Aprendizaje por refuerzo
Un método en el que un sistema desarrolla una estrategia de acción a partir de acciones y recompensas en un entorno.
¿Cómo aprende un sistema mediante recompensas?
En el aprendizaje por refuerzo, o RL, un sistema realiza acciones en un entorno y recibe recompensas asociadas. A partir de ello aprende una estrategia de acción, también llamada policy. El objetivo es maximizar la recompensa esperada durante el proceso considerado. Por eso, el diseño de la recompensa es decisivo: lo premiado por el cálculo debe corresponder al propósito real de la tarea. La estrategia entrenada y su uso posterior necesitan una planificación separada.
En una simulación ficticia, un sistema debe aprender secuencias de visitas de servicio. Una recompensa basada solo en trayectos cortos no tendría en cuenta por sí misma las franjas horarias acordadas. Por eso, el equipo define las acciones permitidas, las restricciones obligatorias de planificación y los escenarios de evaluación adecuados. También examina casos en los que las rutas cortas entran en conflicto con completar puntualmente todas las visitas asignadas. Una puntuación alta en la simulación no demuestra por sí sola un plan operativo adecuado. Antes del uso práctico, se evalúan por separado las condiciones reