Q-обучението е основен метод за обучение с подкрепление. Агентът се учи чрез проба и грешка каква дългосрочна стойност („Q-стойност“) има дадено действие в дадена ситуация и с времето избира най-обещаващите действия. За целта не му е необходим модел на средата. В комбинация с невронни мрежи (дълбоко Q-обучение) система на DeepMind използва този подход, за да се научи да играе много видеоигри на Atari само от пикселите на екрана.
Агенти, потоци и шаблони в едно работно пространство – безплатна 24-часова демонстрация.
Стартирайте демотоОбучението с подкрепление е дял от машинното обучение, при който агентът се учи чрез проба и грешка. Той действа в дадена среда, получава награди за добри резултати и наказания за лоши и по този начин изработва стратегия, която максимизира общата му награда. Известни примери са програмите, които овладяват настолни игри като Го, управлението на роботи и фината настройка на езикови модели въз основа на човешки оценки.
RLHF е метод за обучение, който прави езиковите модели по-полезни и по-безопасни. Хора сравняват и оценяват няколко от отговорите на модела; тези преценки се използват за обучение на модел на наградата, който след това допълнително обучава самия езиков модел чрез обучение с подкрепление. Така той се научава например да отговаря по-ясно или да отказва проблемни заявки. RLHF се провежда при доставчика на модела, преди моделът да бъде пуснат – не при отделните потребители.
Методите на Монте Карло са изчислителни техники, които използват много голям брой случайни извадки, за да приблизят резултати, които трудно се изчисляват аналитично. Системата се симулира хиляди пъти със случайно варирани допускания и се анализира разпределението на резултатите. Организациите ги използват за анализ на риска, планиране на проекти или оценка на портфейли. В областта на ИИ методите се прилагат, наред с другото, при обучението с подкрепление и при търсенето в дървета за игри.
Изкуствените невронни мрежи (artificial neural networks, ANN) са изчислителни модели, съставени от много свързани единици („неврони“), разположени на слоеве, които обработват входните данни чрез претеглени връзки. По време на обучението теглата се коригират стъпка по стъпка с помощта на примери, обикновено чрез обратно разпространение на грешката. ANN са основата на дълбокото обучение и задвижват разпознаването на образи, разпознаването на реч и големите езикови модели. Въпреки биологичното вдъхновение те работят много по-просто от човешкия мозък.
