مقدمه
در دسامبر 2021، Hugging Face اولین محیط ML‑Agents خود به نام Snowball Fight را رونمایی کرده است. این بازی‌ساز بر پایه‌ی موتور Unity و کتابخانه ML‑Agents ساخته شده و امکان تعامل بین انسان و عامل یادگیری تقویتی را فراهم می‌کند.
چرا Snowball Fight؟
هدف اصلی Hugging Face، فراهم کردن یک فضای آموزشی و پژوهشی باز برای پژوهشگران و علاقه‌مندان به یادگیری تقویتی است. Snowball Fight یک نمونه‌ی عملی از این فلسفه است؛ با طراحی ساده و گیم‌پلی جذاب، به دانش‌آموزان و علاقه‌مندان اجازه می‌دهد مدل‌های RL را به صورت تعاملی تست کنند.
اجزای کلیدی محیط
- Unity ML‑Agents Toolkit: کتابخانه‌ای متن‌باز برای ساخت محیط‌های گیم‌پلی.
- Hugging Face Spaces: پلتفرم میزبانی برای اجرای مدل‌ها در مرورگر.
- یک دو تا سه پارامتر قابل تنظیم مانند سرعت توپ و درجه‌ی سختی.
- نحوه‌ی ارتباط باز با کتابخانه‌ی Trainer.
چگونه با Snowball Fight کار کنیم؟
فایل‌های پروژه در GitHub در دسترس است و می‌توانید به راحتی آن را کلون کرده، در محیط Unity باز کنید و مدل‌های خود را با استفاده از CLI Hugging Face آموزش دهید. این سه‌مرحله ساده را می‌توانید دنبال کنید:
- یک مدل RL را با استفاده از OpenAI Gym یا Unity Trainer انتخاب کنید.
- پارامترهای محیط را در فایل config.yaml تنظیم کنید.
- با اجرای python train.py آموزش را آغاز کنید و نتایج را در Space مشاهده کنید.
با این روند، پژوهشگران می‌توانند به سرعت از Snowball Fight برای ارزیابی الگوریتم‌های جدید RL استفاده کنند و نتایج را در فضای باز به اشتراک بگذارند.
نقش Hugging Face در اکوسیستم RL
Hugging Face نه تنها محیط آماده‌ای ارائه می‌دهد بلکه با سرویس‌های Inference Endpoints و Enterprise Pricing امکان استقرار مدل‌های RL در محیط‌های تولیدی را نیز فراهم کرده است. این ترکیب سه‌راهی قدرت و انعطاف را به پژوهشگران می‌دهد.
پرسش‌های پرتکرار
Snowball Fight چیست؟
Snowball Fight یک بازی ساده به‌صورت Unity ML‑Agents است که به‌عنوان اولین محیط مبتنی‌بر Hugging Face برای پژوهش در یادگیری تقویتی معرفی شد.
چگونه می‌توانم مدل RL خود را در این محیط آموزش دهم؟
با نصب ابزارهای ML‑Agents، خط فرمان <code>mlagents-learn</code> را فراخوانی کرده و به پیکربندی‌های محیط دست یافته، مدل را بر اساس فایل‌های YAML آموزش می‌دهید.
