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

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

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

GTA

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

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

COUNTER STRICK

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

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

MINECRAFT

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.

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/

The post Les jeunes, les jeux vidéo et l’intelligence artificielle… appeared first on La science des données au Québec.

Afin d’illustrer comment les solutions libre-service en analyse de données peuvent vous permettre d’accomplir des études dignes d’un expert en science des données, nous avons créé une étude de cas en 2 parties, qui porte sur une solution déployée pour l’entreprise Prudential.

Voici la partie 2 de l’étude de cas sur comment devenir data scientist. Également nous discutons de la création et du test des modèles et présentons les résultats.

Dans la première partie de l’étude de cas, nous avons présenté le contexte d’entreprise et l’objectif de l’analyse. Nous avons également abordé les étapes 1 et 2 de la solution, ainsi que les logiciels proposés pour accomplir celles-ci. Voici la suite :

SPSS Modeler accompagne l’analyste depuis la visualisation de données jusqu’à la modélisation :

L’étape 4 de la création et du test des modèles en est une autre qui est assez fastidieuse. Les modules automatiques de SPSS Modeler peuvent toutefois venir en aide ici aussi pour sélectionner les modèles les plus précis et obtenir une analyse post-modélisation plus rapidement. Du côté de Prudential, nous utilisions le module « Auto Classifier » afin de créer et tester les modèles.

Résultat :

Le résultat de notre solution présente une précision globale de 73.84%, qui se traduit par un « Quadratic unweighted kappa » de 65.1% (index mesurant la précision des résultats par rapport aux vraies réponses).

Sachant que les données ont été extraites d’une compétion Kaggle (plateforme de compétition en science des données). 65.1% en score kappa place notre modèle basée sur l’analyse automatique dans le top 40% des résultats soumis par plus de 2619 data scientists. Et cela en seulement quelques heures de travail.

Une fois ces résultats obtenus, il faut poursuivre avec le déploiement du modèle en API pour pouvoir l’intégrer. Pour ce faire, le module Watson Machine Learning[1] permet d’encapsuler le modèle créé ainsi que le flux de préparation et de manipulation de données. Il permet aussi de partager des clés d’accès API avec les développeurs de ton équipe. Ces derniers se chargeront de l’intégration avec la plateforme client. Notez que l’API est en REST et est configurable avec n’importe quel langage de programmation. L’encapsulage se fait par un simple téléversement du flux SPSS sur l’interface du service Watson Machine Learning créé sur Bluemix. (outil de « Platform as a service » d’IBM)

Conclusion

Grâce à SPSS Modeler, nous avons pu bâtir une solution prédictive complète et déployer celle-ci en API en un temps record. Cela fait contraste avec le temps nécessaire d’un expert en science des données. En somme, pour déployer des solutions raffinées de science des données, il suffit d’être outillé correctement et de s’entourer des bons experts. Pour en savoir davantage sur les produits SPSS et sur la science des données, ou encore pour une formation avancée, contactez les experts de Necando (lien vers la page contact du site). Il nous fera plaisir de supporter votre croissance!

[1]Watson Machine Learning (aka IBM SPSS Embedded Predictive Modeling API)

Accédez à au début de l’étude de cas: Comment devenir data scientist. Pour consulter la mise en contexte et la visualisation.

The post Devenir data scientist sans doctorat c’est possible – Partie II appeared first on La science des données au Québec.