Waarom is dit belangrijk?
Met openbare wedstrijden konden onderzoekers meten hoe ver een computer komt die leert van bewaarde spelen. In de wetenschap maakte de openbare code van Darkforest het mogelijk om de aanpak na te bouwen en verder te onderzoeken. Voor studenten en onderzoekers betekent dit een duidelijk voorbeeld van leren uit voorbeelden, met het risico dat het systeem de stijl en de grenzen van menselijke spelers volgt.
Zo werkt het in de praktijk
Darkforest speelt als gerangschikte bot op de KGS Go Server tegen mensen. Op de UEC Computer Go Cup speelde het tegen een professionele speler. Daarna ging Darkforest verder in het platform ELF, voor onderzoek naar computerspelen.
Onderzoekers bij Facebook AI Research testten een voorspelling van latere zetten. Zij vergeleken die aanpak met zoekprogramma's zoals Pachi. Het artikel hoort bij de conferentie ICLR, in het vak machinaal leren.
Darkforest koppelt het netwerk aan Monte Carlo tree search, een methode die veel partijlijnen nagaat. Het programma wisselt zetten uit via het GTP-protocol, een vaste opdrachttaal voor go-programma's. Trainen gebeurt met stochastic gradient descent, een stapgewijze bijsturing van het model.




