هوش مصنوعی و نظریه بازی ها توام با عامل های هوشمندی سروکار دارند که در یک جهان پیچیده با تعاملات گوناگون شکل گرفته اند در نظریه بازی ها ما به بررسی رفتار های گوناگون بازیکنان در مواجه با موقعیت های اقتصادی و سیاسی و نظامی می پردازیم و با ابزارهای ریاضیات سود و زیان بازیکنان را بررسی میکنیم .
در نظریه بازی ها سعی بر این است که با تکنیک های استنتاج و یادگیری در موقعیت های گوناگون رفتار خود را بهبود ببخشیم به گونه ای که حداکثر سود را برای خود در موقعیت های گوناگون بدست اوریم شاید یکی از بهترین ابزار های بهینه سازی هوش مصنوعی در تصمیم گیری درست با بازدهی بیشتر و خطای کمتر در موقعیت های گوناگون ابزار های ریاضیات به کار رفته در نظریه بازی ها باشد.
تفاوت ها و شباهت های موجود بین نظریه بازی ها و هوش مصنوعی :
اگر چه هوش مصنوعی و نظریه بازی ها دو علم و شاخه مختلف می باشند ولی شباهت هایی نیز بین ان دو وجود دارد و در تعامل با یک دیگر میتوانند باشند در نظریه بازی ها یادگیری یک ابزار توصیفی است که چگونگی به وقوع پیوستن تعادل نش یا رفتار عامل ها را توضیح میدهد در حالی که در هوش مصنوعی به معنی یافتن الگوریتم هایی هست که در شرایط محیطی معین و براساس بازخورد های بتواند سود بالایی برای بازیکن ایجاد کند و در انتها هر دوی این حوضه ها (هوش مصنوعی و نظریه بازی ها) بازیکنان با توجه به محدودیت های خود و ارتباطی که دارند باید در یک محیط توصیف شده تصمیم گیری کنند .
نظریه بازی ها برای مطالعه تعاملات مشارکتی و رقابتی در سیستمهای چند عامله مورد استفاده قرار میگیرد (منظور از سیستم چند عامله سیستمی یا موقعیتی از که در آن چندین عامل مختلف در بروز یا ایجاد یک موقعیت دخیل هستنئ) به طور کلی کلیه دستاوردهای و مفاهیم در نظریه بازی ها در مورد جنبه های مختلف طراحی پیاده سازی و تحلیل انواع مختلف سیستم های چند عامله کاربرد دارند .
تولید مدلی از عامل ها که قابلیت یادگیری داشته باشند نیازمند درك نوع و شکل تعامل این عامل ها با محیط و سایر عامل ها در سیستم است. در اغلب کارهایی که در زمینه یادگیری سیستم هاي چند عامل انجام شده است این مدل سازي بسیار مشابه چیزی است که در یک مدل استاندارد نظریه بازي استفاده می شود و در نتیجه مدلسازي تنها در مورد مسایل خاص و ساده شده (مانند بازي هاي ماتریسی )ی قابل انجام است. در حالت کلی "به نظر می رسد که به دو دلیل زیر، ویژگی هاي پایه سیستم هاي چند عامله به خوبی با نظریه بازي تکاملی مطابقت دارد.
اولا، یک سیستم چند عامله از عمل ها و تعاملات بین چند عامل مستقل تشکیل شده است که هر کدام سعی می کنند به یک هدف معین که ممکن است رقابت یا مشارکتی باشد –محیط برسند. بطور کلی هیچ عاملی در مورد هدف یا مقصود بقیه عامل ها یا حالت کامل اطلاعات کامل ندارد (منطق محدود ).نظریه بازي تکاملی مکانیزمی را فراهم می کند که در آن میتوان رفتار چنین سیستمی را تحلیل کرد.
ثانیا سیستم چند بازیکنه یک سیستم پویا ولی تکرار شونده در حال تغییر است که در آن بازیکن ها رفتا خود را در طول زمان متناسب با رفتار بقیه بازیکنان تغییر می دهند . نظریه بازي تکاملی یک پایه محکم براي فهمیدن وضعیت هاي پویا و تکرار شوند در زمینه تعاملات استراتژیک فراهم میکند.
مزایای استفاده از نظریه بازی ها در هوش مصنوعی:
نظریه بازی ابزاری ارزشمند در تحقیقات هوش مصنوعی است. که چارچوبی برای مدل‌سازی تعاملات بین عوامل هوشمند ارائه میدهد. می توان از آن برای تجزیه و تحلیل نحوه واکنش ماشین ها در سناریوهای مختلف استفاده کرد و به مهندسان هوش مصنوعی اجازه می دهد تا رفتار سیستم های مستقل و روبات ها را بهبود بخشند. برخی از مزایای استفاده از نظریه بازی برای هوش مصنوعی شامل آزمایش شبیه سازی شده، بهبود تصمیم گیری برای محیط های چند عاملی و قابلیت های اکتشافی بهتر است.
