Q-learning je základná metóda posilňovaného učenia. Agent sa metódou pokus–omyl učí, akú dlhodobú hodnotu („hodnota Q“) má určitá akcia v určitej situácii, a postupne volí najperspektívnejšie akcie. Nepotrebuje k tomu model svojho prostredia. V kombinácii s neurónovými sieťami (deep Q-learning) sa systém DeepMind týmto prístupom naučil hrať mnohé videohry Atari len z pixelov obrazovky.
Agenti, postupy a šablóny v jednom pracovnom priestore – bezplatné 24-hodinové demo.
Spustiť demoPosilňované učenie je odvetvie strojového učenia, v ktorom sa agent učí metódou pokus–omyl. Koná v prostredí, za dobré výsledky dostáva odmeny a za zlé tresty a takto vyvíja stratégiu, ktorá maximalizuje jeho celkovú odmenu. Medzi známe príklady patria programy, ktoré ovládli stolové hry, ako je Go, riadenie robotov a dolaďovanie jazykových modelov na základe ľudského hodnotenia.
RLHF je trénovacia metóda, vďaka ktorej sú jazykové modely užitočnejšie a bezpečnejšie. Ľudia porovnávajú a hodnotia viaceré odpovede modelu; z týchto posudkov sa trénuje model odmien, ktorý potom prostredníctvom posilňovaného učenia ďalej trénuje samotný jazykový model. Učí ho to napríklad odpovedať jasnejšie alebo odmietať problematické požiadavky. RLHF prebieha u poskytovateľa modelu pred jeho vydaním – nie u jednotlivých používateľov.
Metódy Monte Carlo sú výpočtové techniky, ktoré využívajú obrovské množstvo náhodných vzoriek na približné určenie výsledkov, ktoré sa analyticky počítajú ťažko. Systém sa tisíckrát simuluje s náhodne meniacimi sa predpokladmi a analyzuje sa rozdelenie výsledkov. Organizácie ich využívajú na analýzu rizík, plánovanie projektov alebo oceňovanie portfólií. V oblasti AI sa metódy používajú okrem iného pri posilňovanom učení a pri prehľadávaní stromov v hrách.
Umelé neurónové siete (ANN, artificial neural networks) sú výpočtové modely zložené z mnohých prepojených jednotiek („neurónov“) usporiadaných do vrstiev, ktoré spracúvajú vstupy cez vážené spojenia. Počas trénovania sa váhy krok za krokom upravujú pomocou príkladov, zvyčajne spätným šírením chyby (backpropagation). ANN sú základom hlbokého učenia a poháňajú rozpoznávanie obrazu, rozpoznávanie reči a veľké jazykové modely. Napriek biologickej inšpirácii fungujú oveľa jednoduchšie než ľudský mozog.
