Techniquement, le réseau (ici on n’a besoin que du générateur) affiche ce qui est le plus probable à afficher sachant :

• l’input
  


• l’image précédente
  


• une mémoire interne (si besoin)
  


• une valeur aléatoire (potentiellement ça peut servir de RNG)
  
  
  
  A voir si les comportement des fantômes sont respecté. Je sais qu’ils sont assez complexe (le rouge te chasse, le rose et le bleu vont essayé de se placer devant , le orange bouge aléatoirement.) Faire de pathfinding 100% avec des réseau de neurone, je suis moyen chaud (je ne dis pas que c’est impossible, mais ce n’est ni le plus efficace, ni le plus sûr).

Dans l’apprentissage automatique, on souhaite à faire le moins de manipulation à la main qui seront dès lors gravé dans le marbre, et laisser tout ça aux algo d’apprentissage qui pourront toujours s’améliorer avec l’expérience.



Typiquement, dans la reconnaissances d’images, il n’y a pas si longtemps on écrivait beaucoup de chose à la main, et les modèle d’apprentissage automatique était assez simple. Aujourd’hui, avec les réseaux de neurone convolutif (et parfois augmenté de réseaux de neurones récursifs) on lui donne à bouffer la base de donnée brute d’image et les résultats attendu, et il se démerde tout seul pour tout faire.



Dans le cas présent, un GAN est souvent utilisé pour augmenter une base de donnée d’apprentissage. Il y a des explication mathématique qui explique comment ça fonctionne, mais on s’en fout, l’idée est que l’on peut utiliser un GAN pour créer des nouvelles donnée d’apprentissage pour un nouveau réseau de neurone. C’est souvent utilisé pour l’analyse d’image quand on manque d’exemple. Mais dans ce cas là, c’est la sortie du GAN qui sert d’entrée.



Dans le cas présent, ça montre qu’un GAN permet de reproduire un système dynamique, avec entrée et sortie. On peut donc tout à fait imaginer utiliser un GAN pour apprendre à un modèle à piloter un système dynamique lorsque l’on a pas forcément un accès illimité et profond à ce système. D’un point de vu recherche, c’est important, je crois que c’est la première fois que l’on pousse aussi loin le GAN (on savait déjà l’utiliser avec une entrée pour “diriger” la sortie)



Pacman nous paraît simple, et heureusement, c’est un jeu vidéo créé par un humain pour les humains, heureusement que les règles nous soit facilement accessible. Mais derrière ce truc un peu fun, pour marquer l’anniversaire, il est démontrer qu’un ensemble de règles régissant un système dynamtique peuvent être apprises et reproduites avec une certaine fidélité par un modèle d’apprentissage automatique sans connaissance au préalable. Sous la surface rigolote du truc, il y a des choses qui intéressent les personnes travaillant dans le domaine.

Le but n’étant pas de reproduire un PacMan pour que l’on puisse y jouer réellement. C’est un résultat intermédiaire qui ouvre plein de possibilité. Comme je l’ai dit, un GAN par exemple sert souvent pour augmenter une base de données d’exemples qui servirons pour d’autre modèle d’apprentissage automatique.

Par exemple, ça suffirait peut-être à une autre réseau de neurone à apprendre à jouer à PacMan, il n’a pas a connaître les comportement exacts des fantômes, il lui suffit de comprendre qu’il faut les éviter (trouver des manœuvres basiques d’évitement) et qu’il faut bouffer les pac-gomme.