What is Reinforcement Learning? Definition | AI Understanding

Ορισμός

Η εκπαίδευση μέσω ανταμοιβής σηματοδοτεί όπου ένας πράκτορας μαθαίνει ενέργειες που μεγιστοποιούν τη μακροπρόθεσμη απόδοση.

Σχετικοί όροι

Ενισχυτική μάθηση από την ανθρώπινη ανατροφοδότηση (RLHF)

Μια μέθοδος εκπαίδευσης που χρησιμοποιεί σήματα ανθρώπινης προτίμησης για να διαμορφώσει τη συμπεριφορά του μοντέλου.

Μοντέλο ανταμοιβής

Ένα μοντέλο που βαθμολογεί τις εξόδους με βάση τα σήματα προτίμησης, που χρησιμοποιείται συχνά σε αγωγούς RLHF.

Πράκτορας AI

Ένα σύστημα λογισμικού που μπορεί να παρατηρεί, να αιτιολογεί και να κάνει ενέργειες για την επίτευξη ενός στόχου, χρησιμοποιώντας συχνά εργαλεία και μνήμη.

Συνταγματική ΑΙ

Μια προσέγγιση εκπαίδευσης και διαμόρφωσης συμπεριφοράς όπου τα αποτελέσματα του μοντέλου καθοδηγούνται από ένα σταθερό σύνολο γραπτών αρχών.

Ένας επαναληπτικός κύκλος όπου ένας πράκτορας τεχνητής νοημοσύνης παρατηρεί, σχεδιάζει, ενεργεί και στοχάζεται μέχρι να ολοκληρώσει έναν στόχο ή να πετύχει μια συνθήκη διακοπής.

DPO (Άμεση βελτιστοποίηση προτιμήσεων)

Μια μέθοδος εκπαίδευσης που προσαρμόζει τα μοντέλα απευθείας σε ζεύγη προτιμήσεων χωρίς να χρειάζεται ξεχωριστό μοντέλο ανταμοιβής.

Μάθετε περισσότερα στους δωρεάν οδηγούς μας

Deep Learning Reinforcement Learning Machine Learning Basics Supervised Learning

Δείτε επίσης

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

Περιηγηθείτε στο πλήρες Γλωσσάρι AI Εξερευνήστε όλους τους δωρεάν οδηγούς AI