強化学習

エージェントは状態または観察を観察し、ポリシーに従ってアクションを選択し、フィードバックを受け取ります。アクションは、後で遭遇する状況を変える可能性があるため、このタスクは独立したラベルを予測することとは異なります。一連のインタラクションは、1 つのゲームや 1 つの模擬旅行などのエピソードを形成する場合があります。探索では、アクションを試してその結果を学びます。搾取では、エージェントが学習したことを利用して報酬を追求します。実際の導入では、間違いが人員、機器、予算に影響を与える可能性がある場合、探索を制限する必要があります。シミュレーションは多くの場合役立ちますが、シミュレーション内での成功は、シミュレーション外で失敗する仮定に依存する場合があります。報酬の遅れは、信用の割り当ての問題を引き起こします。以前のどの行動が結果に役立ったのか、それとも悪影響を及ぼしたのか?アルゴリズムは、経験を使用して値を推定したり、ポリシーを直接改善したりします。観察、行動空間、報酬、期間の選択は、アルゴリズム名と同じくらい重要になる場合があります。ポリシーが報酬の抜け穴を悪用していないかどうかをテストします。サポート エージェントがチケットをクローズすることで報酬を獲得した場合、未解決のリクエストをクローズする可能性があります。タスクの完了と許容できない結果を直接チェックすることを含めます。さまざまな開始条件でのパフォーマンスを比較し、経験値収集のコストを報告します。