AI: Lernen vs. Strategisieren

Ich habe eine Theorie über KI, über die ich ein "Whitepaper" schreiben möchte. Die Unterscheidung, die ich in der KI erforschen möchte, ist Lernen vs. Strategisieren. Meine Frage ist, wo kann ich anderes Material zu diesem Thema lesen?

Lassen Sie mich ein Schachbeispiel geben. Sehen wir uns eine Schach-KI als Max-Baum an, bei der die Erfassung einer feindlichen Einheit den Wert dieser Einheit zur "Bewegungspunktzahl" für diese Entscheidung addiert (und der Verlust einer Figur diesen Wert ebenfalls von der Punktzahl abzieht). Das Erobern eines Bauern kann 1 Punkt, ein Springer 4 Punkte, ein Turm 5 Punkte usw. bringen.

Ein strategisches Vorgehen wäre eine KI, um diese Punkte anzuwenden und den nächsten Schritt zu bestimmen. z.B. Wählen Sie bei zehn möglichen Zügen am Ende von drei Zügen die beste (maximale Punktzahl) aus.

Lernen würde statistische Beobachtung anwenden, um diese Werte zu bestimmen. Wenn Sie 100 Spiele spielen, entscheidet die KI möglicherweise, dass das Erobern eines Bauern 2 Punkte und ein Springer 7 Punkte wert ist, während ein Turm nur 3 Punkte wert ist (basierend auf 100 Spielen).

Gibt es diese Unterscheidung bereits in der Literatur und wenn ja, wo kann ich darüber lesen ?

Bearbeiten: Kennt jemand ein Schachspiel (vorzugsweise mit Quellcode), das diesen Ansatz verwendet? Vielleicht Chess960 @ Home ?

Was Sie als Strategisierung bezeichnen, wird normalerweise als Suche in der KI-Community bezeichnet. Es umfasst einfache Algorithmen wie A * und DFS sowie Methoden für das heuristische Design für informierte Suchen wie A *.

Was Sie als Lernen bezeichnen, wird maschinelles Lernen bezeichnet , das traditionell in überwachtes Lernen , unbeaufsichtigtes Lernen und verstärkendes Lernen unterteilt wird . Die wahrscheinlich wichtigsten Bereiche für Spiele sind genetische Programmierung , neuronale Netze und unterstützende Vektormaschinen sowie Bayes'sche Netze . Aber maschinelles Lernen ist ein riesiges Feld und dies ist nur ein kleiner Teil der Werkzeuge, die es untersucht.

Wenn Sie sich wirklich für die verschiedenen Arten von KI-Ansätzen interessieren, empfehle ich, ein richtiges Lehrbuch wie KI: Ein moderner Ansatz zu kaufen, anstatt Wikipedia zu lesen.

Sie sollten AI auf jeden Fall als modernen Ansatz lesen . Das Buch ist ein bisschen teuer, aber Sie können keine ernsthafte Diskussion über KI führen, bis Sie einige Grundlagenarbeiten haben. Auch die 2. Auflage ist so gut wie die 3., wenn Sie also eine günstigere 2. Auflage finden, nehmen Sie sie.

Wenn Sie wirklich in das maschinelle Lernen einsteigen möchten, enthält Dr. Mitchells Buch viele wichtige Informationen.

Es ist bedauerlich, dass es eine so große Eintrittsbarriere für KI-Akademiker gibt. Aber es hilft Ihnen oder anderen nicht, wenn Sie ein Whitepaper veröffentlichen, das eindeutige (falsche) Vokabeln verwendet und Techniken behandelt, die in der Wissenschaft bereits bekannt sind.

Der Bereich, in dem Sie das Verhalten Ihres Gegners erlernen, um Ihr eigenes Verhalten zu verbessern, weist mehrere bemerkenswerte Einträge auf. Gute Spam-Filter machen genau das. Sie sollten in Paper Rock Scissors AI suchen. Das Besondere an PRS ist, dass es einfach ist und keine Suche erforderlich ist (AKA-Strategie). Die einzige Möglichkeit, wie die KI einen Menschen schlagen kann, besteht darin, seine Vorlieben zu lernen und sie auszunutzen.

Schauen Sie sich diesen von NYTimes gebauten PRS AI-Bot an.