211service.com
I stedet for å øve mestret denne AI-en sjakk ved å lese om det
Et sjakkbrett. Unsplash
Sjakkfans elsker ingenting mer enn å diskutere et mesterlig offer av Bobby Fischer eller en genial angrepslinje fra nåværende verdensmester Magnus Carlsen . Det viser seg at denne praten kan hjelpe AI-programmer med å lære å spille spillet på en ny måte. En dag kunne den samme teknikken tillate maskiner å bruke det emosjonelle innholdet i språket vårt til å mestre ulike praktiske oppgaver.
Sjakkalgoritmen, kalt FeelMATE , ble utviklet av forskerne Nicholas McCarthy, Isaac Kamlish og Isaac Bentata Chocron ved University College London. Den evaluerer kvaliteten på sjakktrekk ved å analysere reaksjonen til ekspertkommentatorer.
Teamet analyserte teksten til 2700 sjakkspillkommentarer tilgjengelig på nettet. De beskjærte kommentarer som ikke var relatert til trekk av høy kvalitet, og eksempler som var for tvetydige. Deretter brukte de en spesiell type tilbakevendende nevrale nettverk og ordinnleiringer (en matematisk teknikk som kobler sammen ord på grunnlag av deres betydning), trent på en annen toppmoderne modell for å analysere språk.
AI har nylig gjort betydelige fremskritt i parsing av språk. For eksempel viste en algoritme utviklet av forskere ved OpenAI, et forskningsselskap i San Francisco, seg i stand til å generere hele nyhetshistorier fra noen få ord.
Det neste trinnet i utviklingen av naturlig språkbehandling er å konvertere denne lærte informasjonen til håndgripelige handlinger for å hjelpe til med å løse virkelige oppgaver, sa forskerne i en e-post til MIT Technology Review. Vi følte at læringsstrategi fra tekstbaserte data kan være en svært viktig forskningsvei å utforske.
SentiMATE overrasket forskerne med sin evne til å utarbeide noen av de grunnleggende prinsippene i sjakk så vel som flere nøkkelstrategier, som forking (når to eller flere brikker er truet samtidig) og castling (når kongen og slottet begge flytter til en mer forsvarsposisjon på baksiden av brettet).
Det var neppe en AI-stormester: den klarte ikke å slå noen konvensjonelle sjakkroboter konsekvent. Men programmet demonstrerer løftet om å bruke språk for å finne ut hvordan du spiller spillet godt, med mindre treningsdata og mindre datakraft enn konvensjonelle tilnærminger krever.
Sjakk har lenge vært en målestokk for fremskritt innen maskinintelligens, fra Alan Turings program fra 1951 for å spille spillet (skrevet på papir) til Garry Kasparovs nederlag i hendene på IBMs Deep Blue.
Nylig demonstrerte Alphabet-datterselskapet DeepMind en sjakkvariant av AlphaGo, programmet som er i stand til å lære seg selv å spille det gamle kinesiske brettspillet Go. Dette programmet, kjent som AlphaZero , ble gitt spillereglene og deretter finpusset sine ferdigheter ved å spille mot andre versjoner av seg selv. Fordi det lærte seg selv, utviklet AlphaZero noen uvanlige og overraskende strategier. Men i likhet med Deep Blue trengte AlphaZero tusenvis av Googles spesialiserte Tensor Processing Unit (TPU)-brikker, samt data fra millioner av treningsspill.
Forskerne sier at læringsteknikkene som brukes av SentiMATE kan ha mange andre praktiske anvendelser utover sjakk. For eksempel kan de hjelpe maskiner med å analysere sport, forutsi økonomisk aktivitet og komme med bedre anbefalinger. Det er en overflod av bøker, blogger og aviser som alle venter på å bli lært av, påpeker teamet.