Q-učenje temeljna je metoda učenja podrškom. Agent metodom pokušaja i pogrešaka uči kolika je dugoročna vrijednost („Q-vrijednost“) određene radnje u određenoj situaciji te s vremenom bira najperspektivnije radnje. Za to mu nije potreban model okoline. U kombinaciji s neuronskim mrežama (duboko Q-učenje) sustav tvrtke DeepMind tim je pristupom naučio igrati mnoge Atarijeve videoigre samo iz piksela na zaslonu.
Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.
Pokrenite demoUčenje podrškom grana je strojnog učenja u kojoj agent uči metodom pokušaja i pogrešaka. Djeluje unutar okoline, dobiva nagrade za dobre ishode i kazne za loše te na taj način razvija strategiju koja maksimizira njegovu ukupnu nagradu. Poznati primjeri uključuju programe koji svladavaju društvene igre poput goa, upravljanje robotima i fino podešavanje jezičnih modela na temelju ljudskih ocjena.
RLHF je metoda treniranja koja jezične modele čini korisnijima i sigurnijima. Ljudi uspoređuju i ocjenjuju više odgovora modela; te se prosudbe koriste za treniranje modela nagrađivanja, koji zatim putem učenja podrškom dalje trenira sam jezični model. Tako se, primjerice, uči jasnije odgovarati ili odbijati problematične zahtjeve. RLHF se provodi kod pružatelja modela prije izlaska modela – ne kod pojedinačnih korisnika.
Monte Carlo metode računalne su tehnike koje se služe vrlo velikim brojem slučajnih uzoraka kako bi približno odredile rezultate koje je analitički teško izračunati. Sustav se simulira tisućama puta sa slučajno varijabilnim pretpostavkama, a zatim se analizira raspodjela ishoda. Organizacije ih koriste za analizu rizika, planiranje projekata ili vrednovanje portfelja. U UI-ju se te metode, među ostalim, primjenjuju u učenju podrškom i u pretraživanju stabla kod igara.
Umjetne neuronske mreže (ANN) računski su modeli sastavljeni od mnogo povezanih jedinica („neurona”) raspoređenih u slojeve koji obrađuju unose putem ponderiranih veza. Tijekom treniranja težine se korak po korak prilagođavaju na primjerima, obično povratnim širenjem pogreške (backpropagation). ANN-ovi su temelj dubokog učenja i pokreću prepoznavanje slika i govora te velike jezične modele. Unatoč biološkoj inspiraciji, rade znatno jednostavnije od ljudskog mozga.
