Au lieu de pratiquer, cette IA a maîtrisé les échecs en lisant à ce sujet

Un échiquier. Unsplash

Les fans d'échecs n'aiment rien de plus que de discuter d'un sacrifice magistral de Bobby Fisher ou une ligne d'attaque ingénieuse du champion du monde en titre Magnus Carlsen . Il s'avère que ce bavardage pourrait aider les programmes d'IA à apprendre à jouer au jeu d'une nouvelle manière. Un jour, la même technique pourrait permettre aux machines d'utiliser le contenu émotionnel de notre langage pour maîtriser diverses tâches pratiques.

L'algorithme d'échecs, appelé FeelMATE , a été développé par les chercheurs Nicholas McCarthy, Isaac Kamlish et Isaac Bentata Chocron de l'University College London. Il évalue la qualité des coups d'échecs en analysant la réaction de commentateurs experts.

L'équipe a analysé le texte de 2 700 commentaires de parties d'échecs disponibles en ligne. Ils ont éliminé les commentaires qui ne concernaient pas les mouvements de haute qualité et les exemples trop ambigus. Ensuite, ils ont utilisé un type spécial de réseau de neurones récurrents et d'incorporations de mots (une technique mathématique qui relie les mots sur la base de leur signification), entraînés sur un autre modèle de pointe pour analyser le langage.

L'IA a récemment fait des progrès significatifs dans l'analyse syntaxique du langage. Par exemple, un algorithme développé par des chercheurs d'OpenAI, une société de recherche à San Francisco, s'est avéré capable de générer des reportages entiers à partir d'une invite de quelques mots.

La prochaine étape dans l'avancement du traitement du langage naturel consiste à convertir ces informations apprises en actions tangibles pour aider à résoudre des tâches du monde réel, ont déclaré les chercheurs dans un e-mail au MIT Technology Review. Nous avons pensé que la stratégie d'apprentissage à partir de données textuelles pourrait être une piste de recherche très importante à explorer.

SentiMATE a surpris les chercheurs par sa capacité à élaborer certains des principes de base des échecs ainsi que plusieurs stratégies clés, telles que le bifurcation (lorsque deux pièces ou plus sont menacées simultanément) et le roque (lorsque le roi et le château se déplacent tous les deux vers un plus position défensive au dos du plateau).

Ce n'était guère un grand maître de l'IA : il n'a pas réussi à battre régulièrement certains robots d'échecs conventionnels. Mais le programme démontre la promesse d'utiliser le langage pour aider à comprendre comment bien jouer au jeu, avec moins de données d'entraînement et moins de puissance informatique que les approches conventionnelles ne l'exigent.

Les échecs ont longtemps été une référence en matière de progrès dans l'intelligence artificielle, depuis le programme d'Alan Turing de 1951 pour jouer au jeu (écrit sur papier) jusqu'à la défaite de Garry Kasparov face à Deep Blue d'IBM.

Plus récemment, la filiale d'Alphabet DeepMind a présenté une variante d'échecs d'AlphaGo, le programme capable d'apprendre à jouer à l'ancien jeu de société chinois Go. Ce programme, connu sous le nom de AlphaZéro , a reçu les règles du jeu et a ensuite perfectionné ses compétences en jouant contre d'autres versions de lui-même. Parce qu'il a appris tout seul, AlphaZero a développé des stratégies inhabituelles et surprenantes. Mais comme Deep Blue, AlphaZero avait besoin de milliers de puces Tensor Processing Unit (TPU) spécialisées de Google, ainsi que des données de millions de jeux d'entraînement.

Les chercheurs affirment que les techniques d'apprentissage utilisées par SentiMATE pourraient avoir de nombreuses autres applications pratiques au-delà des échecs. Par exemple, ils pourraient aider les machines à analyser les sports, à prédire l'activité financière et à faire de meilleures recommandations. Il existe une abondance de livres, de blogs et d'articles qui attendent tous d'être appris, souligne l'équipe.

cacher