પ્રભાવશાળી ક્ષમતાઓ અને કુશળતા દર્શાવ્યા પછી ગૂગલ કૃત્રિમ બુદ્ધિ, જેમ કે તમે ચોક્કસ પૃથ્વી પરના શ્રેષ્ઠ ગો ખેલાડીની heightંચાઇ પર હોવા અથવા સ્ટારક્રાફ્ટ II રમવાનું શીખવાની સમર્થતાને યાદ કરશો, જ્યાં કેટલાક મહિનાઓ પછી પણ તેના પુષ્કળ ગુણો દર્શાવતા, મુદ્દો એ આવ્યો છે કે કાર્ય દ્વારા Deepmind એક નવું પગલું કે જેથી હવે હું સમર્થ છું તેમના ગુણધર્મો દ્વારા વસ્તુઓ ઓળખો તેમને પડાવી લેવાની શ્રેષ્ઠ સંભવિત રીત નક્કી કરવા માટે.
આ માટે, વિકાસકર્તાઓ અને સંશોધનકારોની એક ટીમ રચાયેલી આઇગૂગલ અને યુનિવર્સિટી ઓફ કેલિફોર્નિયાના નેનીજ્ers, અલ્ગોરિધમનો સાથે પ્રેક્ટિસ શરૂ કરવાનું નક્કી કર્યું છે જેથી તે પોતાને શિક્ષિત કરે છે જેમ કે એક માણસ તેના પ્રારંભિક બાળપણમાં જ કરે છે, એટલે કે, તેઓ તેને ખેંચી, દબાણ, તોડવા અને વિશ્વના સામાન્ય પ્રયોગમાં વર્ચુઅલ એન્ટ્રોજો દ્વારા આદેશ આપશે. ડીપમાઇન્ડ.
આ કાર્યનો ઉદ્દેશ ડીપમાઇન્ડને સક્ષમ બનાવવાનો છે તેમની સાથે ક્રિયાપ્રતિક્રિયા કરવા માટે ભૌતિક પદાર્થોના ગુણધર્મો શીખો. આ પ્રકારનું શિક્ષણ 'ના નામથી ઓળખાય છેdeepંડા મજબૂતીકરણ શિક્ષણ'અને આ પ્લેટફોર્મને ચોક્કસ સૂચનો વિના કાર્યોને હલ કરવા માટે વાસ્તવિક સમયમાં મંજૂરી આપવાની મંજૂરી આપશે, જ્યારે કોઈ ચોક્કસ objectબ્જેક્ટ સાથે ક્રિયાપ્રતિક્રિયા કરવાની અમારી રીત જેવી જ કંઈક છે જ્યારે આપણે જાણતા નથી કે તે શું બનાવવામાં આવ્યું છે અથવા તેનો ઉપયોગ કેવી રીતે કરવો, એટલે કે, સહજતાથી .
Deepંડા મજબૂતીકરણ શીખવાની તકનીકોના ઉપયોગ માટે આભાર ડીપમાઇન્ડ કોઈપણ પ્રકારની objectબ્જેક્ટ સાથે ક્રિયાપ્રતિક્રિયા કરવામાં સમર્થ હશે.
આ હાંસલ કરવા માટે સંશોધકોએ બનાવ્યું બે અલગ અલગ વાતાવરણ જેથી ડીપમાઇન્ડ તેની ભૂલોથી પ્રયોગ કરી શકે અને શીખી શકે, આ માટે, પ્રથમ સ્થાને, તે સિસ્ટમનો સામનો કરી રહ્યો હતો તે જ કદના પાંચ બ્લોક્સ સાથે પરંતુ વિવિધ વજન સાથે, તે જાણવા માટે પ્લેટફોર્મ મેળવવાની કોશિશ કરી હતી કે તે ક્યાંથી સૌથી ભારે હતું તે અનુમાન કરવાની એકમાત્ર રીત તે તમામ withબ્જેક્ટ્સ સાથે વાતચીત કરી રહી હતી.
બીજું, પ્લેટફોર્મને વિવિધ ightsંચાઈના ટાવર્સનો સામનો કરવો પડ્યો હતો જેથી ડીપમાઇન્ડ ગણતરી કરી શકે કે દરેકમાં કેટલા બ્લોક્સ હતા. સફળતાના કિસ્સામાં, પુરસ્કારોની શ્રેણી ઓફર કરવામાં આવી હતી જ્યારે, જો નિષ્ફળતા આવે તો પ્લેટફોર્મ પર નકારાત્મક પ્રતિસાદ આપવામાં આવ્યો હતો. આ પરીક્ષણો સાથે પ્લેટફોર્મ શીખ્યા ચાતુર્યના આધારે અભિનયની નવી રીતો શોધો. જ્યારે કોઈ સ્પષ્ટ સૂચનો ન હોય અથવા તેમની સીધી અભાવ હોય ત્યારે ઉકેલો શોધવા માટે હવે આ ડીપમાઇન્ડનો આભાર.
વધુ માહિતી: આર્ક્સિવ