Multi-Agent Reinforcement Learning
Multi-Agent Reinforcement Learning (MARL) навчає кількох агентів навчання, які спільно використовують середовище, кожен адаптує свою поведінку, а інші також адаптуються.
Огляд
Multi-Agent Reinforcement Learning (MARL) навчає кількох агентів навчання, які спільно використовують середовище, кожен адаптує свою поведінку, а інші також адаптуються. Це важливо, тому що більшість проблем реального світу — трафік, ринки, команди роботів — стосуються багатьох осіб, які приймають рішення, а не одного.
Multi-Agent Reinforcement Learning входить до основного набору інструментів ШІ. Коли ви це розумієте, інші теми ШІ стає легше оцінювати та порівнювати.
Глибоке занурення
У підкріплюючому навчанні з одним агентом один агент вивчає політику шляхом максимізації винагороди у фіксованому середовищі. MARL додає більше агентів, і це змінює все: з точки зору кожного агента, середовище є нестаціонарним, оскільки інші постійно змінюють свою політику. Агенти можуть бути кооперативними (ділять командну винагороду, як у роботів, що грають у футбол), змагальними (з нульовою сумою, як у покері чи ухиленні від переслідування) або змішаними. Дослідники використовують такі формалізми, як ігри Маркова (стохастичні ігри), які узагальнюють марковський процес прийняття рішень одним агентом. Серед відомих результатів: AlphaStar від DeepMind став гросмейстером у StarCraft II і OpenAI П’ять перемогли професійні команди Dota 2, обидві покладаючись на групу агентів, які тренувалися один проти одного через самостійну гру.
Технічне розуміння
Основною проблемою є нестаціонарність: оскільки кожен агент оновлює свою політику, інші стикаються з рухомою ціллю, тому наївне незалежне навчання може не досягти конвергенції. Популярним виправленням є централізоване навчання з децентралізованим виконанням (CTDE), яке використовується такими алгоритмами, як MADDPG і QMIX. Під час навчання критик бачить усі спостереження та дії агентів для обчислення стабільних градієнтів, але під час розгортання кожен агент діє, використовуючи лише власні локальні спостереження, поєднуючи скоординоване навчання з практичною незалежною роботою.
Освоєння багатоагентного підкріплення навчання
Щоб отримати глибоке розуміння, розглядайте Multi-Agent Reinforcement Learning як операційну модель, а не як окрему функцію. Визначте бажані результати, уточніть припущення та відокремте те, що система може зробити надійно, від того, що все ще потребує експертної оцінки.
На практиці сильні команди, які використовують Multi-Agent Reinforcement Learning, спочатку створюють сильні концептуальні моделі, а потім відображають ці моделі на реальних виробничих обмеженнях. Вони документують чіткі критерії успіху, перевіряють реалістичні дані та робочі процеси та виконують ітерацію на основі спостережуваних моделей невдач, а не одноразових перемог у тестах. Саме тут теоретичне розуміння перетворюється на довготривалу здатність щодо продуктів, політики та операцій.
Це допоможе вам відокремити чіткі технічні заяви від маркетингової мови. У той же час різні команди можуть використовувати один і той самий термін по-різному, тому визначте обсяг заздалегідь. Найбільш стійкий підхід полягає в поєднанні швидкості експериментів із дисципліною управління: запускайте пілотні проекти, збирайте докази, публікуйте журнали рішень і постійно оновлюйте запобіжні заходи в міру розвитку поведінки моделі, очікувань користувачів і нормативних вимог.
Стратегічний вплив
Це допоможе вам відокремити чіткі технічні заяви від маркетингової мови.
Це допоможе вам відокремити чіткі технічні заяви від маркетингової мови. У високоякісних розгортаннях це перетворюється на вимірювані правила роботи, межі власності та повторювані ритуали перевірки, щоб команди могли масштабувати впевненість замість масштабування неоднозначності.
Перш ніж витрачати гроші чи час, ви можете задати питання про кращу реалізацію.
