ከጊዜ ጋር የሚሻሻል AI ሶፍትዌር

ጠንካራ ተማር አስገራሚ መፍትሄዎችን ለመለየት የሁኔታ ወኪሎችን እና የዕድል ሞዴሎችን ይጠቀማል። በሕይወት ሳይንስ ውስጥ ካለው አዎንታዊ እና አዝናኝ ጠንካራ ተማር ተነስቶ ተወዳጅነትን አግኝቷል። ስልተ-ቀመሮቹ አማራጭ ሞዴሎችን ለመለየት በአማራጭ መፍትሄዎች ውስጥ የዘፈቀደ ለውጦችን ይጠቀማሉ።

ወኪሎች ሽልማትን ለማሳደግ በአካባቢ ውስጥ የውሳኔዎችን ቅደም ተከተል ለመውሰድ ይሠለጠናሉ። ሰፊ የመተግበሪያ ክልል አለው፣ የሚከተሉትን ጨምሮ፦

ፋይናንስ፡ የጠንካራ ተማር ስልተ-ቀመሮች አክሲዮን እና ሌሎች የፋይናንሺያል መሳሪያዎችን ለመግዛት መማር የሚችሉ የግብይት ወኪሎችን ለመስራት ጥቅም ላይ ውለዋል።
ጨዋታዎች፡ የጠንካራ ተማር ስልተ-ቀመሮች እንደ Atari፣ Go እና Dota 2 ካሉ ጨዋታዎች መጫወት መማር የሚችሉ የጨዋታ መጫወቻ ወኪሎችን ለመስራት ጥቅም ላይ ውለዋል።
የተፈጥሮ ቋንቋ ማቀነባበሪያ፡ የግምገማ ተማርን ለማሻሻል ተጠቅሞ የተፈጥሮ ቋንቋ ማቀነባበሪያ ተግባራትን ለማሻሻል ጥቅም ላይ ውሏል፣ ለምሳሌ የቋንቋ ትርጉም እና የቋንቋ ማፍጠር።
ሮቦቲክስ፡ ጠንካራ ተማር ሮቦቶችን እንደ መያዝ እና ማንቀሳቀስ፣ የመንገድ መርሐ-ግብር እና የነገር ማንቀሳቀስ ያሉ ተግባራትን ለማከናወን ማሰልጠን ሊያገለግል ይችላል።
የሆነ ሥራ ማስተላለፍ ስርዓቶች የሚያሄዱት ሰፊ የመረጃ መጠን በመሆኑ ፣ ሰው በተለምዶ የሚያመለጠውን የግምት ግምት ግምት ያልሆነ ግምት ማግኘት ይቻላል ። በተለምዶ ይህን አይነኛ ግምት ነው ከፍተኛ የውድድር በርካታ የሚያመጣው ። ስለሆነም ድርጅቶች በውድድር ላይ ለመቆየት እንደ መንገድ ከእነዚህ ስርዓቶች ጋር ለመገናኘት ሌላ አማራጭ አይኖራቸውም ።
የኃይል አስተዳደር: የጠንካራ ተማር አልጎሪዞሞች የኃይል ስርዓቶችን አሰራር ለማመቻቸት ጥቅም ላይ ውልደዋል፣ ለምሳሌ በተለዋዋጭ ፍላጎት እና አቅርቦት ሁኔታዎች መሰረት የኃይል ምርት እና ወጪን ለማስተካከል በመማር እንደ ስማርት ሰርክቶች።

በሪኢንፎርስመንት ትምህርት (reinforcement learning) ውስጥ፣ ወኪል (agent) ድልዎን ለማሳደግ ከአካባቢው ጋር መገናኘትን ይማራል። ወኪሉ ለሚወስደው እያንዳንዱ እርምጃ ሽልማት ይቀበላል፣ እንዲሁም ጠቅላላውን የሚጠበቀውን ሽልማት ለማሳደግ የሚረዱ እርምጃዎችን መምረጥ ይማራል። የሪኢንፎርስመንት ትምህርት ሂደት ወደሚከተሉት ደረጃዎች ሊከፈል ይችላል፦

ወኪሉ የአካባቢውን አሁኑን ሁኔታ ይመለከታል።
ወኪሉ በአሁኑ ፖሊሲው መሰረት እርምጃ ይወስዳል፣ ይህም በተወሰነ ሁኔታ ውስጥ ምን እርምጃ መውሰድ እንዳለበት የሚወስኑ ደንቦች ስብስብ ነው።
አካባቢው ወደ አዲስ ሁኔታ ይቀየራል እና ተወስኗል ተግባር ላይ በመመስረት ለኤጀንት ሽልማት ይሰጣል።
ወኪሉ በሽልማቱ እና በአካባቢው አዲስ ሁኔታ መሰረት ፖሊሲውን ያዘምናል።

ይህ ሂደት ወኪሉ በቅርብ ጥሩ ፖሊሲ ላይ እስኪደርስ ይደጋጋል። የጠንካራ ትምህርት (reinforcement learning)ን ለመተግበር የሚሆኑ በርካታ የተለያዩ ስልተ ቀመሮች አሉ፣ ለምሳሌ Q-learning፣ SARSA፣ እና የሞንቴ ካርሎ ዘዴዎች። እነዚህ ስልተ ቀመሮች ለእያንዳንዱ ተግባር የሚጠበቀውን ሽልማት እንዴት እንደሚገመቱ እና በተታየው ሽልማት ላይ የተመሰረተ ፖሊሲን እንዴት እንደሚያዘምኑ ይለያያሉ።

