Vahvistusoppiminen 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.
Agentit, työnkulut ja mallit yhdessä työtilassa – maksuton 24 tunnin demo.
Aloita demoQ-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.
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.
Ohjatussa oppimisessa malli oppii esimerkeistä, joiden oikea vastaus tunnetaan jo, kuten sähköposteista, jotka on merkitty ”roskaposti” tai ”ei roskaposti”. Niistä se johtaa sääntöjä, joilla uudet, ennen näkemättömät tapaukset luokitellaan tai arvoja ennustetaan. Tyypillisiä tehtäviä ovat luokittelu ja regressio; suurin osa työstä menee siistin luokitellun datan luomiseen.
Ohjaamattomassa oppimisessa malli saa dataa ilman ennalta määriteltyjä oikeita vastauksia ja etsii rakenteita itse. Tyypillisiä menetelmiä ovat klusterointi, joka ryhmittelee samankaltaisia tietueita, ja ulottuvuuksien vähentäminen, joka tiivistää monta piirrettä muutamaksi olennaiseksi. Organisaatiot käyttävät sitä asiakassegmenttien löytämiseen tai epätavallisten tapahtumien havaitsemiseen; löydetyt ryhmät on sen jälkeen annettava alan asiantuntijoiden tulkittaviksi.