تصمیم‌گیری بهبودیافته در سیستمهای هوش مصنوعی چند عامله مانند اتومبیل‌های بدون راننده یا هواپیماهای بدون سرنشین که در حال پرواز هستند، تصمیم‌گیری دقیق برای موفقیت حیاتی است. با استفاده از مدل‌های نظری بازی، دقت بسیار بالاتری را هنگام پیش‌بینی پاسخ‌های حریف نسبت به روش‌های دیگر با در نظر گرفتن بسیاری از عوامل مختلف مانند استراتژی‌های تاکتیکی که میتوانند در طول حرکات هر عامل یا موجودیت وسیله نقلیه ظاهر شوند، ارائه میکند. علاوه بر این، این آزمایش‌های مجازی به طراحان بینشی در مورد اینکه کدام روش‌ها با صرف منابع کمتر در مقایسه با سایر روش‌ها در شرایط مشابه، کارآمدترین نتایج را تولید می‌کنند، میدهد.
چالش های پیاده سازی نظریه بازی ها :
اجرای نظریه بازی در هوش مصنوعی چندین چالش منحصر به فرد را ارائه می دهد. برای اینکه تئوری بازی ها به درستی اعمال شود، تعدادی از عوامل باید در نظر گرفته شوند. اول از همه، مدل‌سازی دقیق رفتار کاربران انسانی یک جزء ضروری در پیاده‌سازی راه‌حل‌های تئوری بازی مبتنی بر هوش مصنوعی است – این مدل‌ها باید تصمیم‌گیری منطقی و استراتژیک توسط بازیکنان را بر اساس بهترین نتیجه درک شده فعلی‌شان در نظر بگیرند. علاوه بر این، مجموعه داده‌ها باید رفتارهای معمولی و همچنین حالت‌ها و موقعیت‌های بازی که ممکن است در طول کاربرد در یک محیط واقعی ایجاد شوند، نشان دهند. علاوه بر این، توسعه‌دهندگان باید مطمئن شوند که استراتژی های کافی در برابر بازیکنان مخرب یا ناوارد که سعی در دستکاری یا سوء استفاده از استراتژی های خاص در پارامترهای مدل دارند، ایجاد کرده‌اند. در نهایت هنگام اجرای بازی های بزرگتر به دلیل وظایف محاسباتی دشوار مورد نیاز الگوریتم های مورد استفاده رخ دهد. این امر مستلزم برنامه ریزی دقیق در طول فرآیند توسعه و در عین حال بهینه سازی عملکرد در مقابل دقت به دست آمده در طول محاسبات زمان عملیات است. در نظر گرفتن همه این متغیرها به حصول اطمینان از موفقیت جامع تر در هنگام ساخت راه حل های هوش مصنوعی با استفاده از اصول تئوری بازی کمک می کند.
کاربردهای گسترده ای در زمینه های مختلف از جمله هوش مصنوعی دارد.(AI) استفاده از اصول تئوری بازی تضمین میکند که الگوریتم‌ها و مدل‌های هوش مصنوعی با استراتژی‌های بهینه‌سازی شده متناسب با هر مشکلی که روی آن اعمال می‌شود، به‌طور مؤثرتری ساخته می‌شوند. از طریق استفاده از شیوه‌های نظری بازی ها، مدل‌های هوش مصنوعی ممکن است برای مقابله با عدم قطعیت و پاسخ سریع به محیط‌های متغیر مانند شبیه‌سازی‌های تعاملی یا بازارهایی مانند بورس، مجهزتر شوند..
با استفاده از تئوری بازی، الگوریتم‌های یادگیری ماشین را میتوان طراحی کرد تا ماشین‌ها/رایانه‌ها/روبات‌ها الگوهایی را در داده‌ها تشخیص دهند که می‌تواند به تصمیم‌گیری سریع‌تر یا حتی مستقل بر اساس سناریوهای خاص یا موقعیت‌های بلادرنگ کمک کند. یکی از نمونه‌های این نوع کاربرد می‌تواند شامل تصمیم‌گیری خودروهای خودمختار در مورد سرعت خود در هنگام نزدیک شدن به یک تقاطع خطرناک باشد - از پایگاه داده عظیم آن با در نظر گرفتن تمام تنظیمات و سناریوهای برنامه‌ریزی‌شده از قبل با در نظر گرفتن پارامترهای مختلف، از جمله محدودیت‌های قانونی و قوانین راهنمایی و رانندگی مرتبط با وضعیت، محاسبات فوری انجام می‌شود و بسته به اینکه چه مسیری در آن زمان بهینه‌تر به نظر می‌رسد و به طور مناسب عمل میکند (در حالی که رانندگان انسانی ممکن است این تصمیم گیری برایش بیشتر طول بکشد)
یک نمونه پروژه برای نشان دادن نقش و کاربرد نظریه بازی ها در هوش مصنوعی و کاربرد پزشکی آن:
هوش مصنوعی می‌تواند در پایبندی به دارو و تعیین دوز مصرفی آن، تغییر کاربری دارو، کنترل کیفیت و تضمین کیفیت دارو، پیش‌بینی اثرات حساسیت های احتمالی دارو، پیش‌بینی نتایج درمان، شناسایی جمعیت مطالعات بالینی بیماری‌های کمیاب، شخصی‌سازی داروها، پردازش داده‌های زیست پزشکی و بالینی، تصویربرداری پزشکی، پیش‌بینی شیوع بیماری‌های همه‌گیر و پاندمی، تجزیه و تحلیل الگوی بیان ژن و بررسی ژن و بیماری های ژنتیکی که فرد در آینده ممکن هست به آنها مبتلا بشود، و موارد دیگر به گسترش خدمات در زمینه پزشکی و داروسازی کمک میکند.