በጠንካራ ተማራሸ (reinforcement learning) ውስጥ ካሉት ዋና ተፈታታኞች አንዱ ለትልቅና ውስብስብ አካባቢዎች ሊወረወሩ (ሊስፋቱ) የሚችሉ ስልተ-ቀመሮችን ማዳበር ነው። ብዙ የጠንካራ ተማራሸ ስልተ-ቀመሮች በውጤታማ ሁኔታ ለመማር ጥንቅር ያለ መጠን ያለው ውሂብ እና የኮምፒውተር ስሌት ሀብቶችን ይጠይቃሉ። ይህ ሁኔታ እነዚህን ስልተ-ቀመሮች ለትልቅ የሁኔታ ቦታዎች ወይም ውስብስብ ዳይናሚክስ የሚያካትቱ ችግሮች በእውነተኛ ዓለም ላይ ለመተግበር ያስቸግራል። ሌላው ተፈታታኝ የስርዓቱን ግቦች በትክክል የሚያንጸባርቁ የሽልማት ተግባራትን መንደፍ ነው። በአንዳንድ ሁኔታዎች ወኪሉ (ኤጀንቱ) የተፈለገውን ባህሪ እንዲማር የሚያነቃቃን ግልጽ የሽልማት ምልክት መንጠቀት የማይቻል ሊሆን ይችላል። ይህ ሁኔታ ወደ አልፎ-አልፎ ወይም ያልተፈለገ ውጤቶች ሊያመራ ይችላል፣ በተለይም ወኪሉ ሽልማቱን በአደራጮቹ አስበው ባልተጠበቁ መንገዶች ለማሳደግ ከተማረ ይህ ሁኔታ ሊከሰት ይችላል።

የግልጽ ትምህርት ማጠናከሪያ ተወዳዳሪ አይነት ተወዳዳሪ ስሪት በ DeepMind ተገንብቶ ዲፕ ኪው-ኔትወርክ (DQN) ተብሎ የተሰየመ ሲሆን የአታሪ 2600 ጨዋታዎችን ከሰው በላይ በሆነ ደረጃ መጫወት ቻለ። የ DQN ስልተ-ቀመር ጥሬ የፒክሰል ግቤቶችን ወደ ተግባራት በማስተካከል እና ለተግባር-ዋጋ ተግባር ጥልቅ ኒውራል ኔትወርክ በመጠቀም እነዚህን ጨዋታዎች መጫወትን ተማረ፣ ይህም በተሰጠው ሁኔታ ለእያንዳንዱ ተግባር የሚጠበቀውን ሽልማት ይገምታል። ይህ እድገት ወደ አልፋጎ ልማት መርዝ አድርጓል፣ ይህም የጎ የሰንጠረዥ ጨዋታን በባለሙያ ደረጃ መጫወትን የሚማር የግልጽ ትምህርት ማጠናከሪያ ስልተ-ቀመር ነው። አልፋጎ የተቆጣጠረ ትምህርትን እና የግልጽ ትምህርት ማጠናከሪያን በመጠቀም የጎ ጨዋታን መጫወትን ተማረ፣ የኋለኛው ደግሞ በተሞክሮ ላይ ተመሥርቶ ፖሊሲውን ለማስተካከል ይውላል። የአልፋጎ ስኬት በግልጽ ትምህርት ማጠናከሪያ መስክ ውስጥ ትልቅ ምድብ ሲሆን፣ የማሽን ትምህርት ስልተ-ቀመር ከፍተኛ የስትራቴጂ ጥልቀት ያለው ውስብስብ ተግባርን ለመቆጣጠር መማር እንደሚችል አሳይቷል።

በአጠቃላይ፣ ጠንካራ ተማራሸ (reinforcement learning) ውስብስብ ችግሮችን ለመፍታት ጠንካራ እና ተስፋ ሰጪ መንገድ ሲሆን፣ እነዚህን ስልተ-ቀመሮች በአንድ የተወሰነ መተግበሪያ ሁኔታ ውስጥ ተከታተል የሚገባቸው ሊሆኑ የሚችሉ ጥቅሞች እና ጉዳቶችን በጥንቃቄ መገመት አስፈላጊ ነው። የጠንካራ ተማራሸ ስልተ-ቀመሮች በሞራል መንገድ እንዲለሙ እና ጥቅም ላይ እንዲውሉ ማድረግ፣ የተግባራቸውን ተከታታይ ውጤቶች ግምት ውስጥ በማስገባት አስፈላጊ ነው።

Telemus AI™ እርስዎን እና ድርጅትዎን የሰው ሁሉ ለማድረስ የሚሻው ችግሮችዎን እና ተፈታኪዎችን እንዴት መፍታት እንደሚቻል ይበልጥ ለመረዳት ሊረዳዎት ይችላል።

Telemus AI™ በድርጅትዎ እንዴት ጥቅም ላይ ሊውል እንደሚችል ለማየት ዛሬ ያግኙን።