Навчання Новини Інструм.Вакансії Місія

Термін глосарію AI

Що таке Навчання з підкріпленням?

Визначення

Навчання за сигналами винагороди, коли агент навчається діям, які максимізують довгострокову віддачу.

Перегляньте повний Глосарій ШІ Перегляньте всі безкоштовні посібники зі штучного інтелекту

Навчання з підкріпленням на основі зворотного зв’язку людини (RLHF)Метод навчання, який використовує сигнали переваг людини для формування модельної поведінки.Модель винагородиМодель, яка оцінює результати на основі сигналів переваги, часто використовується в конвеєрах RLHF.ШІ агентПрограмна система, яка може спостерігати, міркувати та виконувати дії для досягнення мети, часто використовуючи інструменти та пам’ять.Конституційний ШІПідхід до навчання та формування поведінки, коли результати моделі керуються фіксованим набором письмових принципів.Агентська петляІтеративний цикл, у якому агент штучного інтелекту спостерігає, планує, діє та розмірковує, поки не досягне мети або не досягне умови зупинки.DPO (пряма оптимізація переваг)Метод навчання, який точно налаштовує моделі безпосередньо на пари переваг без необхідності окремої моделі винагороди.

Дізнайтеся більше в наших безкоштовних посібниках

Deep Learning Reinforcement Learning Machine Learning Basics Supervised Learning

Дивіться також

Red Teaming Recommendation System Retrieval Recall RAG (Retrieval-Augmented Generation)Robustness Quantization Safety Filter