Inwiefern ist es möglich, einer KI das Spielen von Videospielen beizubringen? Eine Untersuchung anhand eines selbst entwickelten Videospiels

Die Arbeit untersucht, wie einer Künstlichen Intelligenz (KI) das Spielen von Computerspielen beigebracht werden kann, insbesondere durch den Einsatz von Reinforcement Learning. Dabei werden die theoretischen Grundlagen sowie die Anwendung auf Spiele wie Tic-Tac-Toe und ein selbst programmiertes Spiel beschrieben. Die KI lernt durch Belohnungen, in vordefinierten Zuständen optimale Aktionen auszuführen. Es traten Herausforderungen wie Overfitting und die Strukturierung der Zustände auf, die jedoch teilweise gelöst werden konnten. Insgesamt zeigt die Arbeit, dass es möglich ist, KI in Videospielen erfolgreich einzusetzen, wenn geeignete Ansätze zur Spielbeschreibung und Belohnungsstruktur gefunden werden.

Im Jahr 1997 schlug das Computerprogramm "Deep Blue" von IBM erstmals den damaligen Schachweltmeister Garri Kasparow in einer Partie Schach. Seitdem wird die Frage diskutiert, inwieweit Maschinen mit dem menschlichen Intellekt konkurrieren können und welches Potenzial die Künstliche Intelligenz bei Anwendungen in Computerspielen hat.
Gegenstand dieser Ausarbeitung ist die Untersuchung, inwiefern es möglich ist, einer Künstlichen Intelligenz das Spielen von Computerspielen beizubringen.

In der folgenden Arbeit werden zwei Videospiele vorgestellt, anhand derer die Möglichkeiten und Grenzen der KI aufgezeigt werden.

Während im zweiten Kapitel auf die Definition der Künstlichen Intelligenz sowie wichtige Grundlagen eingegangen wird, werden im dritten Kapitel die theoretischen Konzepte des "Deep Learning" sowie des "Reinforcement Learning" dargestellt. Anhand dieser Konzepte wird deutlich, wie eine künstliche Intelligenz auf mathematischer und algorithmischer Ebene arbeitet. Im anschließenden praktischen Teil (viertes Kapitel) soll untersucht werden, inwieweit sich die obigen theoretischen Konzepte auf ein Tic-Tac-Toe-Spiel und ein selbst programmiertes Spiel anwenden lassen.

Inhaltsverzeichnis

• 1. Einleitung
• 2. Grundlagen von Künstlicher Intelligenz
• 2.1 Grundfunktionsweise einer Künstlichen Intelligenz
• 2.1.1 Definition
• 2.1.2 Prädiktionen und deterministische Algorithmen
• 2.1.3 Training
• 2.2 Bestandteile einer Künstlichen Intelligenz
• 2.2.1 Das Abstufungsmodell
• 2.2.2 Arten von Machine Learning
• 3. Theoretischer Teil
• 3.1 Deep Learning
• 3.1.1 Grundaufbau eines neuronalen Netzes
• 3.1.2 Feedforward-Propagation
• 3.1.3 Backpropagation
• 3.2 Reinforcement Learning (RL)
• 3.2.1 Das Konzept von Reinforcement Learning
• 3.2.2 Reinforcement Learning als neuronales Netz
• 3.2.3 Epsilon Greedy Strategie
• 3.2.4 Deep Q Learning
• 3.2.5 Algorithmische Anwendung
• 4. Praktischer Teil
• 4.1 Anwendung von Reinforcement Learning auf das Tic-Tac-Toe-Spiel
• 4.1.1 Spielregeln des Tic-Tac-Toe-Spiels (TTT)
• 4.1.2 Kernidee, nach der einer KI Tic-Tac-Toe beigebracht wird
• 4.1.3 Der Aufbau des „Agent“ als neuronales Netz
• 4.1.4 Die Idee des Trainings und die Berechnung der Belohnungen
• 4.1.5 Internes Training des RL-,,Agent\"
• 4.1.6 Aufbau und Testen des Projekts
• 4.1.7 Training und Ergebnisse
• 4.2 Reinforcement Learning angewandt auf ein selbst programmiertes Spiel
• 4.2.1 Spielregeln
• 4.2.2 Kernidee, nach der einer KI ein selbst programmiertes Spiel beigebracht wird
• 4.2.3 Der Aufbau des „Agent\" als neuronales Netz
• 4.2.4 Die Vergabe der Rewards
• 4.2.5 Internes Training des RL-,,Agent“
• 4.2.6 Aufbau und Testen des Projektes
• 4.2.7 Training und Ergebnisse
• 5. Schluss
• 5.1 Fazit und persönliche Würdigung
• 5.2 Ausblick

