Il prossimoProssima guida
Apprendimento per rinforzo offline
Tecnico
GUIDA TECNICA
L’apprendimento per imitazione insegna a un’intelligenza artificiale a eseguire un compito copiando le dimostrazioni degli esperti invece di imparare dalle ricompense per tentativi ed errori.
Ascolta questa guidaNarrato dall'IA · ~2 min
It matters because for many real tasks — driving, surgery, manipulation — it is far easier to show good behavior than to write a reward function.
L'apprendimento per imitazione addestra una politica da esempi registrati di un esperto che agisce in un ambiente, tipicamente coppie di osservazioni e azioni intraprese dall'esperto. La forma più semplice, la clonazione comportamentale, tratta questo come un semplice apprendimento supervisionato: prevedere l'azione dell'esperto dato lo stato. È allettante quando le ricompense sono difficili da specificare ma le dimostrazioni sono abbondanti, come nel caso delle auto a guida autonoma addestrate sui registri di guida umani o dei robot addestrati tramite teleoperazione. Il classico punto debole è lo spostamento della distribuzione, o errore di capitalizzazione: piccoli errori di previsione spingono l’agente in stati che l’esperto non ha mai visitato, dove non ha una guida e si allontana ulteriormente dalla rotta. Metodi come DAgger risolvono questo problema interrogando ripetutamente l'esperto sugli stati effettivamente raggiunti dallo studente.
Modelli di percezione-sterzo di auto a guida autonoma addestrati sulla guida umana registrata
Bracci robotici imparano a piegare la biancheria o ad impilare oggetti grazie a dimostrazioni teleoperate
Agenti di gioco avviati da replay umani registrati prima della messa a punto con RL
Robot chirurgici e assistivi che apprendono i movimenti da dimostrazioni di operatori esperti
L’apprendimento per imitazione è fondamentale per l’ascesa dei modelli di base dei robot, in cui un’unica politica viene addestrata su enormi set di dati di teleoperazione multi-tasking e ottimizzata per nuove competenze. Aspettatevi una fusione più stretta con il linguaggio e la visione in modo che i robot imitino da video o istruzioni, oltre a ibridi che si avviano con la clonazione e poi si perfezionano tramite l'apprendimento per rinforzo. Scalare la raccolta dimostrativa in modo economico, attraverso la simulazione e i dati di gioco umano in crowdsourcing, rimane il collo di bottiglia chiave e la frontiera attiva.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
L’apprendimento per imitazione insegna a un’intelligenza artificiale a eseguire un compito copiando le dimostrazioni degli esperti invece di imparare dalle ricompense per tentativi ed errori. È importante perché per molti compiti reali – guida, intervento chirurgico, manipolazione – è molto più facile mostrare un buon comportamento che scrivere una funzione di ricompensa.
L'apprendimento per imitazione addestra un agente a riprodurre il comportamento mostrato nelle dimostrazioni di esperti piuttosto che a scoprire il comportamento attraverso prove ed errori guidati dalla ricompensa.
La clonazione comportamentale tratta le dimostrazioni come dati etichettati e impara a prevedere l'azione dell'esperto per ogni stato osservato, esattamente come l'apprendimento supervisionato.
Piccoli errori di azione spingono l'agente verso stati che l'esperto non ha mai dimostrato; senza una guida lì, gli errori si accumulano e l'agente si allontana ulteriormente dalla traiettoria dell'esperto.
DAgger implementa la politica attuale, fa in modo che l'esperto etichetti gli stati appena visitati e riqualifica il set di dati aggregati in modo che i dati di addestramento corrispondano alla distribuzione statale dello studente.
Per compiti complessi del mondo reale, scrivere una ricompensa che catturi un buon comportamento è difficile, mentre mostrare esempi di buon comportamento (registri di guida umana) è relativamente facile.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Apprendimento per rinforzo offline
Tecnico