Des voitures autonomes aux robots extincteurs

Juin
14, 2021

4 minutes de lecture

Les avis exprimés par les contributeurs de Entrepreneur sont les leurs.

La théorie des jeux est un domaine des mathématiques appliquées qui traite de la façon dont les participants utilisent des stratégies et un raisonnement logique pour prendre des décisions dans des situations stratégiques comme les jeux. La théorie des jeux et l'Intelligence artificielle (IA) sont mises en œuvre dans les jeux en ligne et hors ligne, et ont également des applications réelles.

Concepts de la théorie des jeux 

Ces concepts de la théorie des jeux peuvent tous être appliqué à l'IA.

Equilibre de Nash

Dans l'équilibre de Nash, aucun des acteurs impliqués n'a d'avantage s'il change de stratégie. Généralement, pour expliquer cette théorie, le dilemme du prisonnier est utilisé. Dans ce cas, deux prisonniers ne peuvent pas être punis car il y a un manque de preuves. Ils sont séparés et ne sont pas autorisés à communiquer. Les prisonniers préféreraient être libres, alors les deux prisonniers témoignent l'un contre l'autre — c'est le point auquel l'équilibre de Nash est atteint.

Théorie des jeux inverses

En utilisant la théorie des jeux inverses, les jeux, ou situations stratégiques, sont développés en fonction des décisions et des choix que font les participants. Par cette méthode, nous essayons de déterminer pourquoi un participant a pris une décision particulière.

Algorithme MiniMax et élagage alpha-bêta

L'algorithme MiniMax revient en arrière pour évaluer les mouvements des joueurs. Un joueur est connu comme un maximum, dont les scores sont le score maximum possible tandis que l'autre est connu comme minimum, qui obtient la note minimale. La position du conseil décide alors quels joueurs du maximum ou du minimum gagneront, ce qui variera d'un jeu à l'autre. Nous utilisons cette théorie dans des jeux tels que les échecs, le morpion et les dames. Après l'algorithme MiniMax, l'algorithme d'élagage alpha-bêta est appliqué pour simplifier davantage les branches de l'algorithme MiniMax.

Connexe : Quand ne devriez-vous pas investir dans l'IA ?

Théorie des jeux à champ moyen

La théorie des jeux à champ moyen est un modèle créé pour gérer un environnement dans lequel plusieurs participants interagir en douceur. Cette théorie est un concept relativement nouveau dans la théorie des jeux. La principale différence entre les anciennes théories des jeux et celle-ci est que la première traitait de la façon dont deux participants interagissaient l'un avec l'autre. En revanche, celui-ci suggère comment un participant traite un groupe d'autres. En raison de la complexité des interactions entre les participants, la première théorie n'était pas applicable aux grands groupes. Mais avec l'introduction de la théorie des jeux à champ moyen, les situations impliquant de grands groupes peuvent être résolues rapidement et facilement.

Applications réelles de la théorie des jeux

Lorsque l'IA utilise les concepts de la théorie des jeux, il existe d'importantes applications réelles.

Réseaux accusatoires génératifs (GAN)

La ​​théorie des jeux inverses est essentielle pour créer un environnement d'IA tel que les réseaux accusatoires génératifs (GAN). Nous utilisons les GAN en machine learningoù le programme produit du contenu par lui-même sans être supervisé. Les GAN sont constitués de réseaux génératifs et discriminants. Le modèle génératif évalue les données qui leur sont fournies et détermine pourquoi un résultat particulier est produit tandis que le modèle discriminant les évalue.

La production d'images en est un exemple : Le modèle génératif prendrait des caractéristiques en entrée et créerait des images similaires en fonction de celles-ci. En revanche, le discriminateur les évaluerait et rejetterait les originaux pour ne pas correspondre aux critères donnés.

Apprentissage par renforcement multi-agents

Une autre application de la théorie des jeux est l'apprentissage par renforcement multi-agents (MARL), où nous introduisons un agent dans la situation dont il peut apprendre en interagissant avec lui. MARL est utilisé avec des scénarios de champ moyen (MFS). Ces systèmes sont avantageux dans les cas où les humains ne peuvent pas effectuer physiquement la tâche. Un exemple de ceci est l'utilisation de robots ou de drones pour se rendre dans des endroits inaccessibles aux humains.

Connexe : Comment les entrepreneurs peuvent utiliser l'IA pour booster leur activité

Réseaux adverses

Les réseaux adverses sont où des entrées anormales ou invalides sont fournies à un système pour explorer ses vulnérabilités. Si nous n'intégrons pas cela dans des techniques telles que le filtrage des spams ou la détection de logiciels malveillants, cela pourrait conduire à une faille de sécurité, donc en utilisant des concepts de théorie des jeux comme la théorie des jeux inverses, la situation d'un système et d'un adversaire est imitée. L'adversaire et le réseau visent à se vaincre l'un l'autre.

Quelques revers dans la théorie des jeux

Bien que la théorie des jeux puisse être efficace dans les scénarios où nous supposons les choses à l'avance, il peut y avoir quelques problèmes mineurs. Par exemple, dans les situations où nous pensons qu'il existe des informations complètes, nous pensons que les participants disposent d'un rapport complet, comprenant tous les faits, statistiques et données. Cela peut ne pas être exact dans certaines circonstances.

Connexe : 4 Industries qui sont perturbées par l'IA

La théorie des jeux est encore un sujet moins exploré et contient des réponses pour de nombreuses applications. S'il est exploré pleinement, il peut aider les problèmes actuels auxquels l'IA et l'apprentissage automatique sont confrontés, facilitant plusieurs percées dans la technologiece qui constituera un grand pas en avant dans l'automatisation. Des systèmes comme ceux-ci comprennent des voitures autonomes, des drones et des robots extincteurs, et des machines automatisées qui extraient du charbon.