Waarom is dit belangrijk?
Opeenvolgende keuzes zijn vaak te veel om volledig door te rekenen, en Monte Carlo tree search richt de zoektocht daarom op stappen die veelbelovend lijken. In transport en robotica helpt de methode bij het plannen van routes, bijvoorbeeld om obstakels te ontwijken. Planners krijgen binnen beperkte rekentijd een werkbaar plan, maar een vereenvoudigd model van de fysieke wereld kan de uitkomst minder betrouwbaar maken.
Zo werkt het in de praktijk
Monte Carlo tree search stuurt zetten in schaakprogramma's en in strategiespellen. Total War: Rome II gebruikt de methode voor de kunstmatige intelligentie van de campagne. DeepMind koppelt haar in AlphaZero aan een neuraal netwerk, een rekenmodel dat een stelling beoordeelt.
Onderzoek richt zich op aanpassingen van de gewone versie. Een overzicht in Artificial Intelligence Review behandelt roosters en combinatorische optimalisatie. Auteurs koppelen de zoekmethode aan diep reinforcement learning, leren door beloning.
De methode past bij een Markov-beslissingsproces, een model voor keuzes in de tijd met toeval. Programma's sturen de zoektocht vaak met UCT, een rekenregel die nieuwe en sterke zetten afweegt. Bij general game playing gebruiken programma's haar voor onbekende spellen zonder extra voorkennis.




