[J’ai testé pour vous] L’intelligence artificielle dans les jeux vidéo

Le 26 novembre dernier avait lieu la septième rencontre organisée par WiMLDS Montréal (Women in Machine Learning and Data Science). L’évènement portait sur l’IA dans les jeux vidéo et regroupait une vingtaine d’intéressé.e.s.

WiMLDS est un organisme ayant pour mission de promouvoir le rayonnement des femmes et des minorités de genre en apprentissage automatique et en science des données. Le groupe de Montréal est géré par Marina Pavlovic Rivas, Ghizlene Zerguini, Fanny Riols et Yosra Kazemi. Il organise régulièrement une foule d’activités gratuites, comme des conférences, ateliers, séances de réseautage et hackathons.

UN MARKETING PLUS EFFICACE GRÂCE AUX TESTS A/B

Kelsey Pericak n’a pas le parcours standard pour la science des données : graduée d’un baccalauréat en commerce de l’Université McGill, elle a commencé sa carrière en tant qu’analyste à la BDC. Après avoir appris à coder par elle-même, l’opportunité s’est présentée de rejoindre Ubisoft. Durant sa présentation, elle a entre autres expliqué la différence entre un analyste de données et un scientifique de données. Le premier bâtit surtout des rapports et des tableaux de bords. Le second est affairé aux tâches plus complexes, comme le traitement automatique des langues. Ceci dit, il est courant de voir les deux rôles se chevaucher. 

«L’ordinateur est plongé dans un environnement où il doit prendre des décisions, avec l’objectif d’optimiser une récompense.» – Sandrine Bédard

Disons qu’Ubisoft aimerait offrir des récompenses aux joueur/euses via courriel. La tâche est alors d’identifier les personnes les plus susceptibles d’en bénéficier. Pour ce faire, l’équipe de Mme. Pericak pourrait faire un test A/B, où plusieurs versions d’un courriel seront envoyés à deux échantillons similaires. La performance de chaque courriel serait évaluée en mesurant le pourcentage de cliques, par exemple.

ENTRAÎNER DES PNJ GRÂCE À L’APPRENTISSAGE PAR RENFORCEMENT

Tout comme Mme. Pericak, Lulu Tan a étudié à l’Université McGill. Elle détient une maîtrise en génie et travaille désormais chez Unity comme développeuse en apprentissage automatique. Dans le développement des jeux vidéo, les défis sont de taille :

• Comment créer des personnages non-joueurs (PNJ) plus réactifs et intelligents?
• Comment simuler des interactions réalistes dans un monde virtuel?

La bonne nouvelle est que l’IA, et plus spécifiquement l’apprentissage par renforcement, peut aider les développeurs à répondre à ces questions! Il existe 3 grandes familles d’apprentissage : supervisé, non-supervisé et par renforcement. L’apprentissage supervisé est utilisé lorsqu’on dispose de données déjà classées et qu’on désire pouvoir prédire la classe d’un nouvel élément. À l’opposé, l’apprentissage non-supervisé considère des données non étiquetées et tente de les regrouper par classe. Finalement, l’apprentissage par renforcement est directement lié à la méthode essai-erreur. L’ordinateur est plongé dans un environnement où il doit prendre des décisions, avec l’objectif d’optimiser une récompense.

Fonctionnement de l’apprentissage par renforcement – Crédit: Lulu Tan

Concrètement, l’équipe de Mme. Tan a exploité cette technologie pour entraîner un PNJ à sauter par-dessus un obstacle. Progressivement, la difficulté de la tâche était augmentée, mais aussi les capacités de l’ordinateur grâce à ses apprentissages. Le projet est même accessible à tous et à toutes gratuitement!