Os jogos estão desempenhando um papel fundamental na evolução da Inteligência Artificial (IA). Para começar, os ambientes de jogo estão se tornando o mecanismo de treinamento popular em áreas como aprendizado por reforço ou aprendizado por imitação. Em teoria, qualquer sistema de IA multiagente pode ser submetido a interações gamificadas entre seus participantes. O ramo da matemática que formula os princípios dos jogos é conhecido como Teoria dos Jogos. No contexto da Inteligência Artificial (IA) e dos sistemas de aprendizagem profunda (Deep Learning), a teoria dos jogos é essencial para habilitar alguns dos principais recursos necessários em ambientes multiagentes nos quais diferentes programas de IA precisam interagir ou competir para alcançar uma meta. Neste artigo vamos discutir a Teoria dos Jogos Para Cientistas de Dados.
A história da teoria dos jogos está ligada à história da ciência da computação. Grande parte da atual pesquisa em teoria dos jogos remonta ao trabalho de pioneiros da ciência da computação como Alan Turing ou John Von Neumann. O famoso Equilíbrio de Nash popularizado pelo filme “Uma Mente Brilhante” é a pedra angular de muitas interações da IA nos sistemas modernos. No entanto, modelar um universo de IA usando os princípios da teoria dos jogos muitas vezes vai além do Equilíbrio de Nash. Um bom lugar para começar a entender as implicações da arquitetura de sistemas de IA usando princípios da teoria de jogos é entender os diferentes tipos de jogos que normalmente encontramos em nossas interações sociais ou econômicas.
Todos os dias, participamos de centenas de interações baseadas na dinâmica de um jogo. No entanto, a arquitetura desses ambientes gamificados é completamente diferente, assim como os incentivos e objetivos do participante. Como aplicar alguns dos princípios à modelagem de agentes de IA? Esse é um desafio de segmentos de pesquisa de IA como aprendizado de reforço multi-agente.
Enquanto os jogos são, obviamente, a materialização mais visível da teoria dos jogos, estão longe de ser o único espaço em que esses conceitos são aplicados. Dessa perspectiva, existem muitas outras áreas que podem ser influenciadas pela combinação da teoria dos jogos e da IA. O fato de que a maioria dos cenários envolve múltiplos “participantes” colaborando ou competindo para realizar uma tarefa pode ser gamificada e melhorada usando técnicas de IA. Embora a afirmação anterior seja uma generalização, espero que isso transmita o argumento de que a teoria dos jogos e a inteligência artificial são uma maneira de pensar e modelar sistemas de software em vez de uma técnica específica.
Para que um cenário de IA seja um bom candidato para usar a teoria dos jogos, ele deve envolver mais de um participante. Por exemplo, os sistemas de IA de otimização de previsão de vendas, como o Salesforce Einstein, não são candidatos ideais para aplicar os princípios da teoria dos jogos. No entanto, em um ambiente multi-participante, a teoria dos jogos pode ser incrivelmente eficiente. Arquitetar a dinâmica do jogo em um sistema de IA pode ser resumido em duas etapas fundamentais:
· Design do participante: A teoria dos jogos pode ser usada para otimizar a decisão de um participante, a fim de obter a máxima utilidade.
· Design do Mecanismo: A teoria do jogo inverso se concentra em projetar um jogo para um grupo de participantes inteligentes. Leilões são um exemplo clássico de design de mecanismos.
5 Tipos de Jogos que os Cientistas de Dados Devem Conhecer
Suponha que estamos modelando um sistema de inteligência artificial que envolve vários agentes que irão colaborar e competir para atingir uma meta específica. Esse é um exemplo clássico da teoria dos jogos. Desde a sua criação na década de 1940, a teoria dos jogos se concentrou em modelar os padrões de interação mais comuns que agora vemos todos os dias em sistemas de IA com múltiplos agentes. Entender os diferentes tipos de dinâmica de jogo em um ambiente é um elemento-chave para projetar sistemas de IA gamificados eficientes. Em um nível alto, há um critério de cinco elementos que eu gosto de usar para entender a dinâmica do jogo em ambientes de IA:
Simétrico vs. Assimétrico
Uma das classificações mais simples de jogos é baseada em sua simetria. Um jogo simétrico descreve um ambiente no qual cada jogador tem os mesmos objetivos e os resultados dependerão apenas das estratégias envolvidas. O xadrez é um exemplo clássico de um jogo simétrico. Muitas das situações que encontramos no mundo real carecem da elegância matemática da simetria, já que os participantes geralmente têm objetivos diferentes e até conflitantes. Uma negociação é um exemplo de jogo assimétrico no qual cada parte tem objetivos diferentes e avalia os resultados de uma perspectiva diferente (ex: ganhar um contrato versus minimizar um investimento).
