Sowohl bei traditionellen Strategie-Brettspielen wie Go oder Schach als auch bei modernen Strategie-Computerspielen wie Civilization oder StarCraft ist das "Durchschauen" des Gegners wesentlicher Bestandteil erfolgreicher Spielstrategien. Bei ansonsten weitgehend ebenbürtigen Gegnern, seien es Computer oder Menschen, gibt die Kenntnis gegnerischer Stärken und Schwächen typischerweise den Ausschlag. Tatsächlich kann dieser Faktor sogar die "objektiv" größere Stärke eines Gegner kompensieren.
Bei Computerspielen kommt oft erschwerend hinzu, dass die genauen Spielregeln oder Gesetze im Laufe des Spiels erst noch ermittelt werden mussen. Man denke z.B. an die implementierte Physik, die konkrete Berechnung von Schäden, Fahr- oder Flugbahnen, Bremswegen, usw. Erst wenn man diese Gesetzmäßigkeiten verstanden hat, kann man optimal agieren.
In der Projektgruppe wurden zwei klassische Verfahren – aktives und passives Automatenlernen – zur Ermittlung gegnerischer Strategien bzw. der konkreten Spielregeln eingesetzt, evaluiert, verglichen und insbesondere kombiniert und optimiert.
Die Projektgruppe erreichte dieses Ziel in mehreren Schritten, in denen mehrere wiederverwertbare Komponenten auf Basis austauschbarer Algorithmen realisiert wurden:
Diese Komponenten wurden anhand der Spiele Vier Gewinnt und Chain Reaction und diverser KIs für diese Spiele ausgiebig evaluiert.
In der Projektgruppe wurden erfolgreich Technologien entwickelt, die die Komplexität bein Anwenden von Lernverfahren deutlich reduzieren. Die Wiederverwendbarkeit und Skalierbarkeit der Komponenten wurde dabei durch eine gezielte Trennung sichergestellt. Des Weiteren wurden diverse Erkenntnisse über die Arbeit von Lernalgorithmen gewonnen.