Le tecniche di Artificial Intelligence spesso si basano su euristiche rubate dal mondo naturale.
Un esempio è il settore del Reinforcement Learning cheutilizza l’idea che sia possibile apprendere come raggiungere un obiettivo in un ambiente complesso se si sfruttano i feedback positivi e negativi rispetto alle azioni possibili.
Come il bambino impara — interagendo (in maniera piacevole o dolorosa) con l’ambiente — che un cibo è buono ma che il fuoco che serve per scaldarlo è pericoloso, queste tecniche permettono (se ben implementate) di apprendere strategie efficienti per raggiungere un obiettivo e adattarsi a eventuali cambiamenti.
Abbiamo creato un piccolo universo virtuale per mostrare quanto queste tecniche possano essere efficaci.
Il nostro piccolo mondo vede come protagonista un drone virtuale che ha una visibilità limitata (rappresentata dall’area del cerchio).
Lo spazio in cui vive è un rettangolo dove rimbalzano funghetti rossi e verdi: l’obiettivo è recuperare i funghi verdi (che danno un feedback positivo) e evitare i funghi rossi (che danno un feedback negativo).
Quanto può diventare esperto il drone apprendendo dalla propria esperienza?
L’esempio che mostriamo nel video utilizza un’implementazione dell’algoritmo di Deep Q Learning.
Queste tecniche sono largamente utilizzate nella robotica ma si possono traslare anche su ambienti più astratti.
Un esempio di utilizzo è l’advertising online: l’ambiente si può sondare solo quando viene a contatto con il componente pubblicitario (ad esempio quando un utente interagisce con l’adv).
In base alle azioni che l’algoritmo può effettuare sul componente pubblicitario (es. cambiare dinamicamente colore, posizione ecc.) e ai risultati positivi o negativi di queste azioni rispetto all’obiettivo (generalmente la conversione) si può apprendere una strategia efficiente in grado di massimizzare i risultati.
Interessato ad approfondire questa o altre tecniche AI?
Contattaci info@eliflab.com o visita il nostro sito www.eliflab.com