Обучение Новини Инструм.Работни места Мисия

Термин от речника на AI

Какво е Обучение с подсилване?

Определение

Обучение чрез сигнали за възнаграждение, при което агент научава действия, които максимизират дългосрочната възвръщаемост.

Разгледайте пълния AI речник Разгледайте всички безплатни ръководства за AI

Обучение за подсилване от човешка обратна връзка (RLHF)Метод на обучение, който използва сигнали за човешки предпочитания, за да оформи поведението на модела.Модел на възнаграждениеМодел, който оценява резултатите въз основа на сигнали за предпочитания, често използвани в RLHF тръбопроводи.AI агентСофтуерна система, която може да наблюдава, разсъждава и предприема действия за постигане на цел, често използвайки инструменти и памет.Конституционен AIПодход за обучение и формиране на поведение, при който резултатите от модела се ръководят от фиксиран набор от писмени принципи.Агентен цикълИтеративен цикъл, при който AI агент наблюдава, планира, действа и отразява, докато не изпълни цел или достигне условие за спиране.DPO (директна оптимизация на предпочитанията)Метод на обучение, който прецизира моделите директно върху двойки предпочитания, без да е необходим отделен модел на възнаграждение.

Научете повече в нашите безплатни ръководства

Deep Learning Reinforcement Learning Machine Learning Basics Supervised Learning

Вижте също

Red Teaming Recommendation System Retrieval Recall RAG (Retrieval-Augmented Generation)Robustness Quantization Safety Filter