Проект mario-ai предлагает комплексную цепочку для разработки AI-агентов для освоения Super Mario Bros., с помощью нейроэволюции. Интегрируя реализацию NEAT на Python с окружением OpenAI Gym SuperMario, он позволяет пользователям задавать собственные критерии оценки, уровни мутаций и топологии сети. В процессе обучения фреймворк оценивает поколения нейронных сетей, отбирает наиболее эффективные гены и предоставляет визуализацию как игрового процесса, так и эволюции сети в реальном времени. Кроме того, он поддерживает сохранение и загрузку обученных моделей, экспорт лучших геномов и создание детальных журналов производительности. Исследователи, преподаватели и любители могут расширять код для других игровых сред, экспериментировать с эволюционными стратегиями и сравнивать прогресс обучения ИИ на разных уровнях.

My AskAI предлагает AI-агента, разработанного для революционизации поддержки клиентов, автоматизируя ответы и снижая до 75% запросов на поддержку. Легко интегрируется в существующих поставщиков чата, таких как Intercom и Zendesk, он помогает бизнесам повышать эффективность и сосредотачиваться на более сложных проблемах. Платформа также поддерживает образовательные цели, позволяя студентам взаимодействовать с материалами круглосуточно, предоставляя информацию о тех областях, в которых они испытывают трудности.

AIpacman — это open-source проект на Python, моделирующий среду игры Pac-Man для экспериментов с ИИ. Пользователи могут выбрать встроенных агентов или реализовать собственных с помощью алгоритмов поиска (DFS, BFS, A*, UCS), adversarial методов (Minimax с обрезкой Alpha-Beta и Expectimax) или техник обучения с подкреплением (Q-Learning). Фреймворк обеспечивает конфигурируемые лабиринты, логирование производительности, визуализацию решений агентов и CLI для запуска матчей и сравнения результатов. Он предназначен для образовательных целей, исследований и личных проектов в области ИИ и разработки игр.

Vanilla Agents — это лёгкий фреймворк на базе PyTorch, предоставляющий модульные и расширяемые реализации основных агентов обучения с подкреплением. Он поддерживает алгоритмы DQN, Double DQN, PPO и A2C, с подключаемыми обёртками окружений, совместимыми с OpenAI Gym. Пользователи могут настраивать гиперпараметры, регистрировать метрики обучения, сохранять контрольные точки и визуализировать кривые обучения. Код организован ясно, что делает его идеальным для прототипирования, образовательных целей и бенчмаркинга новых идей в RL.