A 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.
Ügynökök, munkafolyamatok és sablonok egyetlen munkaterületen – ingyenes, 24 órás demó.
Demó indításaA 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.
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 felügyelt tanulásban a modell olyan példákból tanul, amelyekhez a helyes válasz már ismert, például „spam” vagy „nem spam” címkével ellátott e-mailekből. Ezekből szabályokat vezet le új, ismeretlen esetek osztályozásához vagy értékek előrejelzéséhez. Tipikus feladatok az osztályozás és a regresszió; az erőfeszítés nagy része a tisztán címkézett adatok előállítására megy el.
A felügyelet nélküli tanulásban a modell előre meghatározott helyes válaszok nélküli adatokat kap, és maga keres bennük struktúrákat. Tipikus módszerek a klaszterezés, amely a hasonló rekordokat csoportosítja, és a dimenziócsökkentés, amely sok jellemzőt néhány lényegesre sűrít. A szervezetek ügyfélszegmensek felfedezésére vagy szokatlan tranzakciók kiszűrésére használják; a talált csoportokat ezután szakterületi szakértőknek kell értelmezniük.
