Les jeunes, les jeux vidéo et l’intelligence artificielle…

Temps de lecture : 4 minutes

Généralement, lorsqu’on est jeune, l’informatique et les mathématiques sont des domaines très abstraits, pas du tout sexy… « À quoi va me servir de savoir calculer le déterminant d’une matrice carrée dans ma vie? » « À quoi cela sert d’avoir des connaissances en programmation? ».

L’apprentissage machine (machine learning) appliqué au jeu vidéo est une excellente façon d’intéresser les plus jeunes à poursuivre des études dans les STEM (Science, Technologie, Engineering, Math). En effet, l’apprentissage machine (machine learning) est de plus en plus utilisé pour jouer aux jeux vidéo. Entre autres, l’apprentissage machine permet de développer des algorithmes qui jouent à votre place.

En moyenne, les jeunes passent entre 7 heures à 11 heures par semaine [1] à jouer aux jeux vidéo. Ce temps passé à jouer devant un écran pourrait être utilisé à de meilleures fins. Ainsi, l’apprentissage machine est une alternative qui permet aux jeunes de rallier leur passion à un domaine d’avenir.

Vous allez me dire, mais où est le plaisir de jouer au jeu vidéo si c’est une intelligence artificielle qui joue à votre place ? Le plaisir que procure le fait de jouer est remplacé par celui de développer un agent ou un algorithme qui a la capacité de faire de bons scores dans le jeu.

Exemples

Voici quelques exemples concrets qui vous donne une meilleure idée de ce qui se fait déjà en matière d’apprentissage machine pour jouer aux jeux vidéo. De plus, le domaine est encore en pleine croissance il y a donc beaucoup de marge de manœuvre pour améliorer ces modèles ou créer un algorithme pour votre jeu vidéo préféré.

FIFA

FIFA DEEP LEARNING DATA SCIENCE ai video games

 

Article :  https://towardsdatascience.com/building-a-deep-neural-network-to-play-fifa-18-dce54d45e675

Code : https://github.com/ChintanTrivedi/DeepGamingAI_FIFA

GTA

AI DEEP LEARNING DATA SCIENCE GTA ai video games

 

Article : https://pythonprogramming.net/game-frames-open-cv-python-plays-gta-v/

Code : https://github.com/Sentdex/pygta5

 

COUNTER STRICK

 ai video games deep learning data science

 

Article : https://www.kotaku.com.au/2017/07/bot-connor-is-here-to-slay/

Code :https://github.com/jeefo/yapb

MINECRAFT

MINECRAFT AI DATA SCIENCE DEEP LEARNING ai video games

 

Article : https://www.engadget.com/2016/03/14/microsoft-wants-you-to-train-ai-with-minecraft/

Code : https://github.com/evhub/minecraft-deep-learning

 

 

Quel type de machine learning permet de faire cela?

Le Q-learning (branche du reinforcement learning) permet entre autres de développer des agents qui améliorent leurs compétences dans un champ très précis et permettant par la suite d’automatiser un processus, grâce à un enchaînement de fonctions qui définit un état, une action puis une récompense. Le jeu vidéo est l’un des domaines de prédilection pour l’application des techniques tel que le Q-Learning.

L’apprentissage machine supervisé, et plus précisément l’apprentissage profond des réseaux neuronaux, est une autre technique de développement d’algorithmes capables de jouer aux jeux vidéo. Cela permet entres autres de faire de la reconnaissance d’image (détecter une situation sur une image, détecter des objets, etc.). D’autres techniques d’apprentissage profond des réseaux neuronaux permettent de prédire quelle action doit être prise face à telle ou telle situation en prenant en considération un état ou une action passée (p. ex. LSTM).

Le Q-Learning et l’apprentissage machine supervisé étant les deux techniques les plus à la mode et permettant d’obtenir un résultat satisfaisant. Par contre, il ne faut pas oublier que le monde de l’algorithmie informatique est vaste et qu’il existe beaucoup d’algorithmes qui permettent de répondre à ce type de problèmes.

Comment?

Il y a deux challenges dans le développement de modèles d’apprentissage machine :

  • Le temps d’entraînement nécessaire aux algorithmes (nombre d’épochs et d’itérations). Ce nombre est conséquent si l’on souhaite obtenir un résultat satisfaisant. C’est le cas surtout avec les algorithmes d’apprentissage profond.
  • Le niveau de complexité des jeux. La majeure partie des jeux vidéo d’aujourd’hui ont un niveau de complexité important. Cette complexité des jeux se traduit par une multiplication d’algorithmes dans l’architecture de votre modèle permettant de résoudre le jeu. Pour clarifier, prenant l’exemple du jeu de soccer FIFA. Pour développer un modèle qui joue de façon avancée dans le jeu vidéo. Il est nécessaire d’avoir un algorithme qui permet de détecter les joueurs, le ballon, les cages des buts, les limitations du terrain (Tensorflow object detection API le fait d’ailleurs plutôt bien). Par la suite, développer une batterie d’autres algorithmes qui permettent d’enchaîner une série de mouvements tels que : drible, course, passe courte, passe longue, passe en profondeur, tire, etc.. Tout ceci nécessite un temps de développement assez important.

L’avenir des algorithmes gamers.

Aujourd’hui, on voit l’émergence fulgurante du concept de E-sport (très populaire en Asie et aux États-Unis). Ce concept veut que les joueurs de jeux vidéo s’affrontent en équipe pour remporter des tournois. Ces joueurs sont de plus en plus traités comme les joueurs de sports professionnels avec leur League, leurs admirateurs.

Gaming data science deep learning articifial intelligence
http://www.ilsole24ore.com/art/tecnologie/2018-02-22/in-crescita-ma-ancora-immaturo-nuovi-numeri-mercato-esport-093400.shtml?uuid=AEYZ5Q4D

Il n’est pas absurde de penser que, dans les années à venir, le E-sport voit l’émergence du AI E-sport où des équipes d’ingénieurs s’affrontent par IA interposée pour gagner des tournois de jeux vidéo.


 

[1] https://www.statista.com/statistics/562473/us-number-of-hours-spent-playing-video-computer-games/