O projeto mario-ai oferece um pipeline abrangente para desenvolver agentes de IA que dominam o Super Mario Bros. usando neuroevolução. Ao integrar uma implementação de NEAT baseada em Python com o ambiente SuperMario do OpenAI Gym, permite que os usuários definam critérios de fitness personalizados, taxas de mutação e topologias de rede. Durante o treinamento, a estrutura avalia gerações de redes neurais, seleciona genomas de alto desempenho e fornece visualizações em tempo real do jogo e da evolução da rede. Além disso, suporta salvar e carregar modelos treinados, exportar os melhores genomas e gerar logs detalhados de desempenho. Pesquisadores, educadores e entusiastas podem estender o código para outros ambientes de jogo, experimentar estratégias evolutivas e criar benchmarks do progresso de aprendizagem de IA em diferentes níveis.

My AskAI oferece um agente de IA projetado para revolucionar o suporte ao cliente, automatizando respostas e desviando até 75% dos pedidos de suporte. Integrado facilmente em provedores de chat ao vivo existentes, como Intercom e Zendesk, ajuda as empresas a melhorar a eficiência e se concentrar em problemas mais complexos. A plataforma também suporta fins educacionais, permitindo que os alunos interajam com materiais a qualquer hora, fornecendo insights sobre áreas em que estão tendo dificuldades.

AIpacman é um projeto de código aberto em Python que simula o ambiente do jogo Pac-Man para experimentação com IA. Os usuários podem escolher entre agentes embutidos ou implementar personalizados usando algoritmos de busca como DFS, BFS, A*, UCS; métodos adversariais como Minimax com poda Alpha-Beta e Expectimax; ou técnicas de aprendizagem por reforço como Q-Learning. A estrutura fornece labirintos configuráveis, registro de desempenho, visualização das decisões dos agentes e uma interface de linha de comando para executar partidas e comparar pontuações. É projetado para facilitar aulas educacionais, benchmarks de pesquisa e projetos de entusiastas em IA e desenvolvimento de jogos.

Vanilla Agents é uma estrutura leve baseada em PyTorch que fornece implementações modulares e extensíveis de agentes de reforço fundamentais. Suporta algoritmos como DQN, Double DQN, PPO e A2C, com wrappers de ambiente plugáveis compatíveis com OpenAI Gym. Os usuários podem configurar hiperparâmetros, registrar métricas de treinamento, salvar pontos de verificação e visualizar curvas de aprendizagem. A base de código é organizada para clareza, tornando-a ideal para prototipagem de pesquisa, uso educacional e benchmarking de novas ideias em RL.