AI yang Akan Bersaing di Kompetisi Pembelajaran Mesin Minecraft

Sebagaimana dilaporkan oleh Nature, sebuah kompetisi AI baru akan segera terjadi, yaitu kompetisi MineRL, yang akan mendorong insinyur dan pengkode AI untuk menciptakan program yang dapat belajar melalui pengamatan dan contoh. Kasus uji untuk sistem AI ini akan menjadi permainan video yang sangat populer, yaitu Minecraft.

Sistem kecerdasan buatan telah mencapai beberapa prestasi yang mengesankan baru-baru ini dalam hal permainan video. Baru-baru ini, sebuah AI mengalahkan pemain manusia terbaik di dunia dalam permainan strategi StarCraft II. Namun, StarCraft II memiliki tujuan yang dapat didefinisikan dengan lebih mudah, sehingga lebih mudah untuk dipecah menjadi langkah-langkah yang koheren yang dapat digunakan AI untuk berlatih. Tugas yang jauh lebih sulit adalah membuat AI belajar bagaimana menavigasi permainan sandbox dunia terbuka seperti Minecraft. Peneliti berusaha membantu program AI belajar melalui pengamatan dan contoh, dan jika mereka berhasil, mereka dapat secara signifikan mengurangi jumlah daya pemrosesan yang diperlukan untuk melatih program kecerdasan buatan.

Partisipan dalam kompetisi ini akan memiliki empat hari untuk menciptakan AI yang akan diuji dengan Minecraft, dengan waktu pelatihan hingga delapan juta langkah. Tujuan dari AI ini adalah untuk menemukan berlian dalam permainan dengan menggali. Delapan juta langkah pelatihan adalah waktu yang jauh lebih singkat daripada waktu yang dibutuhkan untuk melatih model AI yang kuat saat ini, sehingga partisipan dalam kompetisi ini perlu merancang metode yang secara signifikan dapat meningkatkan metode pelatihan saat ini.

Pendekatan yang digunakan oleh partisipan didasarkan pada jenis pembelajaran yang disebut pembelajaran imitasi. Pembelajaran imitasi berbeda dengan pembelajaran penguatan, yang merupakan metode populer untuk melatih sistem yang canggih seperti lengan robot di pabrik atau AI yang dapat mengalahkan pemain manusia di StarCraft II. Kekurangan utama dari algoritma pembelajaran penguatan adalah bahwa mereka memerlukan daya pemrosesan komputer yang sangat besar untuk berlatih, bergantung pada ratusan atau bahkan ribuan komputer yang terhubung untuk belajar. Sebaliknya, pembelajaran imitasi adalah metode pelatihan yang jauh lebih efisien dan kurang memerlukan komputasi. Algoritma pembelajaran imitasi berusaha untuk meniru cara manusia belajar melalui pengamatan.

William Guss, seorang calon PhD di teori pembelajaran dalam dari Universitas Carnegie Mellon, menjelaskan kepada Nature bahwa membuat AI untuk mengeksplorasi dan belajar pola dalam lingkungan adalah tugas yang sangat sulit, tetapi pembelajaran imitasi memberikan AI dasar pengetahuan, atau asumsi yang baik, tentang lingkungan. Hal ini dapat membuat pelatihan AI menjadi lebih cepat dibandingkan dengan pembelajaran penguatan.

Minecraft berfungsi sebagai lingkungan pelatihan yang sangat berguna karena beberapa alasan. Salah satu alasan adalah bahwa Minecraft memungkinkan pemain untuk menggunakan blok bangunan sederhana untuk menciptakan struktur dan item yang kompleks, dan banyak langkah yang diperlukan untuk menciptakan struktur ini berfungsi sebagai penanda kemajuan yang nyata yang dapat digunakan peneliti sebagai metrik. Minecraft juga sangat populer, dan karena itu, relatif mudah untuk mengumpulkan data pelatihan. Penyelenggara kompetisi MineRL merekrut banyak pemain Minecraft untuk mendemonstrasikan berbagai tugas seperti menciptakan alat dan memecahkan blok. Dengan mengumpulkan data secara crowdsourcing, peneliti dapat menangkap 60 juta contoh tindakan yang dapat diambil dalam permainan. Peneliti memberikan sekitar 1000 jam video kepada tim kompetisi.

Gunakan pengetahuan yang telah dibangun oleh manusia, kata Rohin Shah, calon PhD di ilmu komputer di Universitas California, Berkeley, menjelaskan kepada Nature bahwa kompetisi ini kemungkinan adalah yang pertama untuk fokus pada menggunakan pengetahuan yang telah dibangun oleh manusia untuk mempercepat pelatihan AI.

Guss dan peneliti lainnya berharap bahwa kompetisi ini dapat memiliki hasil dengan implikasi di luar Minecraft, memberikan rise pada algoritma pembelajaran imitasi yang lebih baik dan menginspirasi lebih banyak orang untuk mempertimbangkan pembelajaran imitasi sebagai bentuk pelatihan AI yang layak. Penelitian ini dapat membantu menciptakan AI yang lebih mampu berinteraksi dengan manusia dalam lingkungan yang kompleks dan berubah.