Games


Naar mijn mening een van de meest spannende toepassingen van AI vindt plaats in het spelen van games. Om een spel goed te kunnen spelen, moet je niet alleen weten wat de regels zijn, maar ook rekening houden met de stappen die je tegenstander kan zetten. Tot slot moet je een zorgvuldige beslissing nemen welke zet je de hoogste kans geeft om te winnen. Als computers spellen net zo goed kunnen spelen als mensen, zijn er geen redenen om aan te nemen dat zij geen andere moeilijke vaardigheden kunnen leren die mensen uitvoeren tijdens hun dagelijkse werkzaamheden. Onlangs werd er een belangrijke stap voorwaarts gezet op het gebied van games toen de wereldkampioen Go voor het eerst verslagen werd door een computer. Go is een spel dat niet door middel van brute force berekend kan worden, aangezien het aantal mogelijke zetten hoger is dan het aantal sterren in het universum. De beste Go-spelers ter wereld vertrouwen voor een groot deel op hun intuïtie bij het maken van hun beste zetten. AlphaGo van Google (Go-software gebaseerd op een neuraal netwerk) heeft echter geleerd hoe het als een van de beste menselijke spelers moet spelen door miljoenen menselijke spellen te bestuderen. Het werd vervolgens zelfs nog sterker door miljoenen keren tegen een andere versie van zichzelf te spelen, waardoor het uiteindelijk in staat was om de wereldkampioen te verslaan. Hetzelfde platform leerde zichzelf binnen 24 uur beter te schaken dan de beste schaakcomputer tot nu toe. Als computers mensen kunnen verslaan in de meest ingewikkelde spellen van vandaag de dag, waar houden de mogelijkheden voor AI dan op?

Een groot voordeel dat mensen nog altijd hebben ten opzichte van computers, is dat we onze kennis en training die we hebben opgedaan in het ene gebied, kunnen toepassen op een nieuwe taak of gebied. Goede Go spelers kunnen bijvoorbeeld hun manier van denken gebruiken om dagelijkse problemen op te lossen die zij tegenkomen op hun werk. AlphaGo kan dit niet: het is alleen goed in het spelen van Go, meer niet. Onlangs werd er echter een eerste stap genomen om dit probleem te verhelpen: netwerken kunnen nu de belangrijkste kennis van het ene spel onthouden en tegelijkertijd een nieuw spel leren. Google Deepmind schreef een nieuw algoritme waardoor een neuraal netwerk in staat was tien Atari games tegelijkertijd te leren en deze games op menselijk niveau te spelen.

Zodra dit gebied meer ontwikkeld is, kunnen computers een reeks aan moeilijke vaardigheden uitvoeren die momenteel alleen nog door mensen gedaan kunnen worden. Google gebruikt het om de energiekosten te verlagen van een van hun grote datacenters. De kunstmatige intelligentie beheert meer dan 120 variabelen in de datacenters van Google, zoals ramen, ventilatoren en koelsystemen. Hierdoor wordt het energiegebruik zo goed mogelijk gebruikt en wordt tegelijkertijd de computerprestaties op peil gehouden. Een andere toepassing ligt in de gezondheidszorg: een app van Deepmind bespaart verplegers meer dan twee uur per dag door een waarschuwing te geven over aankomend acuut leverfalen. Dit zijn twee toepassingen, maar aangezien dit een nieuw ontwikkeld gebied is, bestaat er een groot potentieel voor meer. Denk aan bijvoorbeeld het voorspellen van aandelenprijzen en het optimaliseren van de layout van distributiecenters. De grens wordt vastgesteld door onze verbeelding en natuurlijk beschikbare data.