Apprentissage par renforcement

L'agent observe un état ou une observation, choisit une action en fonction d'une politique et reçoit un feedback. Une action peut modifier les situations rencontrées ultérieurement, la tâche diffère donc de la prédiction d'étiquettes indépendantes. Une séquence d'interactions peut former un épisode, comme un jeu ou un voyage simulé. L'exploration tente des actions pour connaître leurs conséquences. L'exploitation utilise ce que l'agent a appris pour obtenir une récompense. Les déploiements réels doivent limiter l'exploration lorsque les erreurs peuvent affecter les personnes, les équipements ou les budgets. Une simulation est souvent utile, mais son succès à l’intérieur de celle-ci peut dépendre d’hypothèses qui échouent à l’extérieur. Les récompenses retardées créent un problème d’attribution de crédits : quelles actions antérieures ont aidé ou nui au résultat ? Les algorithmes estiment les valeurs ou améliorent directement les politiques en utilisant l’expérience. Le choix de l’observation, de l’espace d’action, de la récompense et de l’horizon temporel peut avoir autant d’importance que le nom de l’algorithme. Testez si une politique exploite les failles de la récompense. Si un agent de support obtient une récompense pour la clôture des tickets, il peut clôturer les demandes non résolues. Incluez des contrôles directs de l’achèvement des tâches et des résultats inacceptables. Comparez les performances dans diverses conditions de départ et signalez le coût de la collecte d’expérience.