Miglioramento del modulo di intelligenza artificiale del gioco ''Geister''

La necessità di valutare la tipologia delle pedine non può essere soddisfatta dalla stessa intelligenza artificiale per determinare una strategia. Bisogna quindi adottare un approccio diverso, sfruttando le tecniche offerte dal campo dell'apprendimento automatico per acquisire delle informazioni mediante l'accumulazione di dati e osservazioni.
La categorizzazione, l'individuazione di correlazioni tra dati o la generalizzazione sono problemi a cui l'apprendimento automatico fornisce un approccio per risolverli. La trasformazione di concetti astratti in dati può risultare molto complessa in quanto il linguaggio umano non è basato sulla matematica come quello dei computer. Affermare che la buccia di un frutto è liscia oppure rugosa, saper scegliere tra andare a lavoro in macchina o con i mezzi pubblici o capire il perché di un fenomeno sono problemi estremamente complessi in quanto si rifanno a concetti astratti o coinvolgono un numero troppo elevato di variabili. Ciò nonostante, se si riesce a dare un valore oggettivo anche a delle parti di un fenomeno, si possono utilizzare delle tecniche per apprendere da tali dati, lasciando al computer scoprire l'eventuale correlazione tra essi. Esistono tre categorie di apprendimento:

• supervisionato: è un tipo di apprendimento dove i dati di allenamento consistono in un insieme di esempi, dove ogni esempio è una coppia consistente di un oggetto in input (tipicamente un vettore) e un desiderato valore in output. Un algoritmo di apprendimento supervisionato analizza i dati di allenamento e produce una funzione che associ l'input all'output e che può essere usata per mappare nuovi esempi. Questo particolare tipo di apprendimento richiede di generalizzare dai dati di allenamento per permettere di classificare correttamente nuove istanze che non sono state fornite.

• non supervisionato: lo scopo di questo apprendimento è di classificare ed individuare una struttura nascosta da dati che non sono già categorizzati. Non è possibile quindi fornire una stima dell'errore per valutare la bontà della potenziale soluzione.

• con rinforzo: tale apprendimento si ispira ai concetti di comportamento e adattamento, determinando come scegliere le azioni in un ambiente con lo scopo di massimizzare un determinato risultato. Tuttavia, non vengono fornite delle coppie di input/output e non viene indicata la presenza di azioni sub-ottimali, ma si preferisce l'utilizzo di algoritmi online per individuare un bilanciamento tra esplorazione dell'ambiente e lo sfruttamento della memoria accumulata mediante l'esperienza.