Перш ніж витрачати гроші чи час, ви можете задати питання про кращу реалізацію. У високоякісних розгортаннях це перетворюється на вимірювані правила роботи, межі власності та повторювані ритуали перевірки, щоб команди могли масштабувати впевненість замість масштабування неоднозначності.
Команди зі спільним розумінням приймають кращі рішення щодо продуктів, політики та навчання.
Команди зі спільним розумінням приймають кращі рішення щодо продуктів, політики та навчання. У високоякісних розгортаннях це перетворюється на вимірювані правила роботи, межі власності та повторювані ритуали перевірки, щоб команди могли масштабувати впевненість замість масштабування неоднозначності.
Реалізація в реальному світі
Координація груп складських роботів, щоб вони направляли пакунки без зіткнень або тупиків у проходах
Контроль світлофорів, де кожне перехрестя є агентом, який навчається зменшувати затори в усьому місті
Навчальна гра AI, як-от OpenAI Five (Dota 2) і AlphaStar (StarCraft II) через самостійну гру серед багатьох агентів
Управління пропозиціями та відповіддю на попит серед розподілених батарей і будинків у розумній електромережі
Шаблони реалізації
Багатоагентне підкріплення навчання на практиці
Координація груп складських роботів, щоб вони направляли пакунки без зіткнень або тупиків у проходах.
Команди зазвичай отримують кращі результати, коли заздалегідь визначають порогові значення якості, зберігають шлях людської ескалації для крайніх випадків і відстежують підвищення продуктивності та витрати на помилки з часом.
Багатоагентне підкріплення навчання на практиці
Контроль світлофорів, де кожне перехрестя є агентом, який навчається зменшувати затори в усьому місті.
Команди зазвичай отримують кращі результати, коли заздалегідь визначають порогові значення якості, зберігають шлях людської ескалації для крайніх випадків і відстежують підвищення продуктивності та витрати на помилки з часом.
Багатоагентне підкріплення навчання на практиці
Штучний інтелект у навчальній грі, як-от OpenAI Five (Dota 2) і AlphaStar (StarCraft II) за допомогою самостійної гри серед багатьох агентів.
Команди зазвичай отримують кращі результати, коли заздалегідь визначають порогові значення якості, зберігають шлях людської ескалації для крайніх випадків і відстежують підвищення продуктивності та витрати на помилки з часом.
Багатоагентне підкріплення навчання на практиці
Управління пропозиціями та відповіддю на попит серед розподілених батарей і будинків у розумній електромережі.
Команди зазвичай отримують кращі результати, коли заздалегідь визначають порогові значення якості, зберігають шлях людської ескалації для крайніх випадків і відстежують підвищення продуктивності та витрати на помилки з часом.
Ризики та огорожі
Різні команди можуть використовувати той самий термін по-різному, тому визначте обсяг завчасно.
Порівняльні показники можуть виглядати сильними, тоді як продуктивність у реальному світі нерівномірна.
Ігнорування якості даних і планів оцінки часто призводить до нестабільних результатів.
Дорожня карта впровадження
Почніть із простого визначення необхідного результату.
Розглядайте це як джерело доказів: якщо критерії не відповідають, призупиніть розгортання, закрийте прогалину й лише потім розширюйте використання.
Перед тестуванням виберіть одну метрику успіху та одну умову невдачі.
Розглядайте це як джерело доказів: якщо критерії не відповідають, призупиніть розгортання, закрийте прогалину й лише потім розширюйте використання.
Запустіть невеликий пілот із репрезентативними даними, а не відшліфованим демонстраційним набором.
Розглядайте це як джерело доказів: якщо критерії не відповідають, призупиніть розгортання, закрийте прогалину й лише потім розширюйте використання.
Задокументуйте, де багатоагентне навчання підкріплення допомагає, а де простіші методи кращі.
Розглядайте це як джерело доказів: якщо критерії не відповідають, призупиніть розгортання, закрийте прогалину й лише потім розширюйте використання.
Продовжуйте досліджувати
Check your understanding
Test yourself: take the Multi-Agent Reinforcement Learning quiz