Chargement...

Que peut nous apprendre le hockey sur l'IA ? Il s'avère qu'il y a beaucoup à apprendre !

Dans cet épisode d'Approximately Correct, nous examinons comment le hockey, jeu rapide et imprévisible, constitue un laboratoire idéal pour apprendre le travail d'équipe de l'IA, qui pourrait être très utile dans des applications telles que l'industrie et la robotique. 

Les animateurs Alona Fyshe et Scott Lilwall sont rejoints par David Radkechercheur principal auprès des les Blackhawks de Chicago et titulaire d'un doctorat de l'université de Waterloo. David a fait une présentation fascinante de ses recherches lors de la conférence Upper Bound de l'année dernière.

Les séries éliminatoires de la LNH battent leur plein et l'Upper Bound de cette année n'aura lieu que dans une semaine. Upper Bound de cette année dans une semainequi comprendra d'autres sessions sur l'IA dans les sports, nous étions ravis d'obtenir une interview avec lui sur la façon dont il utilise le hockey pour faire avancer la recherche sur les systèmes multi-agents.

"C'était en quelque sorte le thème de mes recherches", explique David, "comment des équipes d'agents peuvent apprendre à travailler ensemble pour apprendre un comportement qui est meilleur que tout ce que les humains peuvent coder".

"Une science de la décision

Comme le souligne David, un match de hockey offre un mélange unique de compétition et de coopération qui en fait un laboratoire passionnant pour étudier la façon dont les individus travaillent ensemble. Il a trouvé là l'endroit idéal pour explorer sa fascination pour l'intelligence artificielle coopérative - comment des agents individuels peuvent apprendre à travailler ensemble, même lorsque des incitations à court terme pourraient suggérer le contraire. 

Les statistiques ont toujours été un élément clé du sport professionnel - il suffit de voir comment les analyses de type Moneyball ont changé les règles du jeu dans le baseball professionnel. Mais David explique que les "jeux d'invasion" comme le hockey, où les équipes doivent essayer d'envahir le côté de la glace de leur adversaire pour marquer des points, offrent une opportunité tout à fait différente. Comme il y a beaucoup plus d'interactions entre les joueurs au hockey, qu'ils soient amis ou ennemis, cela peut nous en apprendre davantage sur la façon dont les agents d'intelligence artificielle peuvent travailler ensemble. 

"Dans les jeux d'invasion, il ne s'agit pas vraiment de mesurer l'exécution des joueurs, mais plutôt les décisions qu'ils prennent", explique David. 

"Et l'apprentissage par renforcement est une science de la prise de décision.

L'impact au-delà de la glace

Ses recherches mettent également en lumière ce qui rend une équipe vraiment efficace. Et ces connaissances pourraient avoir un impact important en dehors de la glace. De nombreux défis posés par le hockey reflètent ceux de la recherche plus large sur l'IA multi-agents : par exemple, comprendre comment les agents apprennent à coopérer, attribuent le mérite des bonnes décisions et élaborent des stratégies qui équilibrent la récompense individuelle et le succès de l'équipe. Ces réponses pourraient avoir d'énormes retombées dans des domaines allant de la robotique industrielle aux véhicules autopilotés, en passant par la stratégie d'entreprise - partout où la coopération et le travail d'équipe sont importants. 

Découvrez l'épisode sur Apple Podcasts, Spotify ou YouTube. Et si vous souhaitez en savoir plus sur la façon dont l'apprentissage machine transforme tous les niveaux de sport, la conférence Upper Bound de cette année poursuit l'exploration de la façon dont les équipes de la LNH utilisent l'apprentissage machine pour améliorer leur jeu avec Meghan Chayka, PDG de Stathletes et commentatrice fréquente sur TSN. Il y aura également des sessions sur la façon dont le basket-ball est utilisé, avec l'apprentissage automatique, pour développer la culture technologique chez les étudiants. Pour en savoir plus, consultez le site web d'Upper Bound.