Học tăng cường

Tác nhân quan sát một trạng thái hoặc quan sát, chọn một hành động theo chính sách và nhận phản hồi. Một hành động có thể thay đổi các tình huống gặp phải sau này, do đó nhiệm vụ này khác với việc dự đoán các nhãn độc lập. Một chuỗi tương tác có thể tạo thành một tập, chẳng hạn như một trò chơi hoặc một hành trình mô phỏng. Khám phá thử các hành động để tìm hiểu về hậu quả của chúng. Khai thác sử dụng những gì tác nhân đã học được để theo đuổi phần thưởng. Việc triển khai thực sự phải hạn chế việc thăm dò khi sai sót có thể ảnh hưởng đến con người, thiết bị hoặc ngân sách. Một mô phỏng thường hữu ích, nhưng thành công bên trong nó có thể phụ thuộc vào những giả định thất bại bên ngoài nó. Phần thưởng bị trì hoãn tạo ra vấn đề về phân bổ tín dụng: hành động nào trước đó đã giúp ích hoặc gây tổn hại đến kết quả? Các thuật toán ước tính giá trị hoặc trực tiếp cải thiện chính sách bằng kinh nghiệm. Việc lựa chọn quan sát, không gian hành động, phần thưởng và khoảng thời gian có thể quan trọng như tên thuật toán. Kiểm tra xem chính sách có khai thác lỗ hổng trong phần thưởng hay không. Nếu nhân viên hỗ trợ kiếm được phần thưởng khi đóng phiếu, họ có thể đóng các yêu cầu chưa được giải quyết. Bao gồm kiểm tra trực tiếp việc hoàn thành nhiệm vụ và kết quả không được chấp nhận. So sánh hiệu suất giữa các điều kiện ban đầu khác nhau và báo cáo chi phí thu thập kinh nghiệm.