AI's om te concurreren in Minecraft Machine Learning Competitie

Zoals gerapporteerd door NATUUR, zal er binnenkort een nieuwe AI-wedstrijd plaatsvinden, de MineRL-wedstrijd, die AI-ingenieurs en codeerders zal aanmoedigen om programma's te maken die kunnen leren door observatie en voorbeeld. De testcase voor deze AI-systemen zal de zeer populaire crafting- en survival-videogame Minecraft zijn.

Kunstmatige-intelligentiesystemen hebben de afgelopen tijd een aantal indrukwekkende prestaties geleverd als het gaat om videogames. Onlangs versloeg een AI de beste menselijke spelers ter wereld in het strategiespel StarCraft II. StarCraft II heeft echter definieerbare doelen die gemakkelijker kunnen worden opgesplitst in coherente stappen die een AI kan gebruiken om te trainen. Een veel moeilijkere taak is voor een AI om te leren navigeren in een grote, open-wereld sandbox-game zoals Minecraft. Onderzoekers streven ernaar AI-programma's te helpen leren door observatie en voorbeeld, en als ze succesvol zijn, kunnen ze de hoeveelheid verwerkingskracht die nodig is om een ​​programma voor kunstmatige intelligentie te trainen aanzienlijk verminderen.

De deelnemers aan de wedstrijd hebben vier dagen de tijd om een ​​AI te maken die zal worden getest met Minecraft, waarbij ze tot acht miljoen stappen moeten nemen om hun AI te trainen. Het doel van de AI is om een ​​diamant in het spel te vinden door te graven. Acht miljoen trainingsstappen is een veel kortere tijdspanne dan de hoeveelheid tijd die tegenwoordig nodig is om krachtige AI-modellen te trainen, dus de deelnemers aan de wedstrijd moeten methoden ontwikkelen die drastisch verbeteren ten opzichte van de huidige trainingsmethoden.

De benaderingen die door de deelnemers worden gebruikt, zijn gebaseerd op een vorm van leren die imitatieleren wordt genoemd. Imitatieleren staat in contrast met versterkend leren, wat een populaire methode is voor het trainen van geavanceerde systemen zoals robotarmen in fabrieken of de AI's die menselijke spelers kunnen verslaan bij StarCraft II. Het belangrijkste nadeel van algoritmen voor versterkend leren is het feit dat ze een enorme computerverwerkingskracht nodig hebben om te trainen, waarbij ze vertrouwen op honderden of zelfs duizenden computers die aan elkaar zijn gekoppeld om te leren. Imitatieleren daarentegen is een veel efficiëntere en minder rekenkundig dure trainingsmethode. Imitatie-leeralgoritmen proberen na te bootsen hoe mensen leren door observatie.

William Guss, een promovendus in de theorie van diep leren aan de Carnegie Mellon University, legde aan Nature uit dat het een enorm moeilijke taak is om een ​​AI patronen in een omgeving te laten onderzoeken en leren, maar imitatieleren geeft de AI een basiskennis, of goede eerdere aannames over het milieu. Dit kan het trainen van een AI veel sneller maken in vergelijking met versterkend leren.

Minecraft dient om meerdere redenen als een bijzonder nuttige trainingsomgeving. Een van de redenen is dat Minecraft spelers in staat stelt om eenvoudige bouwstenen te gebruiken om complexe structuren en items te maken, en de vele stappen die nodig zijn om deze structuren te maken, dienen als tastbare markeringen van vooruitgang die onderzoekers kunnen gebruiken als maatstaven. Minecraft is ook enorm populair en daarom is het relatief eenvoudig om trainingsgegevens te verzamelen. De organisatoren van de MineRL-wedstrijd rekruteerden veel Minecraft-spelers om verschillende taken te demonstreren, zoals het maken van gereedschappen en het uit elkaar halen van blokken. Door het genereren van gegevens te crowdsourcen, konden onderzoekers 60 miljoen voorbeelden vastleggen van acties die in het spel konden worden ondernomen. De onderzoekers schonken ongeveer 1000 uur aan video aan de wedstrijdteams.

Gebruik de kennis die mensen hebben opgebouwd, zegt Rohin Shah, Ph.D. kandidaat in computerwetenschappen aan de Universiteit van Californië, legde Berkeley aan Nature uit dat deze wedstrijd waarschijnlijk de eerste is die zich richt op het gebruik van de kennis die mensen al hebben gegenereerd om de training van AI te versnellen.

Guss en de andere onderzoekers hopen dat de wedstrijd resultaten kan opleveren met implicaties die verder gaan dan Minecraft, waardoor betere imitatie-leeralgoritmen ontstaan ​​en meer mensen worden geïnspireerd om imitatie-leren te beschouwen als een levensvatbare vorm van training van een AI. Het onderzoek zou mogelijk kunnen helpen bij het creëren van AI's die beter in staat zijn om te communiceren met mensen in complexe, veranderende omgevingen.