Ученые из лаборатории Intel и Дармштадтского университета в Германии придумали хитроумный способ вытащить полезную информацию для тренинга из популярной компьютерной игры Grand Theft Auto, где игрокам предлагается совершать какие-то плохие поступки. Статья с результатами работы опубликована онлайн, говорится в пресс-релизе вуза.

Машинное обучение построено на распознавании лиц, движений, образов. Вместо того, чтобы использовать реальные данные, ученые ищут способы смоделировать нужное поведение. Они создали такую программу, которая работает как прослойка между игрой и компьютерным железом и автоматически классифицирует разные объекты в дорожных сценах, показанных в игре. Она собирает метки, которые затем передаются алгоритму машинного обучения, позволяя ему распознать машины, пешеходов и другие объекты в игре или на реальной улице. Вручную в реальности было бы совершенно невозможно пометить все похожие сцены.

Полученные данные нужны для алгоритмов машинного обучения, которые используются в программах управления машиной без водителя. Чтобы такая машина ездила под управлением компьютера, нужно собрать тысячи часов реальных уличных снимков, и еще потребуется больше часов, чтобы разметить все эти снимки. Особенно нереально собрать такие данные в крупных ДТП.

«В искусственном окружении мы можем легко собрать точно размеченные данные на большом периоде времени со значительным количеством вариаций световых и климатических настроек. Мы показали, что для тренинга эти синтетические данные почти также хороши, а в чем-то даже лучше, чем реальные данные», — сказала Алиреза Шафай (Alireza Shafaei), аспирантка в университете Британской Колумбии и автор аналогичного исследования.

Исследователи искусственного интеллекта используют простые игры для тестирования обучающих возможностей своих алгоритмов. Наблюдается также возрастающий интерес к использованию сценария игры, чтобы поставлять визуальные данные в алгоритм. Этим занимается, к примеру, группа из Университета Джона Хопкинса в Балтиморе. Ученые создают инструмент, который может быть использован для связи алгоритма машинного обучения с любым окружением, построенным при помощи движка популярной игры Unreal. Это включает игры вроде KiteRunner и Hellblade, но также эффектные архитектурные визуализации.