5 ”inte” som gjort AI 2.0 het

I mars gjorde tillämpad AI stora rubriker igen. Den här gången var det machine learning (ML) med neurala nät i poker, Deep Stack. Vad är det som gör detta senaste framsteg intressant bland forskare, arkitekter och företag som provar big data och ML? Det går att sammanfatta i 5 stycken ”inte”:

1. Deep Stack kräver inte en superdator, utan klarar sig med laptop och ett Nvidia grafikkort som en vanlig tonårsgamer skulle räkna som rätt normalt.

2. Michael Bowlings forskarteam är inte från Oxford, Cambridge, eller ett amerikanskt universitet, utan från Edmonton och Prag.

3. Segermarginalen mot mänskliga motspelare var inte liten, snarare förkrossande. 11 pokerproffs slutförde hela turneringen mot Deep Stack, vardera 3000 spelomgångar. Alla förlorade.

4. Inslag av trädbeskärning med heuristisk sökning och sparse lookahead: de artificiella neurala näten (ANN) i Deep Stack söker inte igenom hela sökrymden av möjliga spelsituationer (ett astronomiskt tal, med 170 nollor), utan iterativt från aktuellt läge ner till en limit (depth bound), där ett beräknat värde hintar om hur mycket det brukar vara värt att fortsätta spela vidare på just den grenen i sökträdet, och värdet baseras på miljontals spelsituationer som samma ANN fått lösa under träningsfasen (dvs ett estimat utifrån nätets erfarenhet eller inlärda ”intuition”). Kombinationen gav run-time svarstider på bara 3 sekunder i snitt.

5. Pokerspelet utgår hela tiden från information som inte är fullständig (om motspelarens kort och spelet i övrigt). Det gör Deep Stack till ett genombrott i en gren av AI som hittills hållit sig till spel med fullständig information: schack, Go, Dam, mm där spelarna ser samma spelbräda. Bowling och hans team har därmed banat vägen för applikationer på en rad områden där ofullständig information om motparten är det vanliga: internetsäkerhet, ekonomi och förhandlingar, auktioner och budgivning, försäljning och kontrakt, försvar och spaning, bedrägeriprevention, oanmälda kontroller, diplomati, m m. Som svenska IDG:s CFO World beskrev ML i oktober: att ”automatiskt” göra ­organisationen smartare.


I vintras hamnade AI-poker i rampljuset med Libratus på superdator, utvecklad vid Carnegie Mellon University i Pittsburgh (Sandholm & Brown). Är man konspiratoriskt lagd börjar man undra över gåtfulla big-data samband mellan AI och hockeystäder. Ordet/kommentarfältet är fritt. Edmonton, Prag, Pittsburgh, även Helsingfors och en av Finlands mest citerade forskare, Teuvo Kohonen – inte direkt poker, men googla gärna Dimesionality Reduction eller Self Organizing Maps.

(Källa: Wikimedia)

 Milan Kratochvil 

Lärare på Informator, modellerings- och arkitekturkonsult på Kiseldalen.com, 

huvudförfattare: UML Extra Light (Cambridge University Press) och Growing Modular (Springer).

Advanced UML2 Professional (OCUP cert-nivå 3 av 3). Milan samarbetar med Informator sedan 1996 inom Arkitektur ( T1101 , T1430) och Modellering (T2715, T2716).