mario-ai 프로젝트는 신경진화를 이용하여 Super Mario Bros.를 마스터할 AI 에이전트를 개발하기 위한 포괄적인 파이프라인을 제공합니다. Python 기반 NEAT 구현과 OpenAI Gym의 SuperMario 환경을 통합하여, 사용자들이 맞춤형 적합도 기준, 돌연변이율, 네트워크 토폴로지를 정의할 수 있도록 지원합니다. 훈련 동안, 이 프레임워크는 신경망의 세대를 평가하고, 우수한 유전체를 선택하며, 게임 플레이와 네트워크 진화의 실시간 시각화를 제공합니다. 또한, 훈련된 모델의 저장 및 로드, 챔피언 유전체의 내보내기, 상세 퍼포먼스 로그 생성도 가능합니다. 연구자, 교육자, 취미 연구자들은 코드를 다른 게임 환경으로 확장하고, 진화 전략 실험과 다양한 레벨별 AI 학습 진행상태 벤치마킹이 가능합니다.

My AskAI는 응답을 자동화하고 최대 75%의 지원 요청을 거부하도록 설계된 AI 에이전트를 제공합니다. Intercom 및 Zendesk와 같은 기존 라이브 채팅 제공업체에 쉽게 통합되어 기업이 효율성을 높이고 복잡한 문제에 집중할 수 있도록 돕습니다. 이 플랫폼은 교육 목적으로도 지원하여 학생들이 언제든지 자료와 상호작용하고, 그들이 어려움을 겪고 있는 영역에 대한 인사이트를 제공합니다.

AIpacman은 AI 실험을 위한 팩맨 게임 환경을 시뮬레이션하는 오픈 소스 파이썬 프로젝트입니다. 사용자들은 내장 에이전트 선택 또는 DFS, BFS, A*, UCS와 같은 검색 알고리즘, Minimax와 Alpha-Beta 가지치기, Expectimax, 또는 Q-러닝 같은 강화 학습 기법을 활용한 맞춤형 에이전트를 구현할 수 있습니다. 이 프레임워크는 구성 가능한 미로, 성능 로깅, 에이전트 결정 과정 시각화, 매치 실행 및 점수 비교를 위한 명령줄 인터페이스를 제공하며, 교육, 연구 벤치마크, 취미 AI/게임 개발 프로젝트에 적합하게 설계되었습니다.

Vanilla Agents는 핵심 강화 학습 에이전트의 모듈형 및 확장 가능한 구현을 제공하는 경량 PyTorch 기반 프레임워크입니다. DQN, Double DQN, PPO, A2C와 같은 알고리즘을 지원하며, OpenAI Gym과 호환 가능한 플러그인 환경 래퍼를 갖추고 있습니다. 사용자는 하이퍼파라미터를 조정하고, 학습 메트릭을 로깅하며, 체크포인트를 저장하고, 학습 곡선을 시각화할 수 있습니다. 코드베이스는 명확하게 구성되어 있어 연구 프로토타이핑, 교육용, 새 아이디어의 벤치마킹에 이상적입니다.