casino nyheter
October 20 2020

Bruk av kunstig intelligens i casinoverden

Skrevet av: Norskcasino team
  • Share

Generell tilnærming og bruk av AI og ML i online casino

Vi lever i en tid hvor teknologien utvikler seg i en ekstrem hastighet som igjen gjør det viktigere enn noen gang å følge med på utviklingen, få en innsikt i de forskjellige nyvinningene for deretter finne ut av hvordan de kan gjøre din hverdag enklere og bedre.

I denne artikkelen skal vi se nærmere på hvordan AI utvikleren Paul Reilly mener bruken av AI eller Artificial Intelligence og ML Machine Learning på sider som våre vil gjøre din opplevelse enda bedre.


Hva er AI og ML?

AI er en forkortelse for Artificial Intelligence eller kunstig intelligens på Norsk. En kunstig intelligens er et sett, eller et komplekst nettverk av, algoritmer som til sammen tenker som en menneskehjerne. Teknikken brukes i dag mange steder på nett og den vi sikkert alle har testet tidligere er hos google da de benytter AI for å finne de beste svarene til de spørsmålene du stiller.

ML eller Machine Learning er å studere algoritmer som forbedres automatisk med erfaring. ML bygger modeller basert på enkel data eller «trenings data» for deretter å komme med et mulig utfall eller produsere et riktigst mulig resultat, uten å være programmert for å gjøre akkurat det. Et godt eksempel på bruk av ML er din eposts spamfilter der algoritmene selv vurderer om en mail er spam eller ikke.


Hvordan kan algoritmene hjelpe oss?

Nå når vi vet hva AI og ML er skal vi se nærmere på hvordan du og jeg kan benytte oss av algoritmene og forenkle vår hverdag. Det første vi må gjøre er å finne en oppgave eller et problem en algoritme kunne hjulpet oss med. Noen eksempler på «områder» en algoritme kan hjelpe oss med kan være:

  • å forutsi en spillers potensielle verdi
  • å forutsi spillere som kan få et spilleproblem
  • å kunne anbefale spillere andre spill eller casino som passer det de allerede bruker eller til områder som
  • kundeservice og betalingsmetoder


Hva skal til for å sette i gang en algoritme

Når man har funnet et område man kan bruke algoritmer på er det to grunnleggende måter en eller flere algoritmer kan settes i gang med:

  • Overvåket maskinlære – her benyttes «merket data» eller data vi kjenner som hos de første epost spamfiltrene hvor spam var merket med «spam» og de resterende ble merket «ham».
  • Uovervåket maskinlære – her er data hverken merket eller kategorisert så maskinen benytter algoritmer til å organisere den data du har. Dette gjør algoritmene ved å se etter likheter eller forskjeller mellom dataen eller i serier av data for å gi deg et best mulig svar på det du lurer på.


Familiære MI algoritmer

De aller fleste datasett med familiære data er lette å bruke og algoritmene trener eller tester som oftest med to eller tre linjer med kode. De vanligste er:

  • Regresjon – her beregnes det sannsynlige forholdet mellom to eller flere variabler med formål om å forutsi et utfall
  • Klassifisering – her beregnes kategorien eller klassen et problem vil passe inn i ved å bruke de data man har tilgjengelig og
  • Klynger – her fordeles dataene i klynger hvor hver klynge deler en eller flere likheter.

Her vil overvåket maskinlære benytte data fra regresjon og klassifiserings gruppene og den uovervåkede maskinlæren vil benytte seg av dataen fra klyngene.


Teori satt i praksis

Ser vi for eksempel på det første spørsmålet vi stilte som var «hva er en spillers potensielle verdi?» er vi på jakt etter et tall fra en skala, ikke et enkelt svar som om spilleren antageligvis vil sette inn penger eller ikke. Dette vil i all hovedsak være et regresjons problem såfremt vi har nok data til å kunne regne frem et godt svar.

Et annet alternativ vil være å benytte de historiske data man har for deretter å sette i gang algoritmene for klassifisering. VI vil da kunne finne typen spiller som for eksempel: nybegynner eller storspiller.


Kort oppsummert

Som du nå sikkert forstår er det ikke bare å samle data som er viktig, det er vel så viktig å se på hvordan du kan bruka dataen og kanskje enda viktigere bruke dataen til å gjøre din jobb enklere.

Artikkelen er basert på en tekst fra Sigma.com. Ønsker du å lese mer om ML og bruken i casinosammenheng finner du hele artikkelen her.