beitrag_KI-spiele

KI für Spiele … und was sie uns für die Geschäftswelt bringt

Eine Kolumne der FH Salzburg:
Maximilian Tschuchnig, BSc
Junior Researcher, Informationstechnik & System-Management
Im März 2016 hat »AlphaGo«, ein intelligentes Computerprogramm des DeepMind-Teams von Google, einen der weltbesten Go-Spielenden unter Turnierbedingungen besiegt. Go, ein chinesisches Brettspiel, galt nach dem erfolgreichen Meistern von Schach im Jahre 1997 als die neue Herausforderung für künstliche Intelligenz. Warum ist dies der Fall und warum stecken Firmen wie IBM und Google enorme Summen in eine KI, die es ermöglicht, Schach- bzw. Go-Profis zu schlagen?
Maximilian Tschuchnig, BSc Junior Researcher, Informationstechnik & System-Management

Maximilian Tschuchnig, BSc
Foto: FH Salzburg

Brett- und Computerspiele basieren jeweils auf bestimmten Regelwerken. Manche Spiele laufen dabei nach einem einfachen Schema, meist mit Zufallselementen wie »Würfeln«, ab. Ein Beispiel dafür ist »Mensch, Ärgere Dich nicht«, bei dem die gewürfelte Augenzahl die Länge des nächsten Zuges vorgibt. Andere wiederum, so genannte Strategiespiele, bauen jedoch auf genau geplanten Entscheidungen auf, die es erfordern, mehrere Spielzüge im Voraus zu denken.
Bei reinen Strategiespielen ist es prinzipiell möglich, die Züge für das optimale Ergebnis auszurechnen – für uns Menschen ist es jedoch aufgrund der Komplexität oft nicht ganz einfach. IT-ExpertInnen bedienen sich dafür künstlicher Intelligenz, also der »Rechenkraft des Computers«. So ermittelt die Schach-KI »Stockfisch« beispielsweise den statistisch besten Zug, um sihreneinen Gegner »Schachmatt« zu setzen.
»Go« stellte die IT-ExpertInnen jedoch vor größeren Herausforderungen. Das Umzingelungsspiel wird als weltweit schwierigstes Brettspiel gesehen, da ein intuitives Verständnis der Regeln und des Spieles notwendig ist. Zur Erklärung: Bei »Go« geht es darum, Spielsteine so auf dem Spielbrett zu positionieren, dass ein möglichst großer Bereich derselben Farbe entsteht. Bestenfalls schließt man dabei noch Spielsteine des Gegners ein. Gewonnen hat schließlich die Person, die den größten Bereich legen und die meisten gegnerischen Steine »gefangen« nehmen konnte. Damit eine KI die beste Strategie dafür ermitteln kann, bedarf es im Vergleich zu den Schach-Programmen anderer komplexere Algorithmen.

Warum forschen Firmen daran, KIs zu trainieren, um Spiele zu lösen?
Firmen nutzen die Erkenntnisse, die in Spielalgorithmen gesammelt werden, für die Entwicklung innovativer Produkte. Dabei haben sie einerseits den Vorteil, auf Ergebnisse einer großen, motivierten Community (Open Source) zurückgreifen zu können. Andererseits haben sie den Mehrwert neue Methoden dort auszutesten, wo relativ schnell ein klares Ergebnis zu sehen ist. Das spart Zeit und Kosten.
Beispielsweise können die Modelle der Spiel-KIs auf Verkehrssimulationen angewandt werden. Eine KI lernt intuitiv und abstrakt zu denken, indem Methoden des Machine Learning, speziell des Deep Learning sowie des Reinforcement Learning eingesetzt werden. Im Fachjargon spricht man hier vonm Deep Q-Learning. In unserem Beispiel werden den KIs die Verkehrsregeln (im Spiel,quasi die Spielregeln) sowie der Maßstab für Erfolg (Punktezahl) vorgegebenen. Danach können zwei Städte simuliert werden, für die jeweils eine KI die Steuerung übernimmt. Beide KIs treten daraufhin gegeneinander an, mit dem Ziel, eine höhere Punkteanzahl als der Gegner zu erreichen. Die Punkte können hier beispielsweise durch die Anzahl der Fahrzeuge ermittelt werden, die pro Stunde eine Kreuzung überqueren. Je nachdem, welche KI den Verkehr besser regelt, gewinnt. Sie steigt in einer Liga weiter auf und verbessert ihre Fehler selbst. Dieser Prozess wird so lange wiederholt, bis eine gewisse Anzahl an Gewinnern übrig ist, aus welchen neue KIs gebildet werden. Die KIs lernen also komplett ohne menschliche Hilfe – wie im Spielszenario auch.

347 total views, 1 views today

Alle Beiträge aus Multimedia


Facebook IconInstagram