Visualizar projeto

Dados Básicos
Título
Inteligência Artificial para Jogos de Cartas: Projeto e Desenvolvimento de Agentes que Jogam Truco
Número do projeto
054888
Número do processo
23081.040454/2020-18
Classificação principal
Pesquisa
Data inicial
14/10/2019
Data final
31/12/2021
Resumo
Os jogos digitais têm desempenhado um importante papel para os avanços e descobertas no campo da Inteligência Artificial (IA). Neste contexto, jogos de cartas oferecem ambientes onde aleatoriedade, incerteza e visão parcial do jogo estão presentes, favorecendo a pesquisa e desenvolvimento de novos algoritmos de IA. Nestes jogos, engano/blefe é um comportamento que está onipresente nas interações entre os jogadores, onde o projeto e implementação de agentes inteligentes capazes de enganar nestes jogos de cartas permanece uma tarefa desafiadora para a IA. Neste contexto, o projeto visa investigar a combinação de casos e clusters aplicados ao reuso de ações de jogo (por exemplo, cartas jogadas, apostas efetuadas, blefes/enganos feitos) presentes em casos capturados, representados, recuperados e reusados de acordo com técnicas de Raciocínio Baseado em Casos (CBR). Com o suporte de algoritmos de agrupamento de dados, critérios de reuso devem ser aplicados a grupos identificados nos casos presentes na base de casos. Inicialmente, um critério deve ser aplicado para escolher o grupo de casos que deve ser acessado. Em seguida, outro critério de reuso deve utilizar os casos que pertencem ao grupo selecionado para determinar qual ação de jogo deve ser reusada como solução para a situação de jogo a atual. Esse modelo de reuso em dois passos deve ser implementado em conjunto com diferentes combinações de critérios de reuso, as quais devem ser propostas e analisadas no projeto. Nesse sentido, o projeto também pretende investigar novas abordagens que combinam aprendizado ativo e CBR. Com isso, o objetivo da pesquisa é encontrar formas de capturar sistematicamente experiências de solução de problemas que envolvam ações de jogo rotineiras e ações de jogo enganosas para posteriormente empregar o conhecimento adquirido visando a tomada de decisões melhores quando confrontado com situações oportunas para o emprego do estratégias de jogo conservadoras ou enganosas. Resultados experimentais no domínio de um jogo de cartas denominado Truco devem demonstrar se a utilização da técnica de aprendizado ativo e outras investigadas no projeto habilitam um agente jogador de Truco, mesmo utilizando bases de casos com um número reduzido de casos, a jogar em níveis superiores a agentes que utilizam base de casos com tamanhos muito maiores. Para avaliar essas propostas, agentes implementados de acordo com diferentes políticas de reuso propostas também devem ser submetidos a diferentes testes.
Objetivos
Explorar a identificação de padrões de jogo, encontrados em diferentes cenários de decisão existentes em logs de jogos de cartas gravados em bases de casos, as quais são geralmente formadas para orientar a tomada de decisão em sistemas CBR; Detalhar como grupos de casos contidos na base de casos podem ser utilizados com a finalidade de construir políticas de reuso capazes de identificar os diferentes contextos de decisões de jogo existentes (ou táticas de jogo) nos casos recuperados para consultas emitidas em sistemas CBR; Propor políticas de reuso resultantes da combinação destes diferentes critérios de reuso: novas políticas de reuso desenvolvidas melhoradas pelo uso de resultados de algoritmos de clustering; Implementar uma técnica de aprendizado automático associada ao modelo que integra casos e clusters no processo de reuso de decisões passadas em CBR Combinar algoritmos de clustering e CBR para criar agentes virtuais particularmente capazes de jogar Truco; Desenvolver técnicas inteligentes capazes de compreender e simular o raciocínio humano, focalizando o comportamento enganoso empregado em jogos de cartas Propor uma abordagem de aprendizado ativo, relacionada a etapa de revisão do ciclo CBR, para retenção de casos que contenham experiências de solução de problemas envolvendo engano; Desenvolver diferentes experimentos, os quais permitem medir e avaliar, tanto o desempenho dos agentes configurados com diferentes políticas de reuso de casos, quanto o comportamento em relação a agressividade, conservadorismo e honestidade desses agentes;
Justificativa
Jogos digitais continuam apresentando excelentes campos experimentais para a construção, teste e consequente evolução de técnicas de Inteligência Artificial - IA. Além de serem fáceis de entender, os problemas encontrados nestes jogos são muitas vezes similares a problemas presentes no mundo real. Prova disso é que, historicamente, diversas contribuições inicialmente propostas em cenários de jogos digitais possibilitaram o desenvolvimento de novas técnicas inteligentes, as quais ainda têm se mostrado efetivas na solução de problemas reais. Mais ainda, existem situações de disputa do mundo real que envolvem engano, comportamento muito comum em jogos de cartas, mas geralmente difícil de ser modelado em sistemas inteligentes. Entre outros motivos, essas situações apresentam características complexas