Q-Pembelajaran
Q-Learning adalah algoritma pembelajaran penguatan yang mengajarkan agen tindakan mana yang memberikan hasil terbaik dengan secara bertahap mempelajari nilai setiap gerakan melalui trial and error.
Ikhtisar
It matters because it can find optimal behavior without ever being told the rules of its environment.
Menyelam Lebih Dalam
Q-Learning mempelajari fungsi yang disebut Q(s, a): imbalan jangka panjang yang diharapkan dari mengambil tindakan 'a' dalam keadaan 's' dan kemudian bertindak secara optimal setelahnya. Agen mulai tidak mengetahui apa pun, mencoba tindakan, dan mengamati imbalan. Setelah setiap langkah, ia mendorong perkiraan nilai Q-nya ke arah imbalan yang baru saja diterima ditambah diskon nilai masa depan terbaik yang diharapkan dari keadaan berikutnya. Yang terpenting, hal ini bersifat 'di luar kebijakan' dan 'bebas model': negara ini dapat mempelajari kebijakan terbaik sambil melakukan eksplorasi secara acak, dan tidak memerlukan model mengenai bagaimana dunia bertransisi. Mengingat eksplorasi yang cukup pada setiap pasangan tindakan-negara, nilai-Q terbukti menyatu ke nilai-nilai optimal, dan tindakan terbaik di negara mana pun hanyalah tindakan yang memiliki Q tertinggi.
Wawasan Teknis
Intinya adalah pembaruan Bellman: Q(s,a) <- Q(s,a) + alpha[r + gamma*max_a' Q(s',a') - Q(s,a)]. Alfa adalah kecepatan pembelajaran, gamma adalah faktor diskon yang memberi bobot pada imbalan di masa depan, dan istilah dalam tanda kurung adalah kesalahan perbedaan waktu. Batasan 'maks' atas tindakan selanjutnya inilah yang menjadikannya di luar kebijakan dan memungkinkannya mempelajari kebijakan optimal yang serakah bahkan saat melakukan eksplorasi. Eksplorasi biasanya ditangani dengan pemilihan tindakan serakah epsilon.
Dampak Strategis
Cost and budget
Keputusan arsitektur mendorong kinerja dan biaya pengoperasian selama bertahun-tahun.
Clearer decisions
Pendidikan teknis membantu tim memilih tumpukan yang tepat, bukan hanya yang terbaru.
Quality control
Pilihan teknik yang lebih baik mengurangi insiden keandalan dalam produksi.
Masa Depan Q-Learning
Q-Learning tabel klasik mengalami kesulitan ketika status terlalu banyak untuk disimpan dalam sebuah tabel. Arah yang dominan adalah menggabungkannya dengan jaringan saraf, seperti pada Deep Q-Networks (DQN), yang memperkirakan nilai Q dari masukan mentah seperti piksel. Penelitian terus dilakukan untuk menstabilkan hal ini dengan pemutaran ulang pengalaman, jaringan target, dan varian seperti Double DQN dan Q-Learning distribusi yang mengurangi bias perkiraan berlebihan dan mewakili distribusi pengembalian penuh, bukan rata-rata tunggal.
Implementasi Dunia Nyata
Agen permainan Atari (DQN DeepMind) belajar memainkan Breakout dan Pong langsung dari piksel layar
Mengoptimalkan waktu lampu lalu lintas di persimpangan untuk meminimalkan total waktu tunggu kendaraan
Navigasi robot melalui grid atau labirin tempat robot mempelajari jalur terpendek yang memaksimalkan imbalan
Keputusan penetapan harga dan inventaris dinamis di mana agen mempelajari tindakan mana yang memaksimalkan keuntungan jangka panjang
Risiko & Pagar Pembatas
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.
Peta Jalan Implementasi
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
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Q-Learning quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
Penjadwalan Kecepatan Pembelajaran
Pertanyaan yang sering diajukan
What is Q-Learning?
Q-Learning adalah algoritma pembelajaran penguatan yang mengajarkan agen tindakan mana yang memberikan hasil terbaik dengan secara bertahap mempelajari nilai setiap gerakan melalui trial and error. Hal ini penting karena ia dapat menemukan perilaku optimal tanpa harus diberitahu aturan lingkungannya.
Apa yang diwakili oleh nilai Q Q(s, a)?
Q(s, a) memperkirakan total diskon imbalan masa depan dari pengambilan tindakan a di negara bagian s dan berperilaku optimal setelahnya, bukan hanya imbalan langsung.
Mengapa Q-Learning digambarkan sebagai 'di luar kebijakan'?
Tindakan maksimal selanjutnya berarti Q-Learning mempelajari nilai kebijakan optimal serakah bahkan saat agen mengeksplorasi dengan kebijakan perilaku yang berbeda.
Dalam aturan pembaruan, apa yang dikontrol oleh faktor diskon gamma?
Gamma (antara 0 dan 1) mendiskon imbalan di masa depan; nilai yang mendekati 1 membuat agen berpandangan jauh ke depan, nilai yang mendekati 0 membuatnya berpandangan pendek.
Apa kesalahan perbedaan temporal (TD) di Q-Learning?
Kesalahan TD adalah kesenjangan antara estimasi target baru (imbalan ditambah diskon nilai masa depan terbaik) dan estimasi Q lama; pembaruan ini memperkecil kesenjangan ini.
Mengapa Q-Learning tabel biasa kesulitan dengan masalah besar seperti video game dari piksel?
Tabel pencarian memerlukan entri per pasangan tindakan negara, yang tidak mungkin dilakukan jika jumlah negara mencapai miliaran, sehingga memotivasi penaksir jaringan saraf seperti DQN.