Önfelügyelt és megerősítéses tanulás
A modern AI gyakran közvetlen emberi címkék nélkül is sokat tanul.
A lényeg
Önfelügyelt tanulásnál a tanítási jel magából az adatból származik: például következő token előrejelzése. Megerősítéses tanuláskor egy ügynök műveleteket hajt végre, és jutalom vagy visszajelzés alapján módosítja stratégiáját. Mindkettő fontos, de eltérő tanulási paradigma.
Önfelügyelt tanulásnál a rendszer a meglevő adatokból képez tanítási feladatot, például hiányzó elemek előrejelzését. Megerősítéses tanulásnál cselekvések és jutalmak alapján keres jobb stratégiát.
Egy nyelvi modell szövegrészleteket jósolhat előtanításkor; egy játékügynök az elért eredmények alapján módosíthatja döntéseit.
A jutalom rossz megtervezése nem kívánt viselkedést ösztönözhet; nem elég pusztán növelni egy számot.
Próbáld ki!
Adj példát arra, hogyan lehetne egy robotnak rossz jutalomfüggvényt megadni.
Szánj erre 1–2 percet. A saját megoldás többet ér, mint a kész válasz olvasása. Nem kell AI-fiók a feladathoz.
Mondd el saját szavaiddal a lecke lényegét. Hogyan magyaráznád el valakinek, miért téves a fent bemutatott félreértés? Hozz még egy saját példát!
Saját jegyzeted (automatikus helyi mentés)
Ellenőrizd a tudásod
Helyes válasz: A tanítási cél az adatokból is előállítható. Önfelügyelt tanulásnál a tanítási jel magából az adatból származik: például következő token előrejelzése. A jutalom rossz megtervezése nem kívánt viselkedést ösztönözhet; nem elég pusztán növelni egy számot.
Források és továbbolvasás
A magyarázatok ismeretterjesztő összefoglalók. A hivatkozások modulonkénti szakmai háttéranyagok, nem mondatonkénti, elsődleges bizonyítékok. Kétség esetén ellenőrizd az eredeti dokumentumot.