İnsanlar oyun oynamaktan bazılarının sandığından daha fazla yararlanıyor. Oyunlar, stresi azaltırken problem çözme becerilerimizi öğrenmeye veya geliştirmeye yönelik rahat bir yaklaşım olabilir. Ancak oyun oynamak genellikle en iyi hamlenin ne olduğuna karar vermek için yaptığımız matematiksel ve istatistiksel değerlendirmeleri içeren önemli miktarda karar verme süreci gerektirir. Bu nedenle oyunlar, insan beyninin birçok etkileyici yetisini ve iç işleyişini sergiliyor ve bu da onları yapay zeka (AI) araştırmaları için harika bir test ortamı ve oyun alanı haline getiriyor.
Pek çok oyunda ortak olan bir husus, mevcut ve gelecekteki potansiyel oyun durumları hakkındaki belirsiz bilgilere dayanarak karar vermedir. Deneyimli oyuncular, oyunun mevcut durumundan 'ileriye bakabilir' ve birkaç dönüş veya hamle sonrasında neler olabileceğini analiz edebilir ve buna göre strateji oluşturmalarına olanak tanır. En önemlisi, bu zihinsel süreç, bazı arama algoritmalarının sadece oyun çözmek için değil, aynı zamanda çeşitli uygulama alanlarındaki genel bilgi işlem görevleri için tasarlandıkları işe benzer. Peki bu alanlar arasında resmi bir bağlantıyı nasıl kurarız?
Japonya İleri Bilim Enstitüsü'nde ve Teknoloji (JAIST), Profesör Hiroyuki Iida'nın araştırma grubu, hem tamamen nesnel hem de psikolojik bakış açılarından oyunların ve oyun oynamanın birçok yönünü analiz etmek ve sonuçta anlamak için yeni teoriler geliştiriyor. En son araştırma çalışmasında araştırmacılar, bilgisayar kavramları ile oyun oynama deneyimi arasında köprü kurmaya çalıştı. Bunu yapmak için, arama ağacı algoritmalarında kullanılacak iki göstergeyi (olasılığa dayalı kanıt numarası (PPN) ve tek komplo numarası (SCN)) önerdiler ve bunları çeşitli sıra tabanlı oyunlara uyguladılar.
Bu arama göstergeleri, arama ağacı algoritmalarının istenen hedefe doğru ilerlemelerini 'değerlendirmek' için hesapladığı değerlerdir. Örneğin bir oyun oynarken, AI tabanlı bir arama algoritması, esas olarak kazanma şansını bir şekilde en üst düzeye çıkaran oyunları ararken, gelecekteki potansiyel durumları analiz etmek için arama göstergelerini kullanacaktır. Sonuçta, kullanılan bilgi işlem kaynaklarını en aza indirmek için arama göstergeleri ve algoritmalar dikkatli bir şekilde hazırlanmalıdır; Mümkün olan her oyunun ayrıntılı olarak değerlendirilmesi gerekmez; yalnızca kazanma olasılığı yüksek olanların dikkate alınması gerekir.
Araştırmacılar bu iki göstergeyi Satranç, Çin Satrancı, Connect 4, Othello ve 2048 gibi farklı oyunlar bağlamında arama ağacı çerçevelerinde uyguladılar. Sonuçlar, her göstergenin masaya ne getirdiğine dair ilginç bilgiler ortaya çıkardı. "PPN tabanlı arama, oyunda mevcut olan bilginin kalitesini belirlemek için bir araç sağladı ve insan sezgisine benzer şekilde işliyor gibi görünüyordu. Aksine, SCN tabanlı arama, oyuncunun deneyimini ve karar verirken riskleri nasıl yönettiklerini anlamak için bir platform sağladı” diye açıklıyor Prof. Iida.
Ek olarak SCN tabanlı arama yaklaşımı, Iida'nın laboratuvarında geliştirilen başka bir teorik çerçeveyle bağlantılıydı: akıldaki hareket kavramı. Bu yaklaşım, klasik mekaniktekiler gibi fizikteki hareketle ilgili kavramlarla analojiler kurarak oyun oynama deneyiminin çeşitli nesnel ve öznel yönlerini matematiksel bir biçimde analiz eder. SCN'yi oyunlardaki hareket analojileriyle karşılaştıran araştırmacılar, temel hesaplamaların hem tek oyunculu hem de iki oyunculu rekabetçi oyunlarda meydana gelen salınımlarla (kaybetme pozisyonlarından kazanma pozisyonlarına) doğrudan ilişkili olduğunu buldular.
Bu çalışmada analiz edilen her iki arama yaklaşımının da oyun alanı içinde ve dışında uygulamaları vardır. Örneğin, PPN, optimizasyon sorunları, planlama, zamanlama ve simülasyonlar gibi yoğun bilgi işlem görevleri sırasında değerli kaynaklardan ve zamandan tasarruf etmek için kullanılabilir. Bu arada SCN, değerlerin optimize edilmesine ve risklerin en aza indirilmesine izin verdiği için yüksek riskli kararların alınması gereken veya uzun vadeli planlamanın gerekli olduğu bağlamlarda faydalıdır. “Hem PPN hem de SCN, bu alandaki araştırmalar için çok önemli bileşenler olabilir. yapay zekaEvrimsel hesaplamalar ve yüksek performanslı bilgi işlem de dahil olmak üzere," diye belirtiyor Prof. Iida, "Dahası, her ikisi de eğlenceyi bilgi bilimi bakış açısıyla ölçmek için basamak taşları sağlıyor."
Daha fazla disiplinlerarası çalışma, eğlence, bilgi bilimi ve insan zihni arasında daha fazla bağlantı bulmamıza yardımcı olacaktır. Umarız uzun vadede oyunları daha öznel ve hatta amaca yönelik bir bakış açısıyla düzenleyebilir, aldığımız keyfi en üst düzeye çıkarırken diğer birçok açıdan da yararlı olabiliriz.