Esta lección es importante porque…
A continuación vamos explicando las distintas secciones de esta lección…
En Aprendizaje Automático, igual que ocurre definiendo comportamientos con Inteligencia Artificial clásica, cuando aparece algún comportamiento inteligente no previsto (algo que no se esperaba que el sistema aprenda) hablamos de «comportamiento emergente» o «inteligencia emergente».
juegos (esto es MUY relevante para tu asignatura de videojuegos)
El programador no le dice al agente cómo ganar; solo le dice qué se premia y qué se castiga. Como resultado, tras millones de iteraciones de entrenamiento (por ejemplo, en Unity ML-Agents), los agentes suelen descubrir estrategias, tácticas de juego o comportamientos complejos que el propio programador jamás habría previsto. Eso es, por definición, comportamiento emergente puro.
Al explicar RL, puedes usar el comportamiento emergente como la gran «motivación» o el gran resultado del tema. Explicas cómo reglas de recompensa muy sencillas acaban generando dinámicas de juego sofisticadas (como agentes coordinándose en un juego de escondite, o encontrando exploits en las físicas de un juego para moverse más rápido).
IA para juegos a saco NO ES UN TEMA, VA INTEGRADO AQUÍ, EN APRENDIZAJE POR REFUERZO YO CREO agentes y sistemas multiagente, comportamiento emergente (ufff, no sé que leches decir aquí), integrar esto con motores de juego (vamos, práctica con Unity ML-Agents.. no es teoría, son cosas que veremos en el laboratorio). Aquí es donde podría haber más solapamiento con IAV, ten cuidado. De hecho se lo voy a dejar todo a IAV.
Aplicaciones estrella: control de robótica, conduccion autónoma, trayectorias y estrategias óptimas en juegos, gestión logística…
En alguna parte podría mencionar que hay otros enfoques híbridos o distintos: existe el aprendizaje auto-supervisado (muy importante hoy en deep learning, de hecho), el aprendizaje semi-supervisado y el aprendizaje débilmente supervisado.
IA para NPCs (aunque el grueso de Game AI se ve en IAV, aquí se puede ver bastante de comportamiento de NPCs pero con estas técnicas de ML)
Última práctica: Configurar un entorno sencillo de Unity ya preparado (o proporcionarles tú el proyecto base) donde tengan que ajustar la función de recompensa y los hiperparámetros del archivo de configuración de ML-Agents para que el agente aprenda una tarea concreta.
Más información
Para complementar es recomendable consultar otros documentos.
- …
Esta página está licenciada bajo CC BY-NC-SA 4.0 por Laboratorios Narratech.