Tanto la Minería de Datos como el Aprendizaje Automático dan para mucho más. En este último tema vemos un par de lecciones complementarias para acercarnos más aún a lo que es el estado de la cuestión en Inteligencia Artificial actualmente.
Las lecciones a tratar en este tema son:
Aunque en este curso hemos dividido el mundo el Aprendizaje Automático en Supervisado, No Supervisado y por Refuerzo, existen enfoques híbridos o distintos. Existe por ejemplo el aprendizaje auto-supervisado (muy importante hoy como parte Aprendizaje Profundo, de hecho), el aprendizaje semi-supervisado y hasta el aprendizaje «débilmente supervisado».
Una lección extra que se podría añadir es el Aprendizaje por imitación… en cierto sentido se parece al Supervisado, aunque en la práctica va más allá del Aprendizaje por Refuerzo. Se usa la manera de jugar de un ser humano para «imitarle» y conseguir que un agente (a veces llamado learning agent) juegue a videojuegos. Ofrece técnicas como Behavioral Cloning, Imitation from Demostrations, DAgger y otras hibridaciones.
A día de hoy en videojuegos, los datos espaciales y de estado no siempre son vectores continuos; muchas veces son grafos (redes de nodos, NavMeshes, árboles de diálogo, relaciones sociales entre personajes). Por ello puede ser interesantes también mencionar que existen las Graph Neural Networks (GNN), procesas estructuras de grafos con Aprendizaje Profundo. Es útil para predecir flujos en mapas complejos, recomendaciones en redes de amigos o comportamiento de IA en redes de cobertura. Para ello hace falta cierto mapeo entre el Aprendizaje Automático y los algoritmos tradicionales de IAV que ya conoceis (A*, JPS+, Influence Maps). Por ejemplo, se puede usar aprendizaje supervisado para predecir la función heurística en un algoritmo A* y acelerar la búsqueda de caminos.
Ejercicios
Para practicar lo aprendido pueden hacerse algunos ejercicios.
Prácticas
Para aplicar los conocimientos y las técnicas de este tema podrían realizarse prácticas como estas:
- EJEMPLO, con una solución hecha por el profesor.
- Desarrollar modelos de aprendizaje profundo con PyTorch / Keras.
- Usar IA generativa para crear algo interesante, como un MOD o una ampliación de un juego real, diálogos de un NPC, misiones, un escenario o algo así, modelos 3D, texturas, enemigos, pequeños scripts… algo nuevo para el juego.
- Se puede ver cómo dando instrucciones a Claude Cowork es capaz de editar niveles (al menos en Unreal Engine 5.8 gracias a su MCP).
Referencias
Para complementar este tema es recomendable consultar otros documentos:
Esta página está licenciada bajo CC BY-NC-SA 4.0 por Laboratorios Narratech.