Cómo se automatiza la teoría de juegos: desde automóviles autónomos hasta robots de extinción de incendios

Cuando la IA utiliza conceptos de teoría de juegos, existen importantes aplicaciones de la vida real.

Por
Este artículo fue traducido de nuestra edición en inglés utilizando tecnologías de IA. Pueden existir errores debido a este proceso. Las opiniones expresadas por los colaboradores de Entrepreneur son personales.

La teoría de juegos es un área de las matemáticas aplicadas que se ocupa de cómo los participantes utilizan las estrategias y el razonamiento lógico para tomar decisiones en situaciones estratégicas como los juegos. La teoría de juegos y la inteligencia artificial (IA) se implementan en juegos en línea y fuera de línea, y también tienen algunas aplicaciones de la vida real.

Conceptos de teoría de juegos

Todos estos conceptos de teoría de juegos se pueden aplicar a la IA.

equilibrio de Nash

En el equilibrio de Nash, ninguno de los jugadores involucrados tiene ventaja si cambia su estrategia. Generalmente, para explicar esta teoría, se utiliza el dilema del prisionero. En este caso, no se puede sancionar a dos presos por falta de pruebas. Se mantienen separados y no se les permite comunicarse. Los prisioneros preferirían estar libres, por lo que ambos prisioneros dan testimonio el uno contra el otro ; ese es el punto en el que se logra el equilibrio de Nash.

Teoría de juegos inversos

Utilizando la teoría de juegos inversos, los juegos o situaciones estratégicas se desarrollan en función de las decisiones y elecciones que toman los participantes. Con este método, intentamos determinar por qué un participante tomó una decisión en particular.

Algoritmo MiniMax y poda alfa-beta

El algoritmo MiniMax retrocede para evaluar los movimientos de los jugadores. Un jugador se conoce como máximo, cuya puntuación es la máxima puntuación posible, mientras que el otro se conoce como mínimo, que puntúa la puntuación mínima. La posición del tablero decide qué jugadores del máximo o mínimo ganarán, lo que variaría de un juego a otro. Usamos esta teoría en juegos como el ajedrez, el tic-tac-toe y las damas. Después del algoritmo MiniMax, se aplica el algoritmo de poda alfa-beta para simplificar aún más las ramas del algoritmo MiniMax.

Relacionado: ¿Cuándo no debería invertir en IA?

Teoría de juegos de campo medio

La teoría de juegos de campo medio es un modelo creado para lidiar con un entorno en el que varios participantes interactúan sin problemas. Esta teoría es un concepto comparativamente nuevo en la teoría de juegos. La principal diferencia entre las antiguas teorías de juegos y esta es que la primera solía lidiar con la forma en que dos participantes interactuaban entre sí. En contraste, éste sugiere cómo un participante trata con un grupo de otros. Debido a la complejidad de las interacciones entre los participantes, la teoría anterior solía no ser aplicable a grupos grandes. Pero con la introducción de la teoría de juegos de campo medio, las situaciones que involucran a grandes grupos se pueden resolver rápida y fácilmente.

Aplicaciones de la vida real de la teoría de juegos

Cuando la IA utiliza conceptos de teoría de juegos, existen importantes aplicaciones de la vida real.

Redes generativas de confrontación (GAN)

La teoría del juego inverso es vital en la creación de un entorno de IA como las redes generativas adversarias (GAN). Usamos GAN en el aprendizaje automático, donde el programa produce contenido por sí mismo sin ser supervisado. Las GAN consisten en redes generativas y discriminatorias. El modelo generativo evalúa los datos que se les dan y determina por qué se produce un resultado particular mientras que el modelo discriminativo los evalúa.

La producción de imágenes es un ejemplo: el modelo generativo tomaría características como entrada y crearía imágenes similares basadas en ellas. Por el contrario, el discriminador los evaluaría y rechazaría los originales por no coincidir con los criterios dados.

Aprendizaje por refuerzo de agentes múltiples

Otra aplicación de la teoría de juegos es el aprendizaje por refuerzo de múltiples agentes (MARL), donde introducimos a un agente en la situación de la que puede aprender al interactuar con él. MARL se utiliza junto con escenarios de campo medio (MFS). Estos sistemas son ventajosos en los casos en que los humanos no pueden realizar físicamente la tarea. Un ejemplo de esto es el uso de robots o drones para ir a lugares donde los humanos no pueden.

Relacionado: Cómo los emprendedores pueden utilizar la inteligencia artificial para impulsar su negocio

Redes de adversarios

Las redes adversas son aquellas en las que se dan entradas anormales o inválidas a un sistema para explorar sus vulnerabilidades. Si no incorporamos esto en técnicas como el filtrado de spam o la detección de malware, podría conducir a una brecha de seguridad, por lo que al emplear conceptos de teoría de juegos como la teoría de juegos inversos, se imita la situación de un sistema y un adversario. El adversario y la red tienen como objetivo derrotarse mutuamente.

Algunos contratiempos en la teoría de juegos

Aunque la teoría de juegos puede ser eficiente en los escenarios en los que asumimos las cosas de antemano, puede haber algunos problemas menores. Por ejemplo, en situaciones en las que pensamos que hay información completa, creemos que los participantes tienen un informe completo, que incluye todos los hechos, estadísticas y datos. Es posible que esto no sea exacto en determinadas circunstancias.

Relacionado: 4 industrias que están siendo interrumpidas por la IA

La teoría de juegos es todavía un tema menos explorado y contiene respuestas para muchas aplicaciones. Si se explora por completo, puede ayudar a los problemas actuales que enfrentan la IA y el aprendizaje automático, facilitando varios avances en tecnología, lo que será un gran salto en la automatización. Los sistemas como esos incluyen automóviles autónomos, drones y robots extintores de incendios y máquinas automatizadas que extraen carbón.

Ekalavya Hansaj

Escrito por

Entrepreneur Leadership Network Contributor

Ekalavya Hansaj is founder at Quarterly Global, Indie MM and various other companies. He is a serial entrepreneur, author of How to Grow Your Startup and Small Business, a show producer and a MarTech and AdTech investor.