A Q-tanulás a megerősítéses tanulás egyik alapmódszere. Az ágens próba-szerencse alapon megtanulja, hogy egy adott cselekvésnek egy adott helyzetben mekkora hosszú távú értéke (a „Q-érték”) van, és idővel a legígéretesebb cselekvéseket választja. Ehhez nincs szüksége a környezet modelljére. Neurális hálózatokkal kombinálva (mély Q-tanulás) egy DeepMind-rendszer ezzel a megközelítéssel tanult meg számos Atari-videojátékot játszani pusztán a képernyő képpontjaiból.
Ügynökök, munkafolyamatok és sablonok egyetlen munkaterületen – ingyenes, 24 órás demó.
Demó indításaA megerősítéses tanulás a gépi tanulás egyik ága, amelyben az ágens próba-szerencse alapon tanul. Egy környezetben cselekszik, a jó eredményekért jutalmat, a rosszakért büntetést kap, és így olyan stratégiát alakít ki, amely maximalizálja az összjutalmát. Ismert példák a táblás játékokat – például a gót – elsajátító programok, a robotvezérlés és a nyelvi modellek emberi értékelések alapján végzett finomhangolása.
Az RLHF olyan tanítási módszer, amely a nyelvi modelleket segítőkészebbé és biztonságosabbá teszi. Emberek összehasonlítják és értékelik a modell több válaszát; ezekből az ítéletekből jutalommodellt tanítanak, amely aztán megerősítéses tanulással tovább tanítja magát a nyelvi modellt. Így megtanulja például, hogy világosabban válaszoljon, vagy hogy elutasítsa a problémás kéréseket. Az RLHF a modell kiadása előtt, a modellszolgáltatónál zajlik – nem az egyes felhasználóknál.
A Monte-Carlo-módszerek olyan számítási technikák, amelyek nagyon sok véletlen minta felhasználásával közelítik az analitikusan nehezen kiszámítható eredményeket. A rendszert több ezerszer szimulálják véletlenszerűen változtatott feltevésekkel, majd elemzik az eredmények eloszlását. A szervezetek kockázatelemzésre, projektütemezésre vagy portfólióértékelésre használják. Az MI-ben a módszereket többek között megerősítéses tanulásban és játékok fakeresésében alkalmazzák.
A mesterséges neurális hálók (ANN-ek) számítási modellek, amelyek sok összekapcsolt egységből („neuronból”) állnak, rétegekbe rendezve, és súlyozott kapcsolatokon keresztül dolgozzák fel a bemeneteket. A tanítás során a súlyokat lépésről lépésre, példák alapján módosítják, általában visszaterjesztéssel (backpropagation). Az ANN-ek a mélytanulás alapját képezik, és a képfelismerés, a beszédfelismerés és a nagy nyelvi modellek mögött állnak. Biológiai ihletésük ellenére sokkal egyszerűbben működnek, mint az emberi agy.
