ডিপমাইন্ড এজেন্ট 57 এআই একজন মানুষের চেয়ে আটারি গেমকে পরাজিত করে

সাধারণ ভিডিও গেমের মাধ্যমে একটি নিউরাল নেটওয়ার্ক চালিত করা তার প্রশিক্ষণের কার্যকারিতা পরীক্ষা করার একটি আদর্শ উপায়, সমাপ্তির ফলাফলগুলি মূল্যায়ন করার সহজ ক্ষমতার জন্য ধন্যবাদ৷ ডিপমাইন্ড (বর্ণমালার অংশ) দ্বারা 2012 সালে বিকশিত, 57টি আইকনিক আটারি 2600 গেমের বেঞ্চমার্ক স্ব-শিক্ষা সিস্টেমের ক্ষমতা পরীক্ষা করার জন্য একটি লিটমাস পরীক্ষা হয়ে ওঠে। এবং এখানে Agent57, একটি উন্নত RL এজেন্ট (রিইনফোর্সমেন্ট লার্নিং) DeepMind, সম্প্রতি দেখিয়েছি পূর্ববর্তী সিস্টেম থেকে একটি বিশাল লাফ এবং এটি ছিল AI এর প্রথম পুনরাবৃত্তি যা মানব খেলোয়াড়ের বেসলাইন অতিক্রম করেছে।

Agent57 AI কোম্পানির পূর্ববর্তী সিস্টেমের অভিজ্ঞতা বিবেচনা করে এবং মেটা-নিয়ন্ত্রণের সাথে পরিবেশের দক্ষ অন্বেষণের জন্য অ্যালগরিদমগুলিকে একত্রিত করে। বিশেষ করে, Agent57 Pitfall, Montezuma's Revenge, Solaris এবং Skiing-এ তার অতিমানবীয় দক্ষতা প্রমাণ করেছে - যে গেমগুলি আগের নিউরাল নেটওয়ার্কগুলিকে মারাত্মকভাবে পরীক্ষা করেছে৷ গবেষণা অনুসারে, Pitfall এবং Montezuma's Revenge এআইকে আরও ভালো ফলাফল অর্জনের জন্য আরও পরীক্ষা-নিরীক্ষা করতে বাধ্য করে। সোলারিস এবং স্কিইং নিউরাল নেটওয়ার্কগুলির জন্য কঠিন কারণ সাফল্যের অনেক লক্ষণ নেই - AI দীর্ঘ সময়ের জন্য জানে না এটি সঠিক কাজ করছে কিনা। ডিপমাইন্ড তার উত্তরাধিকারী AI এজেন্টের উপর তৈরি করেছে যাতে Agent57 পরিবেশ অন্বেষণ এবং গেমের পারফরম্যান্সের মূল্যায়ন করার পাশাপাশি স্কিইং-এর মতো গেমগুলিতে স্বল্প-মেয়াদী এবং দীর্ঘমেয়াদী আচরণের মধ্যে ট্রেড-অফকে অপ্টিমাইজ করার বিষয়ে আরও ভাল সিদ্ধান্ত নিতে পারে।

ফলাফল চিত্তাকর্ষক, কিন্তু AI এখনও অনেক দীর্ঘ পথ যেতে হবে. এই সিস্টেমগুলি একবারে শুধুমাত্র একটি গেম পরিচালনা করতে পারে, যা ডেভেলপারদের মতে, মানুষের ক্ষমতার বিপরীত: "মানুষের মস্তিষ্কে এত সহজে আসা সত্যিকারের নমনীয়তা এখনও AI এর নাগালের বাইরে।"

উত্স: 3dnews.ru