Nem egészen, mint a könyvekben és a filmekben

A DARPA pénzelte cím nélküli játék és a fentebbi, ismert szoftverek közt ugyanakkor akad egy nem elhanyagolható különbség: bárki, aki az előbbivel játszik, bele kell, hogy egyezzen, hogy a digitális csatározások ideje alatt egy elektroencefalogramot (EEG) kötnek rá, hogy azzal tanulmányozzák az agyi tevékenységét. Illetve kamerákkal rögzítik a játékos szemmozgását is.

Ez a felállás persze hátborzongatóan ismerős lehet különböző popkultáris termékekből: Az utolsó csillagharcos, a Végjáték, de akár nem túl régi Armada is mind arról szólnak, hogy videojtátékokkal képezik a jövő szuper pilótáit, katonai döntéshozóit.

A valóélet azonban tartogat ezzel kapcsolatban egy csavart: nem a videojátékok képezik ki az embert, hanem pont fordítva: az emberi tevékenység segít létrehozni egy katonai algoritmust.

A játék alatt nyert információkat ugyanis mind betáplálják egy gépi tanulásos algoritmusba, amely aztán olyan szoftverek kifejlesztésében vesz majd részt, ami segítségével nagyszámú robotseregek, valóságos gépi rajok (kicsit mint a Mátrix masinái) válnak irányíthatóakká. Az elképzelés ugyanis az, hogy az emberi tevékenység alapján olyan komplex döntéshozatali folyamatokat tanulnak a gépek, melyek vezérelhetik a légi és szárazföldi robotegységeket.

Te jó ég, mi az a robotraj?

Az egész fejlesztés lényege éppen a rajintelligencia létrehozatala, amely a számítógépes tudományok egyik ága, és a nyolcvanas évek végén kezdtek el vele először foglalkozni. A rajintelligencia a központosítatlan, önszervező rendszerek kollektív viselkedéséről szól. Ezek a rendszerek lehetnek virtuálisak, vagy állhatnak akár valódi robotokból is. Rengeteg felhasználási terület létezik, ahol egyetlen, nagyon drága masina munkáját tudja elvégezni egy sereg, olcsó gép. Ezek lehetnek szárazföldi vagy légi műveletek, esetleg a kettő kombinációi.

Az emberi tényező

Az alapötlet szerint a gépi tanulással a mesterséges intelligencia ezeket a rajoknak nagyobb fokú önállóságot tud adni. Ugyanakkor egy robot kiképzése is elég nehéz, egy egész rajé, ahol rengeteg változót kell figyelembe venni, pedig még annál is komplikáltabb. Mindez szimulációk tízereinek a lefuttatását jelentené a gyakorlatban, ami elképesztően sok időt emészthet fel. Az emberi játékosok megfigyelése pedig ebből az időből tud lefaragni.

A kutatásvezető a következő hasonlattal élt: egy osztálynak lehet matekot tanítani úgy is, hogy az anyagot saját maguktól, a könyvekből próbálják elsajátítani. Egy másik, eredményesebb módszer viszont, ha egy tanár mutatja nekik az utat. Ebben az esetben a játékos a tanár, és a segítségével jócskán felpörög a tanulási szakasz: tízezer szimuláció helyett elég lesz ezer is, amit majd kiegészítenek az emberi játékosoktól nyert adatokkal.

A helyzet állása

A kutatás vezetője szerint a projekt elég „agresszív ütemben” halad. Jelenleg körülbelül féltávnál járnak. A mostani az adatgyűjtési szakasz, ami a játékosok számára a következőképp fog festeni: huszonöt résztvevő játszik majd hat-hét különböző véletlenszerű környezetben és komplexitásban kialakított játékkal. A StarCrafttal és a hasonló stratégiai programokkal szemben azonban itt egy-egy menet nem lesz hosszabb öt-tíz percnél. Ez idő alatt már kialakul a döntéshozatali stratégiák mintázata, amely aztán felhasználható a későbbi algoritmusnál.

Azt pedig a kutatás vezetője is elismeri, hogy az emberek olyan stratégiákat fundálnak ki, amelyekre a gépek képtelenek volnának.

(Képek: Pixabay)