Mi az Jutalommodell?

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

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

Megbízható referenciacímkék a modellkimenetek betanításához vagy értékeléséhez.

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

Köztes képzési szakasz az elő- és utóképzés között, gyakran használják képességek vagy tartományok beállítására.

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