Baixe o app para aproveitar ainda mais
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
Compartilhar