Kompiuterinius žaidimus savarankiškai studijuojanti sistema sugebėjo rasti efektyvius ėjimus ir strategijas, apie kurias nežinojo netgi žmonės. DQN mokymosi procese naudoja sistemą, kurios darboprincipai panašūs į gyvūnų regėjimą: ji daro ėjimą ir pastebi, kaip keičiasi pikseliai ekrane.
Sistemos pavadinime „Q“ reiškia Q-learning: tai matematinio apmokymo analogas, kai gaunamas tam tikras apdovanojimas, kuris leidžia žmonėms ir gyvūnams įsisavinti tam tikrus įgūdžius – kiekvienas efektyvus veiksmas reiškia apdovanojimą.
DQN atveju apdovanojimu tampa taškai žaidime: bandydamas skirtingus veiksmus, dirbtinis intelektas atsimena tas kombinacijas, kurios atneša maksimalų taškų skaičių.
DQN atveju apdovanojimu tampa taškai žaidime: bandydamas skirtingus veiksmus, dirbtinis intelektas atsimena tas kombinacijas, kurios atneša maksimalų taškų skaičių.
„Deep Mind“ specialistai leido DQN išbandyti 49 arkadinius žaidimus, skirtus platformai Atari 2600. Šie žaidimai, kūrėjų teigimu, yra aukso viduriukas, kalbant apie žaidimo proceso sudėtingumą.
Dirbtiniam intelektui buvo suteikti labai riboti ištekliai: jis galėjo kiekvieną žaidimą žaisti dvi savaites, o iš skaičiavimų sistemų jam buvo prieinamas tik vienas asmeninis kompiuteris.
Sistemos efektyvumas toli gražu nėra akivaizdus: DQN anksčiau visuomet pralaimėdavo žmogui tokiuose žaidimuose, kaip Breakout arba Space Invaders, kuriuose reikia ieškoti labai sunkių strategijų, norint gauti maksimalų taškų skaičių.
Tačiau galiausiai „Deep-Q-Network“ įveikė žmones 60 proc. žaidimų: „Space Invaders“ ir „Pong“ sistema surinko 20-30 proc. daugiau taškų, tuo tarpu „Breakout“ ir „Video Pinball“ – net 200 kartų daugiau. Dabar kita kūrėjų užduotis yra perkelti viename žaidime gautą patirtį į kitą.
