Învățarea prin întărire este o ramură a învățării automate în care un agent învață prin încercare și eroare. Acționează într-un mediu, primește recompense pentru rezultate bune și penalizări pentru cele rele și își dezvoltă astfel o strategie care maximizează recompensa totală. Exemple cunoscute sunt programele care stăpânesc jocuri de societate precum Go, controlul roboților și reglajul fin al modelelor lingvistice pe baza evaluărilor umane.
Agenți, fluxuri și șabloane într-un singur spațiu de lucru – demo gratuit de 24 de ore.
Porniți demo-ulQ-learning este o metodă fundamentală de învățare prin întărire. Un agent învață prin încercare și eroare ce valoare pe termen lung (valoarea „Q”) are o anumită acțiune într-o anumită situație și, în timp, alege acțiunile cele mai promițătoare. Pentru aceasta nu are nevoie de un model al mediului său. Combinat cu rețele neuronale (deep Q-learning), un sistem DeepMind a folosit această abordare pentru a învăța să joace multe jocuri video Atari doar pe baza pixelilor de pe ecran.
RLHF este o metodă de antrenare care face modelele lingvistice mai utile și mai sigure. Oamenii compară și evaluează mai multe răspunsuri ale modelului; aceste judecăți sunt folosite pentru a antrena un model de recompensă, care antrenează apoi, prin învățare prin întărire, chiar modelul lingvistic. Acesta învață astfel, de exemplu, să răspundă mai clar sau să refuze solicitările problematice. RLHF are loc la furnizorul modelului, înainte ca un model să fie lansat – nu la utilizatorii individuali.
În învățarea supravegheată, un model învață din exemple pentru care răspunsul corect este deja cunoscut, precum e-mailurile etichetate „spam” sau „nu este spam”. Din ele deduce reguli pentru a clasifica cazuri noi, nevăzute, sau pentru a prezice valori. Sarcinile tipice sunt clasificarea și regresia; cea mai mare parte a efortului constă în crearea unor date etichetate corect.
În învățarea nesupravegheată, un model primește date fără răspunsuri corecte predefinite și caută singur structuri. Metodele tipice sunt clusteringul, care grupează înregistrări similare, și reducerea dimensionalității, care condensează multe caracteristici în câteva esențiale. Organizațiile o folosesc pentru a descoperi segmente de clienți sau pentru a depista tranzacții neobișnuite; grupurile găsite trebuie apoi interpretate de experți în domeniu.