para o aprendizado de máquina, como incerteza, ruído, número ilimitado de dimensões a serem exploradas, bem como a necessidade de aprendizado e tomada de decisão considerando um número reduzido de exemplos de treinamento. No cenário de jogos de cartas, características como informações não explicitamente apresentadas (ou escondidas) associadas a aspectos estocásticos possibilitam simular realidades apresentadas em outras áreas de aplicação. Além disso, a distribuição aleatória e a visão parcial das cartas dos oponentes dificultam a criação de árvores de jogo, enfoque bastante explorado em diferentes tipos de aplicações de IA. Isso indica que situações reais de tomada de decisão são comuns nestes jogos, onde decisões precisam ser tomadas com base em estados de jogo contendo informações incompletas. Em geral, técnicas de IA fundamentadas na análise de dados de jogos têm se mostrado promissoras na solução de diferentes problemas. Dados oriundos de logs de jogos de cartas gerados pelos mais variados perfis de jogadores são capazes de guiar a tomada de decisão em novos problemas. Em uma abordagem de aprendizado tardio, o projeto explora esses dados de partidas de jogos disputadas entre diferentes tipos de jogadores via técnicas de Raciocínio Baseado em Casos (Case-Based Reasoning - CBR). Entre outros motivos, CBR é uma técnica bastante consolidada em IA que demonstra como sistematicamente reutilizar experiências concretas de solução de problemas (ou casos) no apoio a tomada de decisão em novas situações. Além do mais, as soluções tomadas por sistemas CBR podem ser facilmente explicadas pelos casos utilizados para as decisões. Especialmente os jogos não determinísticos, os quais possuem elementos de sorte e aleatoriedade, onde informações sobre os estados do jogo estão muitas vezes ocultas, como os jogos de cartas Truco e Poker, oferecem um ambiente relevante e competitivo para investigação de problemas de tomada de decisão e raciocínio relacionadas ao engano. No contexto de jogos competitivos, existem características específicas como a necessidade de identificar oportunidades para o uso do engano, considerando entre outros aspectos, as ações pregressas dos jogadores em partidas disputadas. Além disso, saber calcular a distribuição de probabilidades, tanto a partir das informações privadas que o oponente mantém, quanto por aquelas que são reveladas por meio de suas ações de jogo explicitamente realizadas, é uma habilidade muitas vezes relevante.
Resultados esperados
Pesquisa e desenvolvimento de técnicas de IA voltadas para resolução de problemas em jogos de cartas, com especial atenção ao jogo de Truco Pesquisa sobre casos e clusters no desenvolvimento de políticas de reuso para tomada de decisão em jogos de cartas Pesquisa sobre técnicas de aprendizado ativo em raciocínio baseado em casos para o emprego de engano em jogos de cartas Investigação de técnicas de aprendizado de casos para que agentes poder jogar Truco
Projeto em âmbito confidencial
Não
Projeto superior
-
Palavra-chave 1
Raciocínio baseado casos
Palavra-chave 2
Clustering
Palavra-chave 3
Jogos de cartas
Palavra-chave 4
Truco
Tipo de evento
Não se aplica
Carga horária do curso
[Não informado]
Situação
Em andamento
Avaliação
Sem pendências de avaliação
Última avaliação
01/12/2020
Gestão do conhecimento e gestão financeira
O projeto pode gerar conhecimento passível de proteção?
Não
Propriedade Intelectual
[Não informado]
Proteção Especial
[Não informado]
Direito Autoral - Copyright
Não
O projeto contrata uma fundação? Indique a fundação
Não necessita contratar fundação
Classificações
Tipo
Classificação
Classificação CNPq
1.03.00.00-7 CIÊNCIA DA COMPUTAÇÃO
Linha de pesquisa
07.03.03 INTELIGÊNCIA ARTIFICIAL
Quanto ao tipo de projeto de pesquisa
2.01 Projeto de Pesquisa Pura

Plano Gestão
Objetivo Estratégico
PDI 2016-2026 - Desafios
Inovação, geração de conhecimento e transferência de tecnologia
Participantes
Matrícula Nome Função Carga Horária Período
@{matricula} @{pessoa.nomePessoa} @{funcao.descricao} @{cargaHoraria} h/semana @{dataInicial|format=dd/MM/yyyy} a @{dataFinal|format=dd/MM/yyyy}
Órgãos
Unidade Função Período
@{descricao} @{funcao.descricao} @{dataInicial|format=dd/MM/yyyy} a @{dataFinal|format=dd/MM/yyyy}
Plano de Trabalho
Metas/Indicadores/Fases
  • Meta:
    Investigação de técnicas de aprendizado de casos para agentes jogarem Truco
    Período:
    14/10/2019 a 31/12/2020
    Valor:
    R$ [Não informado]
    Conclusão:
    100 %
  • Meta:
    Pesquisa e desenvolvimento de técnicas de IA voltadas para resolução de problemas em jogos de cartas, com especial atenção ao jogo de Truco
    Período:
    14/10/2019 a 31/12/2021
    Valor:
    R$ [Não informado]
    Conclusão:
    80 %
  • Meta:
    Pesquisa sobre casos e clusters no desenvolvimento de políticas de reuso para tomada de decisão em jogos de cartas
    Período:
    14/12/2019 a 31/12/2021
    Valor:
    R$ [Não informado]
    Conclusão:
    50 %
  • Meta:
    Pesquisa sobre técnicas de aprendizado ativo em raciocínio baseado em casos para o emprego de engano em jogos de cartas
    Período:
    14/10/2019 a 31/12/2021
    Valor:
    R$ [Não informado]
    Conclusão:
    70 %