Q-učenje je temeljna metoda spodbujevalnega učenja. Agent se s poskusi in napakami nauči, kakšno dolgoročno vrednost („vrednost Q“) ima določeno dejanje v določeni situaciji, in sčasoma izbira najbolj obetavna dejanja. Za to ne potrebuje modela svojega okolja. V kombinaciji z nevronskimi mrežami (globoko Q-učenje) se je sistem podjetja DeepMind s tem pristopom naučil igrati številne video igre Atari samo iz slikovnih pik na zaslonu.
Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.
Začni predstavitevSpodbujevalno učenje je veja strojnega učenja, pri kateri se agent uči s poskusi in napakami. Deluje v okolju, za dobre izide prejema nagrade, za slabe pa kazni, in tako razvije strategijo, ki največ poveča njegovo skupno nagrado. Znani primeri so programi, ki obvladajo družabne igre, kot je go, vodenje robotov in natančno uravnavanje jezikovnih modelov na podlagi človeških ocen.
RLHF je učna metoda, ki jezikovne modele naredi bolj koristne in varnejše. Ljudje primerjajo in ocenijo več odgovorov modela; iz teh presoj se nauči model nagrajevanja, ki nato jezikovni model samega s spodbujevalnim učenjem dodatno uči. Tako se na primer nauči odgovarjati jasneje ali zavrniti sporne zahteve. RLHF poteka pri ponudniku modela, preden je model objavljen – ne pri posameznih uporabnikih.
Metode Monte Carlo so računske tehnike, ki z zelo velikim številom naključnih vzorcev približno določijo rezultate, ki jih je analitično težko izračunati. Sistem se tisočkrat simulira z naključno spreminjanimi predpostavkami, nato pa se analizira porazdelitev izidov. Organizacije jih uporabljajo za analizo tveganj, načrtovanje projektov ali vrednotenje portfeljev. Na področju UI se metode med drugim uporabljajo pri spodbujevalnem učenju in pri drevesnem iskanju v igrah.
Umetne nevronske mreže (artificial neural networks, ANN) so računski modeli iz mnogih povezanih enot („nevronov“), razporejenih v sloje, ki vhode obdelujejo prek uteženih povezav. Med učenjem se uteži korak za korakom prilagajajo na primerih, običajno z vzvratnim razširjanjem napake. ANN so temelj globokega učenja in poganjajo prepoznavanje slik, prepoznavanje govora in velike jezikovne modele. Kljub biološkemu zgledu delujejo veliko preprosteje kot človeški možgani.
