Glossario

Apprendimento per rinforzo (RL)

Che cos’è Apprendimento per rinforzo (RL)?

L'apprendimento per rinforzo (reinforcement learning) è un ramo dell'apprendimento automatico in cui un agente impara per tentativi ed errori. Agisce in un ambiente, riceve ricompense per i buoni risultati e penalità per quelli cattivi, e sviluppa così una strategia che massimizza il beneficio complessivo. Esempi noti sono i programmi che padroneggiano giochi da tavolo come il Go, il controllo di robot e l'affinamento dei modelli linguistici sulla base di valutazioni umane.

Temi

metodo di apprendimento
ricompensa
agenti

Prova KI.ordo

Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.

Avvia demo

← Tutti i termini

Termini correlati

Q-learning

Il Q-learning è un metodo fondamentale dell'apprendimento per rinforzo. Un agente impara per tentativi quale valore a lungo termine (il «valore Q») ha una certa azione in una certa situazione e, col tempo, sceglie le azioni più promettenti. Non ha bisogno di un modello dell'ambiente. Combinato con le reti neurali (deep Q-learning), ha permesso a un sistema di DeepMind di imparare a giocare a numerosi videogiochi Atari partendo solo dai pixel dello schermo.

apprendimento per rinforzo
algoritmo
+1

Reinforcement Learning from Human Feedback (RLHF)

L'RLHF è un metodo di addestramento che rende i modelli linguistici più utili e sicuri. Alcune persone confrontano e valutano più risposte del modello; da questi giudizi si addestra un modello di ricompensa, che poi riaddestra il modello linguistico tramite apprendimento per rinforzo. Così il modello impara, ad esempio, a rispondere in modo più chiaro o a rifiutare richieste problematiche. L'RLHF avviene presso il fornitore del modello prima del rilascio, non presso i singoli utenti.

addestramento
feedback umano
+1

Apprendimento supervisionato

Nell'apprendimento supervisionato un modello impara da esempi di cui si conosce già la risposta corretta, ad esempio e-mail etichettate come «spam» o «non spam». Da questi ricava regole per classificare casi nuovi o prevedere valori. Compiti tipici sono la classificazione e la regressione; lo sforzo principale sta nel preparare dati etichettati con cura.

Machine learning
Addestramento
+1

Apprendimento non supervisionato

Nell'apprendimento non supervisionato un modello riceve dati senza risposte corrette predefinite e cerca da solo delle strutture. Metodi tipici sono il clustering, che raggruppa record simili, e la riduzione della dimensionalità, che condensa molte caratteristiche in poche essenziali. Le aziende lo usano per scoprire segmenti di clientela o individuare transazioni insolite; i gruppi trovati vanno poi interpretati da esperti.

Machine learning
Clustering
+1