Sztuczna inteligencja w grach logicznych

Wyobraźmy sobie, że chcemy rozwiązać bardzo trudne zagadnienie technologiczne. Na przykład zbudować mechanizm regulujący warunki wewnątrz reaktora fuzyjnego.

Półtora roku po tryumfie AlphaGo nad Lee Sedolem zespół DeepMind w opublikowanym w piśmie Nature artykule "Mastering the game of Go without human knowledge" ogłosił stworzenie nowego, rewolucyjnego programu.

W grudniu 2015 w środowisku graczy go zaczęła krążyć informacja, że pewna angielska firma stworzyła program, który pokonał 5:0 trzykrotnego Mistrza Europy, mieszkającego we Francji Chińczyka Fana Hui.

Proces treningu sieci neuronowej polega na zautomatyzowanym dopasowywaniu jej wag, tak by coraz lepiej rozwiązywała ona zadania jakiegoś określonego rodzaju.

Czy ktoś mógłby za pomocą informatycznego algorytmu opisać, w jaki sposób rozpoznaje czyjąś twarz? Albo uchwycić w ciąg komputerowych instrukcji to, czym psy na fotografiach różnią się od kotów?

( obraz za Wikipedia ) Zacznę od przedstawienia mechanizmu działania MCTS. Jest to algorytm, który tworzy w pamięci komputera drzewo analizy.

Monte Carlo jest to znana od lat czterdziestych dwudziestego wieku metoda przybliżonego rozwiązywania zagadnień, które przy tradycyjnym podejściu, a więc rekurencyjnym lub iteracyjnym, byłyby ze względu na złożoność problemu nierozwiązywalne w sensownym czasie.

Zacznę od tego, jak powstawał i jak działał Deep Blue, szachowy system komputerowy (a więc algorytm i dedykowany dla niego sprzęt), który w 1997 roku pokonał ówczesnego mistrza świata, Garriego Kasparowa.