کمک سیکھنے کا کوئز

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

1. گودام کا روبوٹ یہ جاننے کے لیے ایک ناواقف گلیارے کی کوشش کرتا ہے کہ آیا یہ ترسیل کے وقت کو کم کرتا ہے۔ یہ ایکسپلوریشن – استحصالی تجارت کا کون سا رخ ہے؟
   • ایکسپلوریشن: ایک عمل کی جانچ کرنا جس کی قدر غیر یقینی ہو۔
   • استحصال: فی الحال سب سے زیادہ قابل قدر کارروائی کا انتخاب کرنا
   • انعام کی تشکیل: اداکاری کے بعد مقصد کو تبدیل کرنا
   • مشابہت: لیبل لگا ہوا عمل نقل کرنا
2. انعامات تین مراحل والے ایپی سوڈ میں 2، 0 اور 5 کے طور پر آتے ہیں۔ رعایتی عنصر 0.9 کے ساتھ، پہلے مرحلے سے واپسی کیا ہے؟
   • 7
   • 6.05
   • 6.5
   • 4.05
3. ایک ڈیزائنر رعایتی واپسی کے مقصد میں گاما کو بڑھاتا ہے۔ کیا تبدیلیاں؟
   • ایجنٹ تلاش کرنا چھوڑ دیتا ہے۔
   • انعام کا فنکشن امکانی تقسیم بن جاتا ہے۔
   • مستقبل کے انعامات فوری انعامات کی نسبت زیادہ شمار ہوتے ہیں۔
   • ماضی کے انعامات دوبارہ شمار کیے جاتے ہیں۔
4. ایک پالیسی کو عمل کے ایک طویل سلسلے کے بعد ہی انعام ملتا ہے۔ کون سا کریڈٹ تفویض سوال پیدا ہوتا ہے؟
   • کون سے ان پٹ کالم کا نام سب سے لمبا ہے؟
   • چاہے ہر عمل کا ایک ہی اجر ملنا چاہیے۔
   • آیا حتمی انعام تمام سابقہ مشاہدات کو مٹا دیتا ہے۔
   • جس سے پہلے کی کارروائیوں نے حتمی نتائج میں حصہ لیا۔
5. ایک گیم ایجنٹ بے ضرر بونس جمع کرکے پوائنٹس حاصل کرتا ہے، پھر مشن کو نظر انداز کرتا ہے کیونکہ بونس کو دہرانا آسان ہے۔ یہ کس ناکامی کو ظاہر کرتا ہے؟
   • ریوارڈ ہیکنگ: پراکسی ریوارڈ کو اس طریقے سے بہتر بنانا جس سے مطلوبہ مقصد چھوٹ جائے۔
   • تباہ کن بھول جانا
   • گاما کی وجہ سے ایکسپلوریشن کا خاتمہ
   • منتقلی ماڈل کی خرابی۔
6. ایک روبوٹ پالیسی تخروپن میں اچھی کارکردگی کا مظاہرہ کرتی ہے۔ اسے اب بھی اپنی مطلوبہ حقیقی تعیناتی کے لیے تشخیص کی ضرورت کیوں ہے؟
   • نقلی کامیابی ثابت کرتی ہے کہ حقیقی دنیا کا ہر عمل محفوظ ہے۔
   • سمیلیٹر ان مفروضوں پر بھروسہ کر سکتا ہے جو اس سے باہر ناکام ہو جاتے ہیں۔
   • ایک نقلی انعام کی تمام خامیوں کو روکتا ہے۔
   • حقیقی مشاہدات ہمیشہ نقلی مشاہدات سے ملتے ہیں۔
7. ڈیلیوری کے کام نے ادائیگیوں میں تاخیر کی ہے: اب طویل راستہ بعد میں مہنگی تاخیر کو روک سکتا ہے۔ ایک قدمی انعامی نظارہ کیوں تجارت سے محروم رہتا ہے؟
   • یہ فرض کرتا ہے کہ ہر عمل بے ترتیب ہے۔
   • یہ مشاہدات کی نمائندگی نہیں کر سکتا
   • یہ بعد کی ریاستوں میں آنے والے نتائج کو نظر انداز کرتا ہے۔
   • یہ انعامات کو مثبت ہونے پر مجبور کرتا ہے۔
8. ایک ٹیم انعام کو "محفوظ طریقے سے ڈیلیور کریں" سے "جلدی ڈیلیور" میں بدل دیتی ہے اور تیز لیکن خطرناک رویہ دیکھتی ہے۔ اس سے کیا نتیجہ اخذ کرنا چاہیے؟
   • ایک تیز تر پالیسی ثابت کرتی ہے کہ حفاظت کا اصل مقصد پورا ہو گیا تھا۔
   • صرف رعایت کا عنصر محفوظ رویے کی ضمانت دیتا ہے۔
   • تربیت کے بعد انسانی ترجیحات غیر ضروری ہوتی ہیں۔
   • انعام کا ڈیزائن رویے کو متاثر کرتا ہے، اس لیے حفاظت کو واضح طور پر پیش کیا جانا چاہیے اور اس کا جائزہ لیا جانا چاہیے۔