تُعد الألعاب التنافسية ذات المعلومات الناقصة مثل StarCraft وDota وCounterStrike من التحديات الكبرى في مجال الذكاء الاصطناعي. فمع وجود مكافآت نادرة وصعوبة في الاستكشاف على مدى زمني طويل، تبقى القدرة على إيجاد توازن تقريبي شبه مستحيلة. لكن الباحثين أطلقوا صيغة جديدة لتحسين الاستكشاف الذاتي في هذه الألعاب تحت اسم "إستراتيجيات بدء الألعاب المدعومة بالبيانات" (Data-Augmented Game Starts - DAGS).

تستند فكرة DAGS إلى استخدام بيانات تم جمعها سابقاً من لاعبين ذوي مهارات عالية لتوجيه الاستكشاف في الألعاب. حيث تتمثل الاستراتيجية في أخذ عينات من حالات ابتدائية متوسطة الأهمية، مما يسهل على الوكلاء استكشاف الألعاب بشكل أعمق.

خلال تجارب أجريت باستخدام بيانات صناعية، أظهرت DAGS فعالية كبيرة في تحسين الأداء في ألعاب مثل Kuhn Poker وGoofspiel، بالإضافة إلى ابتكار لعبة مصممة لمعاقبة المعتقدات المنحازة تجاه المعلومات المخفية. وأظهرت النتائج أن استخدام هذه الإستراتيجية قد يؤدي إلى توازنات متحيزة، ولكن تم اقتراح حلول لتخفيف هذه المشكلة تعتمد على إشارات الملاحظة متعددة المهام.

إضافةً إلى ذلك، أطلق الباحثون مجموعة جديدة من البيئات المرجعية التي تزيد من تحديات الاستكشاف وعدد الحالات في الألعاب الموجودة باستخدام OpenSpiel، مما يعزز من دقة القياسات المتعلقة بالاستغلال.