SelanjutnyaPanduan berikutnya
Pembelajaran Penguatan Offline
Teknis
PANDUAN Teknis
Pembelajaran Imitasi
Pembelajaran imitasi mengajarkan AI untuk melakukan tugas dengan meniru demonstrasi ahli, bukan belajar dari imbalan coba-coba.
Dengarkan panduan iniDiceritakan oleh AI · ~2 min
Di halaman ini2 menit membaca
Ikhtisar
It matters because for many real tasks — driving, surgery, manipulation — it is far easier to show good behavior than to write a reward function.
Menyelam Lebih Dalam
Pembelajaran imitasi melatih suatu kebijakan dari contoh-contoh rekaman seorang pakar yang bertindak dalam suatu lingkungan, biasanya memasangkan pengamatan dan tindakan yang dilakukan pakar tersebut. Bentuk paling sederhana, kloning perilaku, memperlakukan ini sebagai pembelajaran yang diawasi: memprediksi tindakan pakar berdasarkan keadaan. Hal ini menarik ketika imbalan sulit untuk ditentukan tetapi demonstrasi banyak dilakukan, seperti pada mobil self-driving yang dilatih dengan kemudi manusia atau robot yang diajarkan melalui teleoperasi. Kelemahan klasiknya adalah pergeseran distribusi, atau kesalahan gabungan: kesalahan prediksi yang sangat kecil akan mendorong agen ke kondisi yang belum pernah dikunjungi pakar, sehingga agen tidak memiliki panduan dan semakin menyimpang dari jalurnya. Metode seperti DAgger memperbaikinya dengan menanyakan berulang kali kepada pakar tentang status yang sebenarnya dicapai oleh pelajar.
Implementasi Dunia Nyata
Model persepsi-ke-kemudi mobil self-driving yang dilatih tentang cara mengemudi manusia
Lengan robot belajar melipat cucian atau menumpuk benda dari demonstrasi yang dioperasikan melalui jarak jauh
Agen permainan melakukan bootstrap dari rekaman tayangan ulang manusia sebelum menyempurnakannya dengan RL
Robot bedah dan bantu mempelajari gerakan dari demonstrasi operator ahli
Masa Depan Pembelajaran Imitasi
Pembelajaran imitasi sangat penting dalam kebangkitan model dasar robot, di mana kebijakan tunggal dilatih pada kumpulan data teleoperasi multi-tugas yang sangat besar dan disesuaikan untuk keterampilan baru. Harapkan perpaduan yang lebih erat dengan bahasa dan penglihatan sehingga robot meniru dari video atau instruksi, ditambah hibrida yang melakukan bootstrap dengan kloning kemudian menyempurnakannya melalui pembelajaran penguatan. Menskalakan koleksi demonstrasi dengan biaya murah, melalui simulasi dan data permainan manusia yang dikumpulkan dari sumber daya manusia, tetap menjadi hambatan utama dan batas aktif.
Mempraktikkannya
Mengapa itu penting
- Biaya dan anggaran. Keputusan arsitektur mendorong kinerja dan biaya pengoperasian selama bertahun-tahun.
- Keputusan yang lebih jelas. Pendidikan teknis membantu tim memilih tumpukan yang tepat, bukan hanya yang terbaru.
- Kontrol kualitas. Pilihan teknik yang lebih baik mengurangi insiden keandalan dalam produksi.
Hati-hati
- Mengoptimalkan satu tolok ukur dapat menyembunyikan kelemahan sistem yang lebih luas.
- Biaya infrastruktur dan pemeliharaan sering kali diremehkan.
- Kesenjangan keamanan dan kemampuan observasi dapat tumbuh seiring dengan semakin kompleksnya sistem.
Langkah selanjutnya
- Tentukan target latensi, kualitas, dan biaya sebelum penerapan.
- Tolok ukur dalam kondisi beban dan data yang realistis.
- Pemantauan instrumen untuk kesalahan, penyimpangan, dan dampak pengguna.
- Siapkan jalur rollback dan respons insiden sebelum melakukan penskalaan.
Terus Menjelajah
Buletin gratis
Dapatkan pengarahan AI harian
Tiga cerita AI terverifikasi setiap pagi hari kerja, ditulis dalam bahasa Inggris sederhana. Gratis selamanya, tanpa iklan.
Satu email setiap hari kerja. Berhenti berlangganan dalam satu klik. Kami tidak pernah menjual atau membagikan alamat Anda.
Uji diri Anda sendiri
Take the Imitation Learning quiz
Umpan balik instan untuk setiap jawaban, dan sertifikat yang dapat dibagikan dengan ID yang dapat diverifikasi setelah Anda lulus kursus.
Mendukung pendidikan AI gratis. AI Understanding adalah organisasi nirlaba 501(c)(3) — tanpa iklan, tanpa paywall, selamanya. Berikan sumbangan
Pertanyaan yang sering diajukan
What is Imitation Learning?
Pembelajaran imitasi mengajarkan AI untuk melakukan tugas dengan meniru demonstrasi ahli, bukan belajar dari imbalan coba-coba. Hal ini penting karena untuk banyak tugas nyata - mengemudi, pembedahan, manipulasi - jauh lebih mudah untuk menunjukkan perilaku yang baik daripada menulis fungsi penghargaan.
In imitation learning, how does an agent acquire its behavior?
Pembelajaran imitasi melatih agen untuk mereproduksi perilaku yang ditunjukkan dalam demonstrasi ahli daripada menemukan perilaku melalui trial and error yang didorong oleh penghargaan.
Kloning perilaku membingkai pembelajaran imitasi sebagai masalah apa?
Kloning perilaku memperlakukan demonstrasi sebagai data berlabel dan belajar memprediksi tindakan pakar untuk setiap keadaan yang diamati, persis seperti pembelajaran yang diawasi.
Masalah apa yang menyebabkan kloning perilaku gagal dalam rangkaian tindakan yang panjang?
Kesalahan tindakan kecil mendorong agen ke keadaan yang tidak pernah ditunjukkan oleh pakar; tanpa panduan di sana, kesalahan menumpuk dan agen semakin menjauh dari jalur pakar.
Bagaimana algoritma DAgger mengatasi kelemahan tersebut?
DAgger meluncurkan kebijakan saat ini, meminta pakar memberi label pada negara bagian yang baru dikunjungi, dan melatih ulang kumpulan data gabungan sehingga data pelatihan cocok dengan distribusi negara bagian milik pelajar.
Mengapa pembelajaran imitasi sering kali lebih disukai daripada pembelajaran penguatan untuk tugas-tugas seperti mengemudi?
Untuk tugas-tugas dunia nyata yang kompleks, menulis hadiah yang mencerminkan perilaku baik itu sulit, sementara menunjukkan contoh perilaku baik (catatan mengemudi manusia) relatif mudah.
Teruslah belajar
Panduan terkait
Panduan lainnya dipilih untuk topik ini