What is Reinforcement Learning? Definition | AI Understanding

Meghatározás

Jutalomjelek alapján történő képzés, ahol az ügynök olyan cselekvéseket tanul meg, amelyek maximalizálják a hosszú távú megtérülést.

Kapcsolódó kifejezések

Megerősítő tanulás az emberi visszajelzésből (RLHF)

Olyan képzési módszer, amely emberi preferencia jeleket használ a modell viselkedésének alakítására.

Az RLHF-csővezetékekben gyakran használt modell, amely preferenciális jelek alapján pontozza a kimeneteket.

Szoftverrendszer, amely képes megfigyelni, okoskodni, és lépéseket tenni a cél elérése érdekében, gyakran eszközöket és memóriát használva.

Alkotmányos AI

Képzési és viselkedésformáló megközelítés, ahol a modell kimeneteit rögzített írott elvek vezérlik.

Iteratív ciklus, amelyben egy mesterséges intelligencia ügynök megfigyel, tervez, cselekszik és reflektál, amíg el nem ér egy célt vagy el nem éri a stop feltételt.

DPO (Direct Preference Optimization)

Egy olyan képzési módszer, amely közvetlenül a preferenciapárokon finomítja a modelleket anélkül, hogy külön jutalommodellre lenne szükség.

Tudjon meg többet ingyenes útmutatóinkból

Deep Learning Reinforcement Learning Machine Learning Basics Supervised Learning

See also

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

Böngésszen a teljes AI szószedetben Fedezze fel az összes ingyenes AI-útmutatót