A kérdés, hogy a GTA-széria ártott, vagy használt az emberiségnek, rengeteg vitát szül. Ennél jóval egyértelműbb viszont, hogy a program alkalmas környezetet teremt egyes mesterséges intelligenciák oktatásához. A játék közlekedési modelljét, a valósághű rendszert, valamint a változatos városképet most épp egy algoritmus vezetési képességeinek fejlesztéséhez használták fel.
Akad viszont egy kis probléma: ehhez rengeteg mintára, vagy éppen befektetett munkára van szükség. A kutatók azonban találtak megoldást, mégpedig egy igen váratlan helyen: a játékpiacon.
A GTA, mint oktatóprogram
Napjainkban rengeteg hiperrealisztikus program születik, ezek a hangoktól a képi világon át egészen a viselkedési modellekig sok használható sémát tartalmaznak.
Korábban már volt rá példa, hogy a szakértők ilyen játékok motorját lecsupaszítva hozzanak létre tanítóprogramokat. Az Intel Labs és a Darmstadti Műszaki Egyetem kutatói viszont ennél is továbbmentek: egyszerűen leemelték a polcról a GTA-t, majd szabadjára engedték benne a mesterséges intelligenciát.
Ehhez természetesen előbb létrehoztak egy, a tanulást segítő rendszert. Az új szoftverréteg a játék utcáin és útjain megtalálható objektumok osztályozza, az így létrejött címkéket pedig eljuttatja a mesterséges intelligenciához. Az algoritmus így tanulja meg a játékban és a valóságban is látható tárgyakat – azaz a gyalogosokat, autókat, lámpákat és egyéb elemeket – elkülöníteni.
A módszerrel természetesen nem válik egy csapásra sétagaloppá a fejlesztés.
A legnagyobb kihívást az jelenti, hogy a gépet a lehető legtöbb közlekedési szituációval megismertessék. A mesterséges intelligenciának akár ezer órányi játékban eltöltött időre is szüksége lehet, mire az egyszerű gyalogátkelésen át a frontális ütközésig mindenfajta helyzettel találkozik. A kutatók azonban így is úgy gondolják, a programjuk esetében ezzel a technikával spórolható meg a legtöbb idő és pénz. A mesterséges környezetben ugyanis az adatok begyűjtése és rendszerezése sokkal egyszerűbb és gyorsabb.
Kimutattuk, hogy ezek a szintetikus adatok majdnem olyan jók, sőt, néha jobbak is, mint a valódi képzéshez használt adatok.
– állapította meg Alizera Shafaei, a Brit Columbiai Egyetem PhD hallgatója, valamint az oktatásra alkalmas számítógépes játékok szakértője. Az algoritmusok ily módon történő tanítása közben természetesen előfordulhatnak hiányosságok, ezek pótlása azonban könnyedén megoldható valódi minták bevonásával.
Míg korábban a mesterséges intelligenciákat egyszerűbb játékokban vetették be, a közelmúltban egyre több fejlesztőcsoport dobta be saját algoritmusát a mély vízbe. A baltimore-i Johns Hopkins Egyetem kutatói például az Unreal motorra épülő programokban edzették rendszerüket – a játékmotor olyan alkotások alapja, mint a Hellblade.
(Via: Technology Review)
