AI hugbúnaður sem bænist með tíma

Styrktarnám nýtur ástandss fulltrúa og líkindalíkana til að kanna bestu lausnir. Innblásið af jákvæðri og neikvæðri styrkingu sem greind hefur verið í líffræði, hefur það öðlast vinsældir. Reikniritin nota slembibreytingar á tillögulausnum til að auðkenna valfrjáls líkön.

Umboðsmenn eru þjálfaðir til að taka röð ákvarðana í umhverfi til að hámarka verðlaun. Það hefur margvísleg notkun, þar á meðal:

Fjármál: Reinalgóritmar hafa verið notaðir til að þróa viðskiptaumboð sem geta lært að versla hlutabréf og önnur fjármálatæki.
Leikir: Reinforcement learning reiknirit hafa verið notuð til að þróa leikjaþráttara sem geta lært að spila leiki eins og Atari, Go og Dota 2.
Náttúruleg málvinnsla: Staerkært nám hefur verið notað til að bæta afköst náttúrulegrar málvinnsluverkefna svo sem þýðingar milli tungumála og myndunar tungumáls.
Vélmenni: Styrkrtær lærdómur getur verið notaður til að þjálfa vélmenni til að framkvæma verkefni svo sem grip og meðhöndlun, færslu og hlutameðhöndlun.
Heilbrigðisþjónusta: Endurbótarnám hefur verið notað til að hámarka meðferð sjúklinga með langvinn sjúkdóma, svo sem sykursýki og háþrýsting, með því að læra að aðlagast meðferðaráætlunum byggðum á svörun sjúklingsins.
Orkustjórnun: Reiknirit styrkingarnáms hafa verið notuð til að hámarka rekstur orkukerfa, svo sem snjallnet, með því að læra að stilla orkuframleiðslu og notkun byggt á breytilegum eftirspurnar- og framboðsskilyrðum.

Í styrkingarnámi lærir fulltrúi að eiga samskipti við umhverfi sitt til að hámarka verðlaun. Fulltrúinn fær verðlaun fyrir hverja aðgerð sem hann tekur, og hann lærir að velja aðgerðir sem hámarka heildarverðlaun í von. Ferli styrkingarnáms er hægt að skipta niður í eftirfarandi skref:

Umboðsmaðurinn fylgist með núverandi ástandi umhverfisins.
Umboðsmaðurinn velur aðgerð byggt á núverandi stefnu sinni, sem er safn reglna sem ákvarða hvaða aðgerð á að taka í tilteknu ástandi.
Umhverfið skiptist yfir í nýtt ástand og veitir umboðsmanni verðlaun byggt á aðgerðinni sem var framkvæmd.
Umboðsmaðurinn uppfærir stefnu sína byggt á verðlaunum og nýju ástandi umhverfisins.

Þetta ferli er endurtekið þar til aðilinn nálgast nánustu hámarksstefnu. Það eru nokkrir mismunandi reiknirit sem hægt er að nota til að innleiða styrkingarnám, svo sem Q-learning, SARSA og Monte Carlo aðferðir. Þessi reiknirit eru mismunandi að því hvernig þau meta búin verðlaun fyrir hverja aðgerð og hvernig þau uppfæra stefnuna byggða á þeim verðlaunum sem sést hafa.

Einn af lykilvandamálunum í styrkingarnámi er að þróa reiknirit sem geta skalað að stórum, flóknum umhverfum. Mörg styrkingarnámsreiknirit krefjast verulegs magns gagna og tölvuorku til að læra á áhrifaríkan hátt. Þetta getur gert það erfitt að beita þessum reikniritum á raunveruleg vandamál sem fela í sér stór ástandsrúm eða flókna kvika. Annað vandamál er að hanna verðlaunaföll sem nákvæmt fanga markmið kerfisins. Í sumum tilvikum getur verið erfitt að skilgreina skýrt verðlaunamerki sem hvetur fulltrúann til að læra æskilega hegðun. Þetta getur leitt til ófullkominna eða óæskilegra útkoma, sérstaklega ef fulltrúinn lærir að hámarka verðlaunin á þá leið sem hönnuðirnir ætluðu sér ekki.

Vinsæll afbrigði af styrkandi námi var þróaður af DeepMind og kallaður Deep Q-Network (DQN) sem var fær um að læra að spila Atari 2600 leiki á ofurmannlegum staðli. DQN reikniritið var fær um að læra að spila þessa leiki með því að læra að varpa hráum mynddílainntökum yfir í aðgerðir, og með því að nota djúpt tauganet til að nálgast aðgerðagildisfallið, sem metur búin verðlaun fyrir hverja aðgerð í tilteknu ástandi. Þetta framfaraskref leiddi til þróunar AlphaGo, styrkjandi náms reiknirits sem var fær um að læra að spila borðleikinn Go á atvinnumannastaðli. AlphaGo var fær um að læra að spila Go með því að nota blöndu af leiðbeinu námi og styrkjandi námi, þar sem það síðarnefnda var notað til að fínstilla stefnuna byggða á reynslu. Árangur AlphaGo var mikilvægt tímamót á sviði styrkjandi náms, þar sem það sýndi getu reiknirits fyrir vélrænt nám til að læra að ná tökum á flóknu verkefni með mikilli stefnudýpt.

Samanlagt er styrkt nám öflug og efnileg aðferð til að leysa flókin vandamál, en mikilvægt er að íhuga kosti og galla þessara reiknirða vandlega í samhengi við tiltekna notkun. Einnig er mikilvægt að tryggja að reiknirðar fyrir styrkt nám séu þróaðir og notaðir á siðlegan hátt, með hliðsjón af hugsanlegum afleiðingum aðgerða þeirra.

Telemus AI™ getur aðstoðað þig og stofnun þína við að skilja betur hvernig gervigreind getur leyst flóknustu vandamál og áskoranir þínar.

Hafðu samband í dag til að sjá hvernig hægt er að nota Telemus AI™ í stofnuninni þinni.