Glosario

Aprendizaje por refuerzo (RL)

¿Qué es Aprendizaje por refuerzo (RL)?

El aprendizaje por refuerzo (reinforcement learning) es una rama del aprendizaje automático en la que un agente aprende por ensayo y error. Actúa en un entorno, recibe recompensas por los buenos resultados y penalizaciones por los malos, y así desarrolla una estrategia que maximiza el beneficio total. Ejemplos conocidos son los programas que dominan juegos de mesa como el go, el control de robots o el ajuste de modelos de lenguaje a partir de valoraciones humanas.

Temas

método de aprendizaje
recompensa
agentes

Probar KI.ordo

Agentes, flujos y plantillas en un solo espacio de trabajo – demo gratuita de 24 horas.

Iniciar demo

← Todos los términos

Términos relacionados

Q-learning

El Q-learning es un método fundamental del aprendizaje por refuerzo. Un agente aprende por ensayo y error qué valor a largo plazo (el «valor Q») tiene una acción concreta en una situación concreta y, con el tiempo, elige las acciones más prometedoras. No necesita un modelo de su entorno. Combinado con redes neuronales (deep Q-learning), permitió a un sistema de DeepMind aprender a jugar a numerosos videojuegos de Atari solo a partir de los píxeles de la pantalla.

aprendizaje por refuerzo
algoritmo
+1

Aprendizaje por refuerzo con retroalimentación humana (RLHF)

El RLHF es un método de entrenamiento que hace que los modelos de lenguaje sean más útiles y seguros. Varias personas comparan y valoran distintas respuestas del modelo; con esos juicios se entrena un modelo de recompensa, que después reentrena el propio modelo de lenguaje mediante aprendizaje por refuerzo. Así aprende, por ejemplo, a responder con más claridad o a rechazar peticiones problemáticas. El RLHF lo realiza el proveedor del modelo antes de publicarlo, no cada usuario.

entrenamiento
retroalimentación humana
+1

Aprendizaje supervisado

En el aprendizaje supervisado, un modelo aprende de ejemplos cuya respuesta correcta ya se conoce, como correos marcados como «spam» o «no spam». A partir de ellos deduce reglas para clasificar casos nuevos o predecir valores. Las tareas típicas son la clasificación y la regresión; el mayor esfuerzo está en preparar datos bien etiquetados.

Machine learning
Entrenamiento
+1

Aprendizaje no supervisado

En el aprendizaje no supervisado, un modelo recibe datos sin respuestas correctas predefinidas y busca estructuras por sí mismo. Los métodos típicos son el clustering, que agrupa registros parecidos, y la reducción de dimensionalidad, que condensa muchas variables en unas pocas esenciales. Puedes usarlo para descubrir segmentos de clientes o detectar transacciones inusuales; después, alguien con conocimiento del negocio debe interpretar los grupos encontrados.

Machine learning
Clustering
+1