Zielsetzung und Themenschwerpunkte

Ziel dieser Ausarbeitung ist die Untersuchung der Möglichkeiten, einer Künstlichen Intelligenz das Spielen von Computerspielen beizubringen. Die Arbeit konzentriert sich auf die Anwendung des „Reinforcement Learning“ (RL), einer Methode des maschinellen Lernens, auf zwei verschiedene Videospiele.

• Die Grundlagen der Künstlichen Intelligenz (KI), insbesondere „Machine Learning“ und „Deep Learning“
• Die theoretischen Konzepte des „Reinforcement Learning“ und ihre Anwendung auf Spiele
• Die Entwicklung und das Training von KI-Agenten für das Tic-Tac-Toe-Spiel und ein selbst programmiertes Spiel
• Die Analyse der Ergebnisse und die Bewertung des Potenzials von KI im Bereich des Computerspiels
• Die ethischen und gesellschaftlichen Implikationen von KI im Bereich des Computerspiels

Zusammenfassung der Kapitel

• Kapitel 1: Die Einleitung stellt den Hintergrund der Arbeit dar, indem sie den historischen Kontext des Wettbewerbs zwischen Mensch und Maschine beleuchtet und den Forschungsgegenstand der Arbeit, das Training von KI im Computerspielbereich, definiert.
• Kapitel 2: Dieses Kapitel liefert eine grundlegende Einführung in die Künstliche Intelligenz (KI), definiert den Begriff und erklärt die Funktionsweise von KI-Systemen, die auf dem „Machine Learning“-Konzept beruhen. Insbesondere werden „Prädiktionen“, deterministische Algorithmen und der Prozess des Trainings von KI-Systemen erläutert.
• Kapitel 3: Der theoretische Teil der Arbeit beschäftigt sich mit den Konzepten des „Deep Learning“ und des „Reinforcement Learning“ (RL). Es werden die grundlegenden Strukturen neuronaler Netze und ihre Funktionsweise erläutert, einschließlich „Feedforward-Propagation“ und „Backpropagation“. Im Weiteren wird das Konzept des RL vorgestellt, das auf der Interaktion eines „Agenten“ mit einer Umgebung basiert und dessen Ziel es ist, durch Belohnungen das optimale Verhalten zu erlernen.
• Kapitel 4: Der praktische Teil der Arbeit konzentriert sich auf die Anwendung des RL auf zwei verschiedene Spiele: Tic-Tac-Toe und ein selbst programmiertes Spiel. Es wird die Entwicklung und das Training von KI-Agenten für diese Spiele anhand des RL-Konzepts beschrieben. Dabei werden die Spielregeln, die Architektur der neuronalen Netze, die Berechnung von Belohnungen und die Ergebnisse der Trainingsphasen detailliert dargestellt.

Schlüsselwörter

Künstliche Intelligenz (KI), Machine Learning, Deep Learning, Reinforcement Learning, Neuronale Netze, Feedforward-Propagation, Backpropagation, Tic-Tac-Toe, selbst programmiertes Spiel, KI-Agent, Training, Belohnung, Ergebnisse, ethische und gesellschaftliche Implikationen.

Details

• Grade: 1
• Author: Elias Cuin (Author)
• Publication Year: 2024
• Pages: 66
• Catalog Number: V1491513
• ISBN (eBook): 9783389048580
• Language: German
• Tags: Künstliche Intelligenz Reinforcement Learning Deep Learning Machine Leraning Informatik Q-Learning Praktische Anwendung einer KI Theorie der KI Mathematik der KI Backpropagation