AI Dilatih Untuk Menjadi Seorang Dungeon Master Dan Menghasilkan Plot Untuk Dungeons Dan Dragons

Kecerdasan buatan telah menguasai bahkan permainan yang sangat kompleks seperti catur dan Go. Namun, permainan ini memiliki aturan yang telah ditetapkan sebelumnya dan metode interaksi yang sangat spesifik yang tidak memungkinkan pilihan kreatif. Sebuah permainan peran seperti Dungeons dan Dragons (DnD) memiliki cara yang tak terhingga banyak untuk dimainkan dibandingkan dengan permainan catur, tetapi ini tidak menghentikan peneliti untuk mencoba mengembangkan sistem AI yang mampu mengimprovisasi alur cerita untuk DnD atau permainan peran meja lainnya.

Peneliti AI terus mengerjakan cara baru untuk meningkatkan kemampuan bahasa generatif AI. Salah satu kemajuan terbesar dalam beberapa tahun terakhir adalah pengembangan GPT-2, yang dapat menghasilkan cerita yang koheren secara langsung. Namun, seperti yang dilaporkan Wired, mahasiswa pascasarjana Georgia Tech Lara Martin mengonseptualisasikan menggunakan DnD sebagai kasus uji untuk kemampuan bahasa generatif AI. Tujuannya pada dasarnya adalah menciptakan AI dungeon-master, yang mampu membuat skenario baru untuk permainan dan menyesuaikan skenario tersebut.

Menurut Wired, Martin telah mengerjakan AI dungeon master sejak 2018. Model generasi bahasa sering menggunakan pendekatan berbasis aturan atau pendekatan berbasis jaringan saraf. Baru-baru ini, ada minat yang meningkat untuk menggabungkan kedua teknik tersebut untuk menghasilkan bahasa. Pendekatan Martin menggunakan strategi generasi bahasa berbasis aturan bersama dengan jaringan saraf dalam. Pendekatan Martin terhadap generasi bahasa bergantung pada gagasan “peristiwa”. Peristiwa terdiri dari berbagai bagian ucapan seperti objek, subjek, dan kata kerja, yang model kombinasikan menjadi objek peristiwa yang koheren. Model tersebut dilatih pada alur cerita dari acara TV sci-fi populer seperti Futurama dan Doctor Who. Model tersebut diprima dengan string teks, yang akan dianalisis untuk peristiwa. Setelah mengekstrak peristiwa dari teks priming, model tersebut akan mencoba melanjutkan plot dengan menghasilkan peristiwa baru. Martin dapat memperluas pendekatan dasar ini dan memandu model untuk menghasilkan peristiwa tertentu yang diinginkan, seperti pernikahan dua karakter dalam cerita.

Martin bukanlah satu-satunya peneliti yang mencoba merancang AI yang mampu menceritakan kisah. Sebagai contoh, peneliti pembelajaran mesin Nick Walton baru-baru ini mengembangkan AI Dungeon, yang menggunakan model GPT-2 untuk membuat permainan teks-petualangan yang dihasilkan AI. Meskipun AI Dungeon biasanya menghasilkan teks yang setidaknya koheren, model tersebut cenderung kehilangan jejak narasi keseluruhan, memulai benang plot baru yang aneh, dan umumnya berperilaku aneh terhadap input pemain. Meskipun keterbatasan ini, permainan tersebut telah terbukti cukup populer, dengan lebih dari satu juta orang memainkannya.

Martin mengakui keterbatasan model tersebut, menyatakan bahwa model tersebut sering kali bingung, menghasilkan peristiwa plot yang tidak masuk akal, dan bahwa “kita belum dekat dengan kenyataan ini”. Meskipun demikian, Martin masih berharap bahwa model tersebut akan mengarah pada sesuatu yang berguna di masa depan. Martin juga berharap bahwa proyek ini dapat memberikan wawasan tentang bagaimana penciptaan kisah memanfaatkan aspek kecerdasan yang berbeda seperti imajinasi dan penjelmaan.

“Jika kita bisa menciptakan AI DM yang meyakinkan, itu akan memberi tahu kita lebih banyak tentang bagaimana kita menciptakan dan mengalami dunia-dunia ini,” Martin menjelaskan kepada Wired.

Juga dapat ditegaskan bahwa tantangan untuk mencapai prestasi yang sulit seperti menciptakan AI dungeon master adalah alasan yang cukup untuk mengejar proyek ini. Noah Smith, seorang profesor AI dan bahasa di Universitas Washington menjelaskan bahwa tujuan besar kadang-kadang membantu menciptakan aplikasi yang dapat digunakan, bahkan jika tantangan itu sendiri tidak dapat dicapai dalam waktu yang singkat.

Smith menjelaskan kepada Wired:

“Terkadang tujuan tantangan besar membantu banyak peneliti bergerak dalam satu arah. Dan beberapa hal yang muncul juga berguna dalam aplikasi yang lebih praktis.”