Posilňované 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.
Agenti, postupy a šablóny v jednom pracovnom priestore – bezplatné 24-hodinové demo.
Spustiť demoQ-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.
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.
Pri riadenom učení sa model učí z príkladov, pri ktorých je správna odpoveď už známa, napríklad e-maily označené ako „spam“ alebo „nie spam“. Z nich odvodzuje pravidlá na klasifikáciu nových, nevidených prípadov alebo na predpovedanie hodnôt. Typickými úlohami sú klasifikácia a regresia; väčšina úsilia sa vynakladá na vytvorenie čisto označených dát.
Pri neriadenom učení model dostane dáta bez vopred daných správnych odpovedí a sám hľadá štruktúry. Typickými metódami sú zhlukovanie, ktoré zoskupuje podobné záznamy, a redukcia dimenzionality, ktorá zhustí mnoho príznakov do niekoľkých podstatných. Organizácie ju využívajú na objavovanie zákazníckych segmentov alebo odhaľovanie nezvyčajných transakcií; nájdené skupiny musia následne interpretovať odborníci z danej oblasti.
