Как видеоигры могут помочь в обучении ИИ

ИИ-сообщество на фоне проблем, связанных с использованием общедоступных данных, предложило два пути: монетизация и геймификация. Монетизация уже не оправдала себя: с точки зрения психологии создание «учебных пособий» для искусственного интеллекта всё равно воспринимается как рутинная работа, и человек допускает ошибки. Геймификация — более перспективный путь. Специалист, классифицирующий массив данных в ходе игры, не будет страдать от тоски и скуки, и сделает свою работу куда более качественно.

Что интересно, первый успешный эксперимент в смежной области прошёл ещё до того, как в ИИ-сообществе началась эта дискуссия. Несколько лет назад одному американскому университету потребовалось расшифровать цепочки белковых структур. Для этого нужны были чудовищные математические мощности, причём не в едином серверном центре: нужны были сотни тысяч компьютеров, одновременно просчитывающих отдельные мелкие элементы общей задачи. Но добровольцев в таких количествах, разумеется, не нашлось.

Тогда учёные обратились к разработчикам многопользовательской космической ролевой игры EVE Online, количество подписчиков которой измеряется миллионами. Для выполнения задачи в реальном мире, в цифровом космосе EVE была придумана легенда о зашифрованных посланиях древней прото-цивилизации. Сотни тысяч игроков бросились расшифровывать загадку, причём многие знали, что это реальное исследование в области биологии. В результате виртуальные астронавты EVE разнообразили свою любимую игру, а учёные получили в распоряжение мощности сотен тысяч компьютеров.

Большинство ИИ учится делать прогнозы на основе аннотаций, добавленных к таким данным, как текст, фотографии, видео и аудиозаписи. Эти «контролируемые» модели обучаются до тех пор, пока они не обнаружат отношения между аннотациями (например, изображением птицы) и выходными результатами (например, подписью «птица»). Во время обучения ИИ узнает, какой результат связан с каждым входом, измеряя полученные результаты и точно настраивая модель, чтобы приблизиться к стопроцентной точности.

Большие группы игроков обладают большим творческим потенциалом для решения сложных задач. Именно здесь игры создают среду, в которой сложные проблемы ощущаются не как монотонная работа, а как вызов, обращение к внутренней мотивации человека. Игры позволяют использовать новые интерфейсы или способы взаимодействия с компьютерами.

Тем не менее, даже игры могут не быть универсальным ответом на вопрос. Помимо проблемы предвзятости, высококачественные аннотации требуют экспертных знаний в предметной области. Как отмечало недавно издание Synced, большинство специалистов по маркировке не может обрабатывать «высококонтекстные» данные, такие как классификация юридических контрактов, медицинские изображения или научная литература.

Человеку свойственно ошибаться, причём иногда серьёзно — даже в случае мотивации не из-под палки. В ходе анализа популярных наборов данных, проведенного Массачусетским технологическим институтом, исследователи обнаружили неправильно маркированные изображения (например, одну породу собак путают с другой), текстовые несоответствия (например, обзоры продуктов Amazon, описываемые как отрицательные, когда на самом деле они были положительными) и неправильную классификацию видео на YouTube (например, высокая нота Арианы Гранде классифицируется как свист).

Игры могут привлечь более разнообразный круг комментаторов — при условии, что корпоративные интересы не встанут на пути. Есть и ещё одна проблема: как и любая видеоигра, геймифицированное приложение для сбора и каталогизации данных может быть сделана плохо — и люди элементарно не захотят в неё играть. Такие развлечения должны быть интересными, а этого зачастую не могут добиться профессиональные студии, которые сами оцениваются в миллиарды долларов и тратят на создание видеоигр сотни миллионов. Как утверждают в MIT, когда-нибудь ИИ будет создавать игры для обучения ИИ, но на данный момент это научная фантастика.