Glossaire

Q-learning

Qu’est-ce que Q-learning ?

Le Q-learning est une méthode fondamentale de l'apprentissage par renforcement. Un agent apprend par essais et erreurs quelle valeur à long terme (la « valeur Q ») a une action donnée dans une situation donnée, puis choisit peu à peu les actions les plus prometteuses. Il n'a pas besoin de modèle de son environnement. Combiné à des réseaux de neurones (deep Q-learning), il a permis à un système de DeepMind d'apprendre à jouer à de nombreux jeux vidéo Atari à partir des seuls pixels de l'écran.

Thèmes

apprentissage par renforcement
algorithme
récompense

Essayer KI.ordo

Agents, flux et modèles dans un seul espace de travail – démo gratuite de 24 heures.

Lancer la démo

← Tous les termes

Termes associés

Apprentissage par renforcement (RL)

L'apprentissage par renforcement (reinforcement learning) est une branche de l'apprentissage automatique dans laquelle un agent apprend par essais et erreurs. Il agit dans un environnement, reçoit des récompenses pour les bons résultats et des pénalités pour les mauvais, et élabore ainsi une stratégie qui maximise le gain global. Parmi les exemples connus figurent les programmes qui maîtrisent des jeux comme le go, le pilotage de robots ou l'ajustement de modèles de langage à partir d'évaluations humaines.

méthode d'apprentissage
récompense
+1

Apprentissage par renforcement à partir de retours humains (RLHF)

Le RLHF est une méthode d'entraînement qui rend les modèles de langage plus utiles et plus sûrs. Des personnes comparent et notent plusieurs réponses du modèle ; ces jugements servent à entraîner un modèle de récompense, qui affine ensuite le modèle de langage par apprentissage par renforcement. Le modèle apprend ainsi, par exemple, à répondre plus clairement ou à refuser des demandes problématiques. Le RLHF a lieu chez le fournisseur du modèle, avant sa publication, et non chez chaque utilisateur.

entraînement
retours humains
+1

Méthodes de Monte-Carlo

Les méthodes de Monte-Carlo sont des techniques de calcul qui, à l’aide d’un très grand nombre de tirages aléatoires, approchent des résultats difficiles à obtenir analytiquement. On simule un système des milliers de fois avec des hypothèses variées au hasard, puis on analyse la distribution des résultats. Les entreprises s’en servent pour l’analyse des risques, la planification de projets ou l’évaluation de portefeuilles. En IA, elles interviennent notamment dans l’apprentissage par renforcement et la recherche arborescente pour les jeux.

simulation
statistique
+1

Réseaux de neurones artificiels (RNA)

Les réseaux de neurones artificiels (RNA) sont des modèles de calcul composés de nombreuses unités connectées (« neurones »), organisées en couches, qui traitent les entrées via des connexions pondérées. Pendant l'entraînement, les poids sont ajustés progressivement à partir d'exemples, le plus souvent par rétropropagation. Les RNA sont à la base de l'apprentissage profond et se retrouvent dans la reconnaissance d'images et de la parole ainsi que dans les grands modèles de langage. Malgré leur inspiration biologique, ils fonctionnent bien plus simplement que le cerveau humain.

Apprentissage profond
Fondamentaux IA
+1