Posilované učení je odvětví strojového učení, v němž se agent učí metodou pokusu a omylu. Jedná v určitém prostředí, za dobré výsledky dostává odměny a za špatné tresty a tímto způsobem vytváří strategii, která maximalizuje jeho celkovou odměnu. Známými příklady jsou programy, které ovládly deskové hry, jako je go, řízení robotů a doladění jazykových modelů na základě lidského hodnocení.
Agenti, postupy a šablony v jednom pracovním prostoru – 24hodinové demo zdarma.
Spustit demoQ-learning je základní metoda posilovaného učení. Agent se metodou pokusu a omylu učí, jakou dlouhodobou hodnotu („Q-hodnotu“) má určitá akce v určité situaci, a postupně volí nejslibnější akce. K tomu nepotřebuje model svého prostředí. V kombinaci s neuronovými sítěmi (deep Q-learning) se tímto přístupem systém společnosti DeepMind naučil hrát mnoho videoher pro Atari pouze z pixelů na obrazovce.
RLHF je trénovací metoda, díky níž jsou jazykové modely užitečnější a bezpečnější. Lidé porovnávají a hodnotí několik odpovědí modelu; z těchto úsudků se trénuje model odměn, který pak prostřednictvím posilovaného učení dále trénuje samotný jazykový model. Učí se tak například odpovídat srozumitelněji nebo odmítat problematické požadavky. RLHF probíhá u poskytovatele modelu před jeho vydáním – ne u jednotlivých uživatelů.
Při řízeném učení se model učí z příkladů, u nichž je správná odpověď již známa, například z e-mailů označených jako „spam“ nebo „není spam“. Z nich odvozuje pravidla pro klasifikaci nových, dosud neviděných případů nebo pro předpovídání hodnot. Typickými úlohami jsou klasifikace a regrese; většina práce spočívá ve vytvoření čistě označených dat.
Při neřízeném učení model dostane data bez předem daných správných odpovědí a sám hledá struktury. Typickými metodami jsou shlukování, které seskupuje podobné záznamy, a redukce dimenzionality, která mnoho příznaků zhušťuje na několik podstatných. Organizace je využívají k objevování zákaznických segmentů nebo odhalování neobvyklých transakcí; nalezené skupiny pak musí interpretovat odborníci z dané oblasti.
