L’intelligence artificielle est l’apanage des jeux vidéo et en ligne moderne. Des meilleurs site de poker en ligne aux jeux d’actions, l’IA participe à les rendre plus réel et intéressants.

 

L’IA recoure à des méthodes non déterministes telles que les arbres de décision, les réseaux neuronaux (profonds), les algorithmes génétiques et les méthodes d’apprentissage par renforcement. Explorons ces techniques en détail.

 

Arbres de décision

 

Les arbres de décision (DT) sont des modèles d’apprentissage supervisé qui peuvent être entraînés pour effectuer une classification et une régression. Ils constituent l’une des méthodes d’apprentissage automatique les plus fondamentales pour la conception de jeux et permettent de prévoir la valeur d’une variable d’intérêt par l’apprentissage de règles de décision simples déduites des caractéristiques des données.

 

Dans la conception de jeux d’intelligence artificielle, les DT sont utilisés pour décrire les choix et les conséquences (prédictions des actions). La plupart des jeux modernes utilisent les DT, principalement les jeux basés sur la narration. Dans l’une de ces utilisations, les DT peuvent donner aux joueurs un aperçu de ce que sera l’avenir en fonction de leurs choix.

 

Réseaux neuronaux

 

Les réseaux neuronaux artificiels (NN) sont des structures semblables au cerveau humain, capables d’apprendre diverses caractéristiques à partir de données d’apprentissage. Avec un grand ensemble de données, les réseaux neuronaux sont capables de modéliser des scénarios très complexes du monde réel et des jeux. Ces réseaux permettent de surmonter certaines des lacunes des techniques d’IA classiques dans la conception d’agents de jeu. En outre, les NN sont auto-adaptatifs et s’adaptent bien aux environnements de jeu qui changent en temps réel.

 

Les agents de jeu basés sur les NN peuvent apprendre de deux manières. Soit ils sont formés avant d’être déployés dans un jeu (hors ligne), soit le processus d’apprentissage peut être appliqué en temps réel pendant le jeu (en ligne). L’entraînement en ligne permet de créer des agents de jeu qui s’améliorent continuellement pendant le jeu.

 

Les agents basés sur les réseaux neuronaux peuvent s’adapter rapidement aux tactiques changeantes des joueurs humains ou d’autres PNJ, et s’assurer que le jeu reste stimulant même pendant une partie prolongée.

 

Algorithmes génétiques

 

En termes simples, un algorithme génétique (AG) est une procédure de haut niveau, une heuristique, inspirée de la théorie de l’évolution naturelle. L’algorithme génétique imite le processus de sélection naturelle, où les candidats les plus aptes sont choisis pour produire la progéniture de la génération suivante. Les AG sont utilisés pour diverses tâches d’optimisation. Comparés à différentes techniques d’optimisation, les AG sont capables de fournir d’excellents résultats pour les optimisations multicritères.

 

Apprentissage par renforcement

 

L’apprentissage par renforcement (RL) est une méthode d’apprentissage automatique qui repose sur l’apprentissage par essais et erreurs. Au cours de la formation, le modèle est autorisé à jouer des scénarios et à apprendre si les choses se sont bien ou moins bien terminées. L’apprentissage par renforcement est efficace pour concevoir des PNJ qui prennent des décisions dans des environnements dynamiques et inconnus. L’apprentissage par renforcement est utilisé dans les jeux depuis longtemps.