومیزی مانند چکرز، شطرنج و مانند آنها) محدود شده است. بازی‌هایی که در آن می‌توان با استفاده از تکنیک‌های جستجوی هوش مصنوعی (AI) و تعداد زیادی آمار گیم پلی، نتیجه بازی را به طور مؤثر و دقیق پیش‌بینی کرد.
با این حال، از آنجایی که پازل‌ها اغلب به تنهایی بازی می‌شوند و دارای ویژگی‌های منحصر به فردی هستند، چنین استراتژی و روشی را نمی‌توان به راحتی به حوزه حل پازل تعمیم داد.
سپس این چالش مطرح شد که چگونه تکنیک هوش مصنوعی می‌تواند عملکرد خود را هنگام اعمال بر روی یک پازل تک عاملی حفظ کند و در عین حال به بازی‌های دو نفره نیز بپردازد؟
برای دهه‌ها تصور می شد که پازل‌ها و بازی‌ها قابل تبدیل یا بخشی از یک چیز هستند. در واقعیت، ممکن است همیشه اینطور نباشد. از نقطه نظر عملی، ما به صورت روزانه با “بازی” سروکار داریم: مانند برخورد با افراد ناآشنا. مثال‌های دیگر مانند عدم اطمینان از تصمیم گیری صحیح (مثلا در مورد ازدواج) یا اشتباه (مثل ترک شغل) یا عدم تصمیم گیری (یعنی پشیمانی از “چه می شود اگر”) مواردی از این قبیل می‌باشند. در این میان، اصطلاح «پازل» به چیزی اطلاق می‌شود که وجود آن شناخته شده است و حتی چیزی که هنوز کشف نشده است. یک مثال شناخته شده می تواند کشف یک ماده شگفت انگیز مانند گرافن و کاربردهای متعدد آن باشد که هنوز به بازار عرضه نشده است. با این حال، در یک محیط حل مسئله، کجا و چگونه می توان بین «پازل» و «بازی» مرز کشید؟
پروفسور هیرویوکی آیدا و همکارانش از مؤسسه علوم و فناوری پیشرفته ژاپن (JAIST) در کار اخیر خود که در مورد سیستم های مبتنی بر دانش منتشر شده است، سعی کردند به این دو سوال پاسخ دهند. این مقاله بر دو مشارکت کلیدی متمرکز است: (1) مشخص کردن حل‌پذیری یک پازل در موقعیت بازی تک عاملی با استفاده از بستر آزمایشی Minesweeper، و (2) یک عامل جدید هوش مصنوعی (AI) به نام حلگر PAFG را پیشنهاد می کند که ترکیبی جامع از چهار رویکرد را به کار می گیرد.
راه حل پیشنهادی با استفاده از داده های شناخته شده و ناشناخته از پازل Minesweeper، از تحقیقات پیشرفته در حل معما بهتر عمل کرد.
برای استفاده بهینه از دانش شناخته شده و ناشناخته در مورد انتخاب فعلی، برای برآورد دقیق تصمیم آتی، محققان از یک عامل هوش مصنوعی ساخته شده از دو استراتژی دانش محور و دو رویکرد داده محور استفاده کردند. در نتیجه، برای یک مسئله تصادفی تک عاملی مانند Minesweeper، می توان مرزی بین پارادایم حل پازل و بازی ایجاد کرد. در چالش های دنیای واقعی، جایی که مرز بین معلوم و ناشناخته اغلب مبهم است و تشخیص آن دشوار است، چنین شرایطی بسیار مهم است.
با توانایی عوامل هوش مصنوعی برای بهبود عملکرد حل پازل، مرز حلالیت آشکار می شود. چنین وضعیتی امکان تعریف واضح شرایط «پازل» و «بازی» را فراهم می‌کند، که معمولاً در بسیاری از موقعیت‌های زندگی واقعی یافت می‌شوند، مانند تعیین سرمایه‌گذاری با ریسک بالا، ارزیابی سطح ریسک یک تصمیم مهم، و غیره.
هیرویوکی آیدا، استاد مؤسسه علوم و فناوری پیشرفته ژاپن
در واقع، همه انسان‌ها در یک دنیای مین‌روب زندگی میکنند و سعی میکنند بفهمند چگونه به جلو بروند و در عین حال از “بمب” مخوف اجتناب کنند. با رشد سریع فناوری فعلی و در دسترس بودن یک چارچوب محاسباتی جدید، سؤالات بسیاری پدیدار شد (به عنوان مثال، اینترنت اشیا، خدمات مبتنی بر ابر، محاسبات لبه، محاسبات نورومورفیک و غیره). این معیار می‌تواند برای افراد (یعنی توان فنی)، جوامع (یعنی پذیرش فناوری)، جوامع (یعنی فرهنگ و هنجار) و شاید حتی سطوح ملی (یعنی تغییر سیاست‌ها و قوانین) اعمال شود.
فعالیت روزانه انسان شامل شرایط «بازی» و «پازل» زیادی است. با این حال، نگاشت پارادایم حل پذیری در مقیاس، شرایط مرزی بین معلوم و ناشناخته را می توان ایجاد کرد، خطر ناشناخته را به حداقل رساند و منفعت شناخته شده را به حداکثر رساند.
چانگ لیو، نویسنده ارشد مطالعه، موسسه پیشرفته علم و فناوری ژاپن
ام‌اس.
خانم لیو افزود : «چنین شاهکاری با اوج‌گیری تکنیک‌های مبتنی بر دانش، فناوری هوش مصنوعی و عدم اطمینان قابل اندازه‌گیری (مانند میزان برنده شدن، میزان موفقیت، نرخ پیشرفت و غیره) به دست می‌آید، در حالی که همچنان پازل را سرگرم‌کننده و چالش‌برانگیز نگه می‌دارد.
منبع خبر: https://www.azorobotics.com
نام خبرنگار: محمد آموت سر
