Aprendizaje por refuerzo

El agente observa un estado u observación, elige una acción de acuerdo con una política y recibe retroalimentación. Una acción puede cambiar las situaciones encontradas más adelante, por lo que la tarea difiere de predecir etiquetas independientes. Una secuencia de interacciones puede formar un episodio, como un juego o un viaje simulado. La exploración intenta acciones para conocer sus consecuencias. La explotación utiliza lo que el agente ha aprendido para buscar recompensa. Los despliegues reales deben limitar la exploración cuando los errores pueden afectar a las personas, los equipos o los presupuestos. Una simulación suele ser útil, pero el éxito dentro de ella puede depender de suposiciones que fallan fuera de ella. Las recompensas retrasadas crean un problema de asignación de créditos: ¿qué acciones anteriores ayudaron o perjudicaron el resultado? Los algoritmos estiman valores o mejoran directamente las políticas utilizando la experiencia. La elección de la observación, el espacio de acción, la recompensa y el horizonte temporal pueden ser tan importantes como el nombre del algoritmo. Pruebe si una política aprovecha las lagunas en la recompensa. Si un agente de soporte gana una recompensa por cerrar tickets, podría cerrar solicitudes no resueltas. Incluya verificaciones directas de la finalización de las tareas y de los resultados inaceptables. Compare el rendimiento en diversas condiciones iniciales e informe el costo de recopilar experiencia.