Skatinamasis 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.
Agentai, srautai ir šablonai vienoje darbo srityje – nemokama 24 valandų demonstracinė versija.
Pradėti demonstracijąQ 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.
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.
Prižiūrimo mokymosi metu modelis mokosi iš pavyzdžių, kurių teisingas atsakymas jau žinomas, pavyzdžiui, el. laiškų, pažymėtų „šlamštas“ arba „ne šlamštas“. Iš jų jis išveda taisykles, kaip klasifikuoti naujus, nematytus atvejus arba prognozuoti reikšmes. Tipinės užduotys – klasifikavimas ir regresija; didžioji dalis pastangų skiriama švariai pažymėtiems duomenims sukurti.
Neprižiūrimo mokymosi metu modelis gauna duomenis be iš anksto nustatytų teisingų atsakymų ir pats ieško struktūrų. Tipiniai metodai: klasterizavimas, grupuojantis panašius įrašus, ir dimensijų mažinimas, sutraukiantis daug požymių į kelis svarbiausius. Organizacijos jį naudoja klientų segmentams atrasti ar neįprastiems sandoriams pastebėti; rastas grupes paskui turi interpretuoti srities ekspertai.
