Das mario-ai-Projekt bietet eine umfassende Pipeline zur Entwicklung von AI-Agenten, um Super Mario Bros. mittels Neuroevolution zu meistern. Durch die Integration einer Python-basierten NEAT-Implementierung mit der OpenAI Gym SuperMario-Umgebung können Nutzer individuelle Fitness-Kriterien, Mutationsraten und Netzwerk-Topologien festlegen. Während des Trainings bewertet das Framework Generationen von neuronalen Netzwerken, wählt hochleistungsfähige Genome aus und bietet Echtzeitvisualisierung von Spielabläufen und Netzwerkentwicklung. Zudem unterstützt es das Speichern und Laden trainierter Modelle, das Exportieren der besten Genome und die Erstellung detaillierter Leistungsprotokolle. Forscher, Pädagogen und Hobbyisten können den Code auf andere Spielumgebungen erweitern, mit evolutionären Strategien experimentieren und den Lernfortschritt des AI über verschiedene Level hinweg benchmarken.

My AskAI bietet einen KI-Agenten, der entwickelt wurde, um den Kundenservice zu revolutionieren, indem Antworten automatisiert und bis zu 75% der Supportanfragen abgelehnt werden. Er lässt sich leicht in bestehende Live-Chat-Anbieter wie Intercom und Zendesk integrieren und hilft Unternehmen, die Effizienz zu steigern und sich auf komplexere Probleme zu konzentrieren. Die Plattform unterstützt auch Bildungszwecke, indem sie Schülern rund um die Uhr ermöglicht, mit Materialien zu interagieren und Einblicke in Bereiche zu geben, in denen sie Schwierigkeiten haben.

AIpacman ist ein Open-Source-Python-Projekt, das die Pac-Man-Spielumgebung für KI-Experimente simuliert. Nutzer können aus eingebauten Agenten wählen oder eigene mit Suchalgorithmen wie DFS, BFS, A*, UCS; feindlichen Methoden wie Minimax mit Alpha-Beta-Suche und Expectimax; oder Verstärkungslernen-Techniken wie Q-Learning implementieren. Das Framework bietet konfigurierbare Labyrinthe, Leistungsprotokollierung, Visualisierung der Entscheidungsfindung der Agenten und eine Kommandozeilenschnittstelle für Spielausschnitte und Punktvergleiche. Es ist für Lehrveranstaltungen, Forschungsbenchmarks und Hobbyprojekte in KI und Spieentwicklungen konzipiert.

Vanilla Agents ist ein leichtgewichtiges, auf PyTorch basierendes Framework, das modulare und erweiterbare Implementierungen wesentlicher Reinforcement-Learning-Agenten liefert. Es unterstützt Algorithmen wie DQN, Double DQN, PPO und A2C, mit anpassbaren Umwelt-Wrappern, die mit OpenAI Gym kompatibel sind. Benutzer können Hyperparameter konfigurieren, Trainingsmetriken protokollieren, Checkpoints speichern und Lernkurven visualisieren. Der Code ist klar strukturiert, ideal für Forschungsprototypen, Bildungszwecke und Benchmarking neuer Ideen im RL.