Q-oppiminen (Q-learning) on perustavanlaatuinen vahvistusoppimisen menetelmä. Agentti oppii yrityksen ja erehdyksen kautta, mikä pitkän aikavälin arvo (”Q-arvo”) tietyllä toiminnolla on tietyssä tilanteessa, ja valitsee ajan myötä lupaavimmat toiminnot. Se ei tarvitse tähän mallia ympäristöstään. Yhdistettynä neuroverkkoihin (syvä Q-oppiminen) DeepMindin järjestelmä käytti tätä lähestymistapaa oppiakseen pelaamaan monia Atari-videopelejä pelkistä näytön pikseleistä.
Agentit, työnkulut ja mallit yhdessä työtilassa – maksuton 24 tunnin demo.
Aloita demoVahvistusoppiminen on koneoppimisen osa-alue, jossa agentti oppii yrityksen ja erehdyksen kautta. Se toimii ympäristössä, saa palkkioita hyvistä tuloksista ja rangaistuksia huonoista ja kehittää näin strategian, joka maksimoi sen kokonaispalkkion. Tunnettuja esimerkkejä ovat ohjelmat, jotka hallitsevat lautapelejä, kuten gon, robottien ohjaus ja kielimallien hienosäätö ihmisten arvioiden perusteella.
RLHF on opetusmenetelmä, joka tekee kielimalleista avuliaampia ja turvallisempia. Ihmiset vertailevat ja arvioivat mallin useita vastauksia; näiden arvioiden avulla opetetaan palkkiomalli, joka puolestaan opettaa kielimallia edelleen vahvistusoppimisella. Näin se oppii esimerkiksi vastaamaan selkeämmin tai kieltäytymään ongelmallisista pyynnöistä. RLHF tehdään mallin tarjoajalla ennen mallin julkaisua – ei yksittäisten käyttäjien kanssa.
Monte Carlo -menetelmät ovat laskentatekniikoita, jotka käyttävät erittäin suurta määrää satunnaisotoksia sellaisten tulosten approksimointiin, joita on vaikea laskea analyyttisesti. Järjestelmää simuloidaan tuhansia kertoja satunnaisesti vaihdelluin oletuksin, ja tulosten jakaumaa analysoidaan. Organisaatiot käyttävät menetelmiä riskianalyysiin, projektien aikataulutukseen tai salkkujen arvostukseen. Tekoälyssä menetelmiä käytetään muun muassa vahvistusoppimisessa ja pelien puuhaussa.
Keinotekoiset neuroverkot (ANN) ovat laskennallisia malleja, jotka koostuvat monista kerroksittain järjestetyistä, toisiinsa kytketyistä yksiköistä (”neuroneista”) ja käsittelevät syötteitä painotettujen yhteyksien kautta. Koulutuksen aikana painoja säädetään askel askeleelta esimerkkien avulla, yleensä takaisinkytkennällä (backpropagation). ANN-verkot ovat syväoppimisen perusta, ja ne ovat kuvantunnistuksen, puheentunnistuksen ja suurten kielimallien taustalla. Biologisesta esikuvastaan huolimatta ne toimivat paljon yksinkertaisemmin kuin ihmisaivot.
