verstärkendes Lernen

noun RL

reinforcement learning

Verstärkendes Lernen (RL) ist eine KI-Technik, bei der ein Agent durch Interaktion mit einer Umgebung lernt, Entscheidungen zu treffen, indem er Belohnungen oder Strafen erhält. Im Gegensatz zum überwachten Lernen, das auf beschrifteten Daten basiert, passt sich RL in Echtzeit an, indem es Feedback nutzt.

Es funktioniert mit einem Belohnungssystem—positiv für gewünschte Ergebnisse, negativ für Fehler. Der Agent testet verschiedene Aktionen und verfeinert seine Strategie mit Algorithmen wie Q-Learning oder Deep RL. RL wird in Robotik, Spielen und sogar im Handel eingesetzt, wo Anpassungsfähigkeit entscheidend ist.

Für Entwickler verändert RL die Systemgestaltung: Es erfordert eine sorgfältige Belohnungsmodellierung, um unerwünschte Verhaltensweisen zu vermeiden (z. B. ein Staubsaugerroboter, der nur die am besten belohnten Bereiche reinigt). Es benötigt auch erhebliche Rechenleistung—das Training eines RL-Modells für ein autonomes Auto kann Tausende Euro in Cloud-Computing kosten.

Beispiel: DeepMinds AlphaGo beherrschte das Brettspiel Go, indem es Millionen von Spielen gegen sich selbst spielte, bevor es menschliche Meister besiegte.

Ein Chatbot, der mit RL trainiert wurde, könnte lernen, unhöfliche Antworten zu vermeiden, indem er für jede unfreundliche Antwort bestraft wird.

Siehe auch: Supervised learning · AI agent

Découvrez nos autres services

ElpisIA, c’est tout un univers — explorez nos autres services.