คำศัพท์อภิธานศัพท์ AI

การเรียนรู้แบบเสริมกำลัง คืออะไร?

คำนิยาม

การฝึกอบรมโดยให้รางวัลเป็นสัญญาณว่าตัวแทนเรียนรู้การกระทำที่เพิ่มผลตอบแทนในระยะยาวสูงสุด

การเรียนรู้การเสริมกำลังจากผลตอบรับของมนุษย์ (RLHF)วิธีการฝึกอบรมที่ใช้สัญญาณความชอบของมนุษย์เพื่อกำหนดรูปแบบพฤติกรรมของโมเดลโมเดลรางวัลแบบจำลองที่ให้คะแนนเอาต์พุตตามสัญญาณการตั้งค่า ซึ่งมักใช้ในไปป์ไลน์ RLHFตัวแทนเอไอระบบซอฟต์แวร์ที่สามารถสังเกต ให้เหตุผล และดำเนินการเพื่อให้บรรลุเป้าหมาย โดยมักใช้เครื่องมือและหน่วยความจำAI รัฐธรรมนูญแนวทางการฝึกอบรมและการกำหนดพฤติกรรมโดยที่ผลลัพธ์ของแบบจำลองได้รับการชี้นำโดยหลักการที่เป็นลายลักษณ์อักษรชุดตายตัวเอเจนติค ลูปวงจรวนซ้ำที่เจ้าหน้าที่ AI สังเกต วางแผน ดำเนินการ และไตร่ตรองจนกว่าจะบรรลุเป้าหมายหรือถึงภาวะหยุดอ.ส.ค. (การเพิ่มประสิทธิภาพการตั้งค่าโดยตรง)วิธีการฝึกอบรมที่ปรับแต่งโมเดลโดยตรงตามคู่ความชอบ โดยไม่ต้องใช้โมเดลรางวัลแยกต่างหาก

เรียนรู้เพิ่มเติมในคำแนะนำฟรีของเรา

ดูเพิ่มเติม