Q mokymasis (angl. Q-learning) – pagrindinis skatinamojo mokymosi metodas. Agentas bandymų ir klaidų keliu išmoksta, kokią ilgalaikę vertę („Q vertę“) turi tam tikras veiksmas tam tikroje situacijoje, ir laikui bėgant renkasi perspektyviausius veiksmus. Tam nereikia aplinkos modelio. Derinant su neuroniniais tinklais (gilusis Q mokymasis), DeepMind sistema šiuo metodu išmoko žaisti daugelį Atari vaizdo žaidimų, matydama tik ekrano pikselius.
Agentai, srautai ir šablonai vienoje darbo srityje – nemokama 24 valandų demonstracinė versija.
Pradėti demonstracijąSkatinamasis mokymasis – mašininio mokymosi šaka, kurioje agentas mokosi bandymų ir klaidų keliu. Jis veikia aplinkoje, už gerus rezultatus gauna atlygį, o už blogus – baudas, ir taip išugdo strategiją, maksimizuojančią bendrą atlygį. Žinomi pavyzdžiai: programos, įvaldančios stalo žaidimus, tokius kaip Go, robotų valdymas ir kalbos modelių tikslinimas pagal žmonių vertinimus.
RLHF – mokymo metodas, daro kalbos modelius naudingesnius ir saugesnius. Žmonės palygina ir įvertina kelis modelio atsakymus; šie vertinimai naudojami atlygio modeliui apmokyti, kuris paskui skatinamuoju mokymusi toliau moko patį kalbos modelį. Taip jis išmoksta, pavyzdžiui, atsakyti aiškiau arba atsisakyti problemiškų prašymų. RLHF vyksta pas modelio tiekėją prieš išleidžiant modelį – o ne su atskirais naudotojais.
Monte Karlo metodai – tai skaičiavimo metodai, kurie naudoja labai daug atsitiktinių imčių, kad apytiksliai gautų rezultatus, kuriuos sunku apskaičiuoti analitiškai. Sistema imituojama tūkstančius kartų su atsitiktinai keičiamomis prielaidomis, o rezultatų pasiskirstymas analizuojamas. Organizacijos tai naudoja rizikos analizei, projektų planavimui ar portfelio vertinimui. DI srityje šie metodai, be kita ko, taikomi skatinamajame mokymesi ir žaidimų medžių paieškoje.
Dirbtiniai neuroniniai tinklai (DNT) – tai skaičiavimo modeliai, sudaryti iš daugelio sujungtų sluoksniais išdėstytų vienetų („neuronų“), kurie apdoroja įvestį per svertinius ryšius. Mokymo metu svoriai žingsnis po žingsnio koreguojami pagal pavyzdžius, dažniausiai atgalinio sklidimo metodu. DNT yra giluminio mokymosi pagrindas ir veikia vaizdų atpažinimą, kalbos atpažinimą bei didelius kalbos modelius. Nepaisant biologinės įkvėpties, jie veikia daug paprasčiau nei žmogaus smegenys.