Informação Perfeita vs. Imperfeita
Outra importante categorização de jogos é baseada no tipo de informação disponível. Um jogo de informações perfeito refere-se a um ambiente no qual cada jogador pode ver os movimentos do outro jogador. Xadrez, novamente, é um exemplo de um jogo de informações perfeito. Muitas interações modernas são baseadas em ambientes nos quais os movimentos de cada jogador são escondidos de outros jogadores e a teoria dos jogos classifica esses cenários como jogos de informação imperfeitos. De jogos de cartas como pôquer a cenários de carros autônomos, jogos de informações imperfeitos estão ao nosso redor.
Cooperativa vs. Não Cooperativa
Um ambiente de jogo cooperativo é aquele em que os diferentes participantes podem estabelecer alianças para maximizar o resultado final. Negociações contratuais são frequentemente modeladas como jogos cooperativos. Cenários não cooperativos descrevem ambientes nos quais os jogadores são proibidos de formar alianças. Guerras são o melhor exemplo de jogos não cooperativos.
Simultâneo vs. Sequencial
Um jogo sequencial ocorre em um ambiente no qual cada jogador tem informações sobre as ações anteriores do outro jogador. Jogos de tabuleiro são na sua maioria sequenciais por natureza. Jogos simultâneos representam cenários em que ambos os jogadores podem realizar ações simultâneas. O comércio de valores mobiliários é um exemplo de jogos simultâneos.
Soma Zero vs. Soma Não-Zero
Um jogo de soma zero refere-se a um cenário em que os ganhos de um jogador sempre se traduzem em perdas para outros jogadores. Jogos de tabuleiro são exemplos de jogos de soma zero. Jogos de soma não-zero são frequentemente encontrados em cenários nos quais vários jogadores podem se beneficiar das ações de um jogador. As interações econômicas em que vários participantes colaboram para aumentar o tamanho do mercado são um exemplo de um jogo de soma diferente de zero.
Jogos simétricos dominam o mundo da IA e a maioria deles é baseada em uma das mais famosas teorias matemáticas do século passado: o Equilíbrio de Nash.
Equilíbrio de Nash
O Equilíbrio de Nash recebeu o nome de John Forbes Nash, o matemático americano imortalizado por Russell Crow no filme “Uma Mente Brilhante”. Essencialmente, um equilíbrio de Nash descreve uma situação na qual cada jogador escolheu uma estratégia e nenhum jogador pode se beneficiar mudando as estratégias, enquanto os outros jogadores mantêm as mesmas inalteradas.
O Equilíbrio de Nash é um belo e incrivelmente poderoso modelo matemático para lidar com muitos problemas da teoria dos jogos, mas também fica aquém em muitos ambientes de jogo assimétricos. Para começar, o método Nash pressupõe que os jogadores têm poder computacional infinito, o que raramente acontece nos ambientes do mundo real. Além disso, muitos modelos de Equilíbrio de Nash deixam de explicar a noção de risco que é onipresente na maioria dos jogos assimétricos dos mercados econômicos. Como resultado, há muitos cenários de jogos assimétricos que são difíceis de implementar usando o Equilíbrio de Nash. Isto é particularmente importante em sistemas IA multi-agentes que precisam encontrar o equilíbrio certo entre a elegância matemática da solução e a praticidade de sua implementação.
Teoria do Jogo Inverso
Em muitos casos, o problema não é otimizar a estratégia do participante em um jogo, mas sim projetar um jogo em torno do comportamento de participantes racionais. Este é o papel da teoria do jogo inverso. Leilões são considerados um dos principais exemplos da teoria do jogo inverso.
Sistemas de IA com múltiplos agentes são uma das áreas mais fascinantes de pesquisa no ecossistema de IA. Os princípios da teoria dos jogos que foram formulados por lendas da ciência da computação como Alan Turing ou John Von Neumann estão agora no centro de alguns dos sistemas mais inteligentes do planeta e os recentes avanços na IA estão ajudando a impulsionar a pesquisa sobre a teoria dos jogos .
Baseado no excelente artigo (em inglês): Game Theory for Data Scientists
David Matos
Referências:
Introdução à Inteligência Artificial
Análise em Grafos Para Big Data
1 thought on “Teoria dos Jogos Para Cientistas de Dados”