Inteligência artificial - Aula 07

Prévia do material em texto

- -1
INTELIGÊNCIA ARTIFICIAL APLICADA A 
JOGOS DIGITAIS
APRENDIZADO DE MÁQUINA
- -2
Olá!
Nesta aula, você irá:
1. Conhecer o aprendizado de máquina e a necessidade (ou não) do seu uso.
2. Estudar as redes neurais.
3. Estudar as árvores de decisão.
1 Introdução
Jogos populares, como xadrez e dama, foram um dos pioneiros a utilizar técnicas de Aprendizado de Máquina,
também denominada, na literatura, como Machine Learning. Jogos modernos, que possuem gráficos e sons
realistas, alta interatividade e um gerenciamento mais cuidadoso dos recursos disponíveis, exigem a aplicação de
técnicas mais sofisticadas, indicando, assim, que estes novos jogos não são aplicações dedicadas a realizar
somente cálculos de Inteligência Artificial.
Nesta aula, são discutidas técnicas de aprendizado que estão sendo utilizadas, atualmente, em jogos de
entretenimento digital.
2 Usar ou não técnicas de aprendizado de máquina?
O campo de Aprendizado de Máquina, em jogos de entretenimento em tempo real, até o momento, foi pouco
explorado, mas já manifestou bons exemplos de sucesso. Há alguns motivos para a falta do uso de técnicas de
aprendizado, podemos citar:
A utilização dessas técnicas é vista como de alto risco.
Há sempre uma associação com técnicas, como redes neurais e algoritmos genéticos, que normalmente têm uma
“fama” de serem consideradas de difícil utilização em jogos.
Apesar da falta do uso dessas técnicas de Aprendizado de Máquina, ou algoritmos baseados no princípio de
aprendizado, há vários benefícios em favor de uma maior utilização das mesmas: adaptar o jogo a estilos de
jogadores que não foram previstos na fase de desenvolvimento; ou determinar soluções para problemas que
- -3
seriam difíceis de resolver manualmente. Por exemplo, no jogo Colin McRae Rally 2.0, é usada uma rede neural
para aprender como dirigir um carro, evitando a necessidade de escrever um conjunto complexo de regras para
esta tarefa.
Por outro lado, é preciso verificar a real necessidade da utilização de aprendizado em um jogo, pois, poderá
ocorrer uma situação, onde teremos um gasto elevado de tempo de desenvolvimento em algo que poderá não ser
percebido pelo jogador. Ou seja, vale a pena?
É fundamental analisar os benefícios para os desenvolvedores e jogadores e a quantidade adicional de
complexidade exigida para programar esses algoritmos, tanto nas fases de desenvolvimento, quanto nas de
testes. Às vezes, a escolha por uma “impressão de aprendizado” pode ser mais vantajosa. Por exemplo: induzir
erros para uma IA simples que resolve o problema e, com o passar do tempo, fazer que esta quantidade de erros
seja diminuída para passar a impressão ao jogador de um aprendizado progressivo.
3 Comportamento adaptativo do aprendizado de máquina
Em jogos, o aprendizado pode ser feito através de duas maneiras de comportamento adaptativo:
Adaptação indireta: Extrai dados do mundo que são usados pelo sistema de IA, para modificar o 
comportamento do agente. O desenvolvedor de IA interpreta e determina quais os dados provocam alguma
mudança no comportamento do agente.
Adaptação direta: São aplicados algoritmos de aprendizado no próprio agente.
4 Técnicas de aprendizado
Entre as técnicas de Aprendizado de Máquina utilizadas até o momento, existem as sem embasamento científico,
como por exemplo, a que foi implementada no jogo Magic & Mayhem, desenvolvido pela empresa Mythos Games,
em que o jogador assume o papel de um mago que deve destruir monstros, feiticeiros, entre outros obstáculos.
Nesse jogo, periodicamente, são gravadas informações sobre as disputas com o jogador e, antes de iniciar uma
nova batalha, a IA do jogo compara a técnica de ataque a ser utilizada com essas informações armazenadas para
determinar o grau de efetividade deste tipo de ataque. Dessa forma, o jogo tem uma característica de se adaptar
ao estilo do jogador.
Entre as técnicas com embasamento científico, destacam-se a utilização das Redes Neurais, Algoritmos Genéticos
e, mais recentemente, as Árvores de Decisão. Nas subseções a seguir, são dados os conceitos das técnicas, Redes
Neurais e Árvores de Decisão.
- -4
5 Redes neurais
As Redes Neurais são baseadas nos comportamentos dos neurônios no cérebro. Elas se caracterizam por um
modelo de processamento paralelo e distribuído. Os neurônios transmitem sinais através de impulsos elétricos e
esses sinais chegam até os neurônios através dos dendritos e saem através dos axônios.
Um cérebro humano é composto por cerca de 1011 neurônios e cada neurônio tem por volta de 10.000 conexões
através dos dendritos. A região onde um axônio encontra um dendrito é denominada sinapse.
6 Árvores de decisão
Amplamente utilizadas em algoritmos de classificação, as Árvores de Decisão são representações simples do
conhecimento, e um meio eficiente de construir classificadores que predizem ou revelam classes ou informações
úteis baseadas nos valores de atributos de um conjunto de dados. Eles são muito úteis em atividades de
mineração de dados, isto é, o processo de extração de informações previamente desconhecida, a partir de
grandes bases de dados. Aplicações dessa técnica podem ser vistas em diversas áreas, desde cenários de
negócios até sistemas de piloto automático de aeronaves e diagnósticos médicos.
- -5
O que vem na próxima aula
Na próxima aula, você estudará os seguintes assuntos:
• Os Agentes de Software e os Sistemas Multiagentes. Serão apresentados os conceitos e definição sobre 
agentes, seu histórico e aplicações, as arquiteturas e tipos de agentes.
CONCLUSÃO
Nesta aula, você:
• Conheceu o aprendizado de máquina e a necessidade (ou não) do seu uso.
• Estudou as redes neurais e as árvores de decisão.
•
•
•
	Olá!
	1 Introdução
	2 Usar ou não técnicas de aprendizado de máquina?
	3 Comportamento adaptativo do aprendizado de máquina
	4 Técnicas de aprendizado
	5 Redes neurais
	6 Árvores de decisão
	O que vem na próxima aula
	CONCLUSÃO