التعلم باللعب الذاتي (Self-Play) هو مصطلح ظهر في مقالات قرمصيص ويستحق شرحاً مستقلاً. أسلوب يولد فيه الوكيل خبرته عبر اللعب ضد نسخ من نفسه بدلاً من الاعتماد فقط على مباريات بشرية. فهمه يساعدك على قراءة الشروحات ونتائج التجارب من غير خلط بين الاسم ووظيفته الفعلية.
باختصار
أسلوب يولد فيه الوكيل خبرته عبر اللعب ضد نسخ من نفسه بدلاً من الاعتماد فقط على مباريات بشرية.
بالتفصيل
يتحسن الخصم مع تحسن الوكيل، فتظل البيانات صعبة ومتجددة. اشتهر الأسلوب مع AlphaGo Zero الذي بدأ من لعب عشوائي واستخدم نتائج مبارياته لتحديث شبكة تتنبأ بالحركات والفائز.
الفكرة العملية هي النظر إلى مكان المصطلح داخل خط العمل: ما البيانات التي تدخل إليه، وما النتيجة التي ينتجها، وما التكلفة أو الافتراض الذي يضيفه. المقارنة العادلة تحتاج تجربة على بيانات منفصلة ومقياس مناسب، لا الاعتماد على الاسم أو الشهرة وحدهما.
مثال عملي
في لعبة لوحية، يلعب الوكيل آلاف المباريات ضد نسخته الحالية ثم يحتفظ بالتحديثات التي ترفع معدل الفوز.
خلي بالك: قد يدور التدريب حول استراتيجيات ضيقة أو غير مستقرة، لذلك يحتاج خصوماً محفوظين وتقييماً خارجياً.
مصطلحات مرتبطة
Reinforcement Learning، World Model، Reward. قراءة هذه المصطلحات معاً توضح العلاقة بين البيانات والتدريب والتقييم والتشغيل.
المصادر: Google DeepMind — 2017-10-18
