Що таке навчання з підкріпленням? Як тренується ШІ

Не змогли відвідати Transform 2022? Перегляньте всі сесії саміту в нашій бібліотеці за запитом! Подивіться сюди.

Які корисні опції з відкритим кодом для навчання з підкріпленням? Як великі постачальники справляються з навчанням з підкріпленням? Як стартапи зі штучним інтелектом обробляють навчання з підкріпленням? Чи є щось, чого навчання з підкріпленням не може зробити?

Машинне навчання (ML) можна вважати центральною підмножиною штучного інтелекту (AI), а навчання з підкріпленням може бути квінтесенцією підмножини ML, яку люди уявляють, коли думають про AI.

Навчання з підкріпленням – це процес, за допомогою якого алгоритм машинного навчання, робот тощо. можна запрограмувати на реакцію на складне середовище реального світу в реальному часі для оптимального досягнення бажаної мети чи результату. Подумайте про виклик, який створюють безпілотні автомобілі.

Задіяні алгоритми також можуть "навчатися" на цьому процесі врахування та реагування на нові обставини або бути вдосконаленими за допомогою цього процесу.

Інші форми машинного навчання можна «навчати» інколи за допомогою масивних наборів «навчальних даних», що часто дозволяє алгоритму класифікувати або групувати дані (або розпізнавати шаблони) на основі зв’язків і результатів, за якими їх було навчено. Алгоритми машинного навчання починаються з навчання даних і створюють моделі, які фіксують деякі шаблони та уроки, вбудовані в дані.

Подія

MetaBeat 2022

4 жовтня в Сан-Франциско, штат Каліфорнія, MetaBeat збере лідерів думок, щоб порадити, як технологія метавсесвіту змінить спосіб спілкування та ведення бізнесу в усіх галузях.

зареєструватися тут

Навчання з підкріпленням є частиною процесу навчання, яке часто відбувається після розгортання, коли модель працює. Нові дані, отримані з навколишнього середовища, використовуються для вдосконалення та налаштування моделі відповідно до поточного світу.

Навчання з підкріпленням здійснюється за допомогою циклу зворотного зв’язку на основі «винагород» і «штрафів». Вчений або користувач створює список результатів проходження та непроходження, а потім штучний інтелект використовує їх для підгонки моделі. Це може змінити деякі вагові коефіцієнти в моделі або навіть переоцінити деякі або всі навчальні дані у світлі нової винагороди чи покарання.

Наприклад, безпілотний автомобіль може мати набір простих нагород і покарань, які заздалегідь визначені. Алгоритм отримує винагороду, якщо прибуває вчасно та не робить раптових перемикань передач, таких як екстрене гальмування чи різке прискорення. Якщо машина врізається в бордюр, потрапляє в пробку або несподівано гальмує, алгоритм штрафується. Модель можна переробити, приділяючи особливу увагу процесу, який призвів до поганих результатів.

У деяких випадках підсилення відбувається під час і після розгортання в реальному світі. В інших випадках модель уточнюється в симуляції, яка генерує синтетичні події, які можуть винагороджувати або покарати алгоритм. Ці симуляції особливо корисні для таких систем, як автономні транспортні засоби, які дорогі та небезпечні для тестування в реальному розгортанні.

У багатьох випадках навчання з підкріпленням є лише розширенням основного алгоритму навчання. Він повторює той самий процес знову і знову після використання моделі. Етапи схожі, а нагороди та покарання є частиною довгої...