Barashada Adkaysiga

Bogsiinta oo Wanaagsanaada Waqtiga

Barashada Adkaysiga waxay isticmaashaa wakiilada xaaladaha iyo moodeelyada ehtimaalka si loo baaro xalalka ugu fiican. Waxaa ka ilbaxay adkaysinta togan iyo kan taban ee laga aqoonsaday biology, waxayna heshay caannimada. Algorithms-ku waxay isticmaalaa isbeddelo random ah oo ku yimaada xalalka musharaxiinta si loo aqbo moodeelyada ikhtiyaarka.

Waxa la tababbaraa agente si ay u sameeyaan taxane go'aanno ah deegaan si ay uga badhsadaan abaalgud. Waxa uu leeyahay qiyaasaha codsiyo oo badan, oo ay ku jiraan:

• Maaliyad: Algoritmada barashada xoojinta waxaa la isticmaalay si loo abuuro wakiilada ganacsiga ee ka baran kara ganacsiga saamiyada iyo qalabka kale ee maaliyadeed.
• Ciyaaraha: Algoritmada barashada xoojinta waxaa loo isticmaalay in la abuuro wakiilada ciyaarta ee baran kara ciyaaraha sida Atari, Go, iyo Dota 2.
• Habaynta luqadda dabiiciga ah: Barashada xoojinta ayaa la isticmaalay si loo wanaajiyo waxqabadka hawlaha habaynta luqadda dabiiciga ah sida turjumidda luqadda iyo abuurista luqadda.
• Robotics: Barashada kobcinta waxa loo isticmaali karaa in robooyinka la tababaro si ay u fuliyaan hawlaha sida qabashada iyo gacanta ku qabashada, hagidda, iyo gacanta ku qabashada walxaha.
• Caafimaadka: Barashada kobcinta waxaa la isticmaalay in la hagaajiyo daaweynta bukaanada leh cudurro joogto ah, sida sonkorow iyo dhiig-karka, iyagoo barta in ay hagaajiyaan nidaamyada daaweynta iyada oo ku xidhan jawaabta bukaanka.
• Maareynta tamarta: Algoritmada barashada xoojinta waxaa la isticmaalay si loo hagaajiyo howsha nidaamyada tamarta, sida shabakadaha caqliga leh, iyada oo la baranayo in la hagaajiyo wax soo saarka iyo isticmaalka tamarta iyada oo ku saleysan isbeddelka baahida iyo shuruudaha bixinta.

Reinforcement learning, agent-ku wuu bartaan sida uu ula dhaqmo deegaankiisa si uu u maksaynayo abaabul. Agent-ku wuxuu helaa abaabul tallaab kasta oo uu qaato, wuxuuna bartaan inuu doorto tallaabooyinka yan maksaynaya wadarta abaabulka la filayo. Habka reinforcement learning waxaa loo kala qaybin karaa tallaabooyinka soo socda:

• Wakiilku wuu dareemayaa xaaladda hadda ee deegaanka.
• Wakiilku wuxuu doortaa ficil ku salaysan siyaasadaha hadda ee uu leeyahay, oo ah qaanuunro ah oo go'aamiya ficilka la qaadanayo xaalad la siiyay.
• Deegaanku wuxuu u wareegayaa xaalad cusub waxayna bixisaa wakiilka abaalmarin ku salaysan ficilka la qaaday.
• Wakiilku wuxuu cusboonaysiinayaa siyaasadiisa ku salaysan abaalmarinta iyo xaaladda cusub ee deegaanka.

Habkan waxa la soo celinayaa ilaa iyo inta agent-ku ku soo ururo siyaasad u dhow midka ugu fiican. Waxa jira algoritmado kala duwan oo loo isticmaali karo in la hirgeliyo reinforcement learning, sida Q-learning, SARSA, iyo hababka Monte Carlo. Algoritmadowan waxa ay kala duwan yihiin sida ay qiimeeyaan abaabulka la filayo ee hawl kasta iyo sida ay cusboonaysiinayaan siyaasada iyada oo lagu salaynayo abaabulka la dareemay.

Mid ka mid ah caqabadaha muhiimka ah ee barashada xoogaysi waa horumarinta algoritmada ka soo baxda deegaanno waaweyn oo adag. Algoritmada badan ee barashada xoogaysi waxay u baahdaan xog badan oo khayraadka xisaabeed si ay si hufan u bartaan. Tani waxay ka dhigi kartaa in adag tahay in lagu dabaqo algoritmadan arrimaha adduunka dhabta ah ee ku lug leh meelo waaweyn oo xaalad ah ama dhaqamo adag. Caqabad kale waa naqshadeynta hawlaha abaalmarinta si saxan u qabta hadafyada nidaamka. Mararka qaarkood, waxaa noqon karta in adag tahay in la qeexo calaamad abaalmarin cad oo dhiirigelisa wakiilka in uu barto dhaqanka la rabo. Tani waxay horseedi kartaa natiijooyin aan habboonayn ama aan la rabayn, gaar ahaan haddii wakiilku uu barto in uu abaalmarinta u saawiro siyaabo aan qorshaynayaashu dabeecad u ahayn.

Nooc caan ah oo ka mid ah barashada dhaqaajinta ayaa sameeyay DeepMind oo lagu magacaabo Deep Q-Network (DQN) oo ahaa mid aad u xirfad leh inuu barto ciyaarta Atari 2600 ee heerka aadanaha ka sareeya. Algoritma-dka DQN waxay awoodeen inay bartaan ciyaarahaan adigoo baranaya inuu u beddelo galka asalka ah ee pixel-ka siyaasada, iyo adigoo isticmaalaya shabakad neef ah si loo qiimeeyo hawl qiimaha ficilka, oo qiimaynta abaalmarinta la filayo ee ficil kasta xaalad la siiyay. Horumarkani wuxuu horseeday abuurista AlphaGo, oo ah algoritma-d barasho dhaqaajin ah oo ahaa mid aad u xirfad leh inuu barto ciyaarta laanka Go ee heerka xirfadlayaal ah. AlphaGo wuxuu ahaa mid aad u xirfad leh inuu barto Go adigoo isticmaalaya isku dhufanada barasho la socodka iyo barasho dhaqaajinta, oo kan dambe loo isticmaalay in si dhaqan leh loo hagaajiyo siyaasada lagu salaysay khibrada. Guusha AlphaGo waxay ahayd tiirar waaweyn oo ku jirta barashada dhaqaajinta, maadaama ay muujisay awooda algoritma-dka barashada mashiinka inuu barto inuu xirfad u yeesho hawl adag oo leh qoto dheer ee strategic.

Guud ahaan, barashada xamaasada waa hab awood badan oo rajo leh oo lagu xaliyo mushkililo adag, laakiin muhiim ayaa ah in si taxaddar leh loo qiimeeyo faa'iidooyinka iyo khilaafaadka suurtogalka ah ee algoritmadaan kontekstoka codsi gaar ah. Sidoo kale muhiim ayaa ah in la xaqiijiyo in algoritmada barashada xamaasada la abuuro oo la isticmaalo si anshax leh, iyada oo la tixgelinayo natiijooyinka suurtogalka ah ee ficiladooda.

Telemus AI™ waxaa kaa caawin kara adiga iyo ururkaaga in aad si wanaagsan u fahanto sida Artificial Intelligence u xalin kato dhibaatooyinka iyo caqabaha aadka u adag.

Nala soo xidh maanta si aad u aragto sida Telemus AI™ loo isticmaali karo hay'addaada.