Creation of an agent in reinforcement learning using explainability methods in a complex environment

La inteligencia artificial es una de las áreas de la computación que se encuentra actualmente en auge, este trabajo se encuentra bajo el marco del aprendizaje por refuerzo. El aprendizaje por refuerzo se centra en la resolución de problemas conocidos como escenarios mediante la creación de modelos de inteligencia artificial llamados agentes. Los objetivos de esto es maximizar el valor que nos retorna una función que una vez el agente ha realizado una acción en el escenario. Generalmente todos estos agentes han sido creados mediante el uso de redes neuronales. Al tener entrenada una red neuronal, desde fuera puede parecer como una caja negra ya que no sabemos porqué o cómo está solucionando el problema debido a su complejidad. La explicabilidad son un conjunto técnicas que se encargan de arrojar luz a esta caja intentando así dar explicaciones del porqué de su funcionamiento. En este trabajo se aplican este tipo de técnicas en el videojuego ViZDoom, en el cual se encuentran escenarios complejos de resolver.
Since the beginning of artificial intelligence as a field it has shown humanity how useful it has been to solve complex problems which there were no feasible algorithms for. One of the main problems is that once we have a system trained is like a black box. Explainability tries to cast light on those black boxes and explain how they are working or the case of Reinforcement Learning explains how they behave. In this project we will use some explainability techniques in the ViZDoom game which contains complex environments.