Lorsqu’Alphabet, via sa filiale DeepMind, s’est intéressé au jeu de Go (en développant notamment son IA AlphaGo), c’était à cause du défi que représentait ce jeu. En effet, la résolution formelle par une recherche arborescente (qui est à la base de la plupart des algorithmes utilisés pour les programmes de jeux à deux joueurs) s'avérait plus complexe par exemple que s'il s'agissait d'un jeu du morpion, de dames anglaises ou d'échecs. Pour quelle raison ? Le nombre de configurations possibles : il y en a 10 puissance 3 pour le jeu du morpion (sur une grille de 10×10 au lieu de 3×3, avec l'objectif d'aligner 6 pions au lieu de 3), 10 puissance 20 pour le jeu des dames anglaises, 10 puissance 50 pour le jeu d'échecs et 10 puissance 171 pour le jeu de go.
Raison pour laquelle ce succès a été particulièrement suivi et a marqué le franchissement d’une étape dans le développement des IA.
Cependant, Alphabet n’était pas la seule entité à travailler sur une IA pour se mesurer aux champions dans la discipline. Parmi les autres organisations dans la course figurait Facebook et son IA baptisé ELF OpenGo.
« Nous rendons hommage à nos amis de DeepMind pour leur excellent travail », a déclaré Mike Schroepfer, directeur technique de Facebook, lors d’un discours donné hier durant la F8 (conférence Facebook dédiée aux développeurs). « Mais nous nous sommes demandés : y a-t-il des questions sans réponse ? À quoi d'autre pouvez-vous appliquer ces outils ? »
En effet, malgré les nombreux avantages de l'utilisation des jeux pour l’entraînement d’une IA, il peut être difficile pour les individus de mener des recherches sur l'IA dans un environnement de jeu. D’ailleurs, Facebook reconnaît qu’en raison des limitations de nombreux algorithmes d'apprentissage actuels, des centaines de milliers de tours de jeu sont nécessaires, ce qui n'est pas possible sans une quantité suffisante de ressources de calcul, par exemple des plateformes informatiques hautes performances équipées de nombreux CPU, GPU ou matériel spécialisé. De plus, les algorithmes pertinents sont complexes et délicats à accorder. Ces problèmes se compliquent à mesure que la complexité de l'environnement d'entraînement augmente et que plusieurs agents IA sont introduits.
Aussi, pour résoudre ces problèmes et démocratiser les efforts de recherche sur l'IA, l'équipe Facebook AI Research (FAIR) a créé ELF (Extensive, Lightweight, and Flexible) : une plateforme étendue, légère et flexible pour la recherche sur les jeux. ELF permet aux chercheurs de tester leurs algorithmes dans divers environnements de jeu, y compris les jeux de société, les jeux Atari (via l'environnement d'apprentissage Arcade) et les jeux de stratégie en temps réel sur mesure. Non seulement il fonctionne sur un ordinateur portable avec un GPU, mais il permet également d’entraîner l'IA dans des environnements de jeu plus compliqués, comme les jeux de stratégie en temps réel, en seulement une journée avec seulement six processeurs et un GPU.
C’est donc dans ce cadre que l’équipe FAIR a tenté l’expérience sur le jeu de Go dans un premier temps : « Inspirés par le travail de DeepMind, nous avons tenté plus tôt cette année de reproduire leurs résultats récents obtenus avec AlphaGoZero en utilisant le framework ELF de FAIR pour la recherche d'apprentissage de renforcement. L'objectif était de créer une implémentation open source d'un système qui apprendrait à jouer au jeu Go au niveau d'un joueur humain professionnel ou mieux encore »..
Satisfaite des résultats, elle a décidé de publier en open source le bot ELF OpenGo, aussi bien le modèle formé que le code qui a été utilisé pour le créer : « En publiant notre code et nos modèles, nous espérons inspirer les autres à réfléchir à de nouvelles applications et orientations de recherche pour cette technologie ».
Comme le note Schroepfer, ELF OpenGo a été mis en open source pour rendre ce travail à la fois reproductible et disponible pour les chercheurs en IA du monde entier. Il s’agit d’un bot qui « fonctionne suffisamment bien pour répondre à certaines des questions clés sans réponse d'AlphaGo ».
Pour ce qui concerne le parcour d’ELF OpenGo jusque là, FAIR explique que : « ELF OpenGo a joué avec succès contre d'autres bots Open Source ainsi que des joueurs humains. Nous avons joué et gagné 200 matchs contre LeelaZero (158603eb, 25 avril 2018), le bot le plus fort disponible en open source, en utilisant ses paramètres par défaut et sans réfléchir. Nous avons également réalisé une fiche de 14 victoires, 0 défaites contre quatre des 30 meilleurs joueurs de Go au classement mondial. Ces jeux ont tous été joués en utilisant un seul GPU faisant des mouvements toutes les 50 secondes, selon les règles chinoises avec 7,5 komi, et un temps illimité donné aux joueurs humains pour considérer leurs mouvements. Nous remercions l'équipe de LeelaZero pour son travail de qualité, et nous espérons que l'open-sourcing de notre bot pourra bénéficier de manière similaire à des initiatives communautaires comme LeelaZero ».
dépôt GitHub d'ELF OpenGoSources : FAIR, Facebook Code
Et vous ?
Qu'en pensez-vous ?Voir aussi :
Intelligence artificielle : AlphaGo au coude à coude avec un enfant de six ans en termes de QI, Bing et Siri font moins bien AlphaZero : l'IA de DeepMind qui devient imbattable sur trois jeux différents en moins de 24 heures, les premiers pas vers une IA généraliste ? Intelligence artificielle : les humains meilleurs que les robots sur le jeu StarCraft ? Un professionnel bat quatre robots en moins de 27 minutes 
