Différence d’apprentissage de concepts pour un modèle d’évaluation de positions d’échecs entraîné à différents niveaux de jeu

Défense de mémoire de Antoine Gillet

Au cours de la dernière décennie, les IA jouant aux échecs ont considérablement évolué, passant de modèles conçus manuellement par des experts à des réseaux de neurones. Cette évolution a grandement amélioré les performances des IA d'échecs, rendant leur jeu plus complexe. Cependant, cette complexité accrue a un coût : le jeu des IA est devenu plus difficile à interpréter pour les humains. C'est pourquoi des recherches récentes visent à développer des techniques d'interprétabilité pour comprendre ces IA. L'une de ces techniques est la recherche de concepts, qui permet de mettre en lumière les concepts propres aux échecs appris par ces IA. Pour cela, cette technique utilise des sondes pour détecter les concepts à l'intérieur des réseaux de neurones. Ce mémoire est basé sur l'application de cette technique sur un modèle similaire à celui de Stockfish, l'une des meilleures IA d'échecs actuelles. Plus particulièrement, la technique est appliquée sur un modèle entraîné plusieurs fois, mais sur trois datasets différents. Chacun de ces datasets est constitué de parties d'échecs représentatives d'un certain niveau de jeu. Les résultats montrent comment certains concepts sont plus difficilement appris par rapport à d'autres, selon le niveau de jeu sur lequel le modèle a été entraîné. De plus, pour valider les résultats de la recherche de concepts, une seconde technique d'interprétabilité a été utilisée sur les sondes afin de vérifier si elles ont bien appris les concepts souhaités.

Mots-clés : intelligence artificielle, deep learning, interprétabilité, recherche de concepts, échecs

Contact : Isabelle Daelman - isabelle.daelman@unamur.be
Télecharger : vCal