Samuag
New member
OpenAI uzmanları, Minecraft’ı insan oyuncular kadar yüksek standartta oynayan bir hudut ağını eğitti. Sinir ağı, klavye ve fare girişlerinin de kaydedildiği, yüklenicilerin makul oyun içi misyonları gerçekleştirdiği küçük bir görüntü veritabanıyla desteklenen 70.000 saatlik çeşitli oyun içi manzaralar ile eğitildi.
İnce ayardan daha sonra OpenAI, modelin yüzmeden hayvan avlamaya ve etlerini tüketmeye kadar her türlü karmaşık beceriyi gerçekleştirebildiği gördü. hem de, oyuncunun yükselmek için sıçrarken altına bir gereç bloğu yerleştirdiği bir hareket olan “sütun tırmanmayı” da kavradı.
Belki de en etkileyici olanı, yapay zeka, OpenAI’nin bir bilgisayar ortacısı için gibisi görülmemiş bir muvaffakiyet olarak tanımladığı, sırayla yürütülmesi gereken uzun bir dizi hareketi gerektiren elmas araçları üretebildi.
Minecraft projesi, şirketin Görüntü PreTraining (VPT) olarak isimlendirilen AI modellerinin eğitiminde OpenAI tarafınca kullanılan yeni bir tekniğin işe yaradığını kanıtladığından dolayı büyük değer taşıyor.
Geçmişe bakıldığında, yapay zeka modellerini eğitmek için bir kaynak olarak ham görüntüyü kullanmanın en büyük zorluğu, olanların anlaşılması için gereğince sıradan olmasıydı, fakat bu görüntü eğitimleri sonuçların nasılını öğretmiyor. Gerçekte, AI modeli istenen sonuçları emiyor, fakat bunlara ulaşmak için gereken girdi kombinasyonlarını kavrayamıyor.
Ancak VPT ile OpenAI, temel modeli oluşturmak için ilgili klavye ve fare hareketleriyle etiketlenmiş, itinayla seçilmiş bir manzara havuzuyla halka açık web kaynaklarından alınan büyük bir görüntü bilgi kümesini eşleştiriyor.
Ekip, temel modelde ince ayar yapmak hedefiyle muhakkak bakılırsavleri öğretmek için tasarlanmış daha küçük bilgi kümelerini ekler. Bu manada, OpenAI, ağaçların kesilmesi ve üretim istasyonları inşa edilmesi üzere erken oyun hareketlerini gerçekleştiren oyuncuların imgelerini kullandı. Bunun, modelin bu bakılırsavleri yerine getirebildiği güvenilirlikte “büyük bir gelişme” sağladığı söyleniyor.
Bir öteki teknik, pekiştirmeli öğrenme olarak bilinen bir uygulama olan bir dizi bakılırsavdeki her adımı başarmak için AI modelini “ödüllendirmeyi” içeriyor. Bu süreç, hudut ağının insan seviyesinde bir muvaffakiyet oranına sahip olarak bir elmas kazma üretebilmek için tüm materyalleri toplamasını sağladı.
OpenAI tarafınca gönderilen bir blog yazısında “VPT, sadece lisandan daha fazla alanda direkt büyük ölçekli davranışsal evvelari öğrenmenin heyecan verici mümkünlüğünü sunuyor. Sadece Minecraft’ta deneyler yapsak da, oyunun ucu hayli açık ve mahallî insan arayüzü (fare ve klavye) epey genel, bu niçinle sonuçlarımızın başka misal alanlar, mesela bilgisayar kullanması için düzgüne işaret ettiğine inanıyoruz.“
İnce ayardan daha sonra OpenAI, modelin yüzmeden hayvan avlamaya ve etlerini tüketmeye kadar her türlü karmaşık beceriyi gerçekleştirebildiği gördü. hem de, oyuncunun yükselmek için sıçrarken altına bir gereç bloğu yerleştirdiği bir hareket olan “sütun tırmanmayı” da kavradı.
Belki de en etkileyici olanı, yapay zeka, OpenAI’nin bir bilgisayar ortacısı için gibisi görülmemiş bir muvaffakiyet olarak tanımladığı, sırayla yürütülmesi gereken uzun bir dizi hareketi gerektiren elmas araçları üretebildi.
Minecraft projesi, şirketin Görüntü PreTraining (VPT) olarak isimlendirilen AI modellerinin eğitiminde OpenAI tarafınca kullanılan yeni bir tekniğin işe yaradığını kanıtladığından dolayı büyük değer taşıyor.
Geçmişe bakıldığında, yapay zeka modellerini eğitmek için bir kaynak olarak ham görüntüyü kullanmanın en büyük zorluğu, olanların anlaşılması için gereğince sıradan olmasıydı, fakat bu görüntü eğitimleri sonuçların nasılını öğretmiyor. Gerçekte, AI modeli istenen sonuçları emiyor, fakat bunlara ulaşmak için gereken girdi kombinasyonlarını kavrayamıyor.
Ancak VPT ile OpenAI, temel modeli oluşturmak için ilgili klavye ve fare hareketleriyle etiketlenmiş, itinayla seçilmiş bir manzara havuzuyla halka açık web kaynaklarından alınan büyük bir görüntü bilgi kümesini eşleştiriyor.
Ekip, temel modelde ince ayar yapmak hedefiyle muhakkak bakılırsavleri öğretmek için tasarlanmış daha küçük bilgi kümelerini ekler. Bu manada, OpenAI, ağaçların kesilmesi ve üretim istasyonları inşa edilmesi üzere erken oyun hareketlerini gerçekleştiren oyuncuların imgelerini kullandı. Bunun, modelin bu bakılırsavleri yerine getirebildiği güvenilirlikte “büyük bir gelişme” sağladığı söyleniyor.
Bir öteki teknik, pekiştirmeli öğrenme olarak bilinen bir uygulama olan bir dizi bakılırsavdeki her adımı başarmak için AI modelini “ödüllendirmeyi” içeriyor. Bu süreç, hudut ağının insan seviyesinde bir muvaffakiyet oranına sahip olarak bir elmas kazma üretebilmek için tüm materyalleri toplamasını sağladı.
OpenAI tarafınca gönderilen bir blog yazısında “VPT, sadece lisandan daha fazla alanda direkt büyük ölçekli davranışsal evvelari öğrenmenin heyecan verici mümkünlüğünü sunuyor. Sadece Minecraft’ta deneyler yapsak da, oyunun ucu hayli açık ve mahallî insan arayüzü (fare ve klavye) epey genel, bu niçinle sonuçlarımızın başka misal alanlar, mesela bilgisayar kullanması için düzgüne işaret ettiğine inanıyoruz.“