حال تصور کنین در آینده ای نه چندان دور پزشکان و برنامه نویسان قصد دارند با یاری یک دیگر به کمک هوش مصنوعی سیستمی را طراحی کنند که با دریافت توصیفاتی از حال یک بیمار نوع داروی قابل تجویز را مشخص کند به گونه ای که این دارو کمترین عارضه (زیان) و بیشترین سود (سلامتی) را برای بیمار حاصل کند . طبیعتا در چنین پروژه ای بررسی تمام عوامل موثر بر بهبود بیمار باید لحاظ شود اینکه آیا بیمار بیماری زمینه ای دیگری دارد یا خیر تاریخچه بیماریها و یا شدت بیماری او به چه گونه است و البته نوع دارو نیز عوارض جانبی خود را بر روی بیمار میگزارد پس دید ساده انگارانه چنین پروژه ای نه تنها باعث بهبود حال بیمار نمیشود بلکه ممکن است عوارض جانبی بدتر و ناگوار تری را برای بیمار ایجاد کند. در چنین پروژه ای میتوان به کمک ابزار های ریاضی نظریه بازیه ها در بهینه سازی هوش مصنوعی به گونه ای استفاده کرد که متناسب با حال بیمار و بیماری های زمینه ای وشرایطی که بیمار دارد در انواع و اقسام دارو های قابل تجویز سیستم دارویی را انتخاب کند که بیشترین سود ( سلامتی ) را برای بیمار فراهم کند دارویی که با توجه به بیماری و در نظر گرفتن تمام بیماری های زمینه ای و تاریخچه بیمار یا ژنتیکی و شدت بیماری فرد تزویج شده باشد.
استفاده از نظریه بازی ها در بهینه سازی بازی شطرنج :
هوش مصنوعی استفاده شده در طراحی یک بازی شطرنج سر منشع از یادگیری ماسین و یادگیری عمیق دارد یعنی اینکه با بررسی رفتار ها و عملکرد بازیکنان مختلف و یادگیری استراژی آنها در مواجه موقعیت های مختلف تصمیمات آنها را اتخاذ میکند هرچند که این نوع هوش مصنوعی با یادگیری گسترده توانایی پاسخ گ.یی به موقعیت های گوناگون را دارد ولی میتوان به کمک چاشنی نظریه بازی ها آن را به گونه ای برنامه ریزی کرد که با پیش بینی حرکت های احتمالی بازیکن دوم و اتخاذ بهترین حرکت ( بیشترین سود) برای خود تصمیم گیری کند .
استفاده از نظریه بازی ها در بهبود هوش مصنوعی در موقعیت های نظامی :
تصور کنین که در یک موقعیت جنگی هوشمصنوعی طراحی کرده اید که در جایگاه تصمیم گیری پشتیبانی و تدارکات قصد دارد از میان هزاران اطلاعات دریافتی در مورد نوع تسلیحات منهدم شده و تلفات و یا خطوط در حال پیشروی و خطوط با شدت درگیر کم یا زیاد تسلیحات نظامی را با بیشترین سود و بهترین استراتژی تقصیم کنید به گونه ای که اگر در جبهه ای خطوط دشمن مجهز به ماشین های زره ای هست سیستم هوش مصنوعی بیشترین میزان سلاح های ضد زره را با در نظر گرفتن میزان ذخیره تسلیحات و و اهمیت جبهه های مختلف ارسال کند و به طور مشابه در جبهه های دیگر با در نظر گرفتن تمام عوامل دخیل در انتخاب بهینه تدارکات لازم و تصمیم گیری های بهینه را اتخاذ کند و به دین ترتیب بررسی سود و زیان ناشی از هر تصمیم و اتخاذ بهترنی پاسخگویی به تصمیمات دشمن نوید بر استفاده و مزیت نظریه بازی ها و کاربرد آن در بهینه سازی رفتار های هوشمصنوعی در محیط های چند عامله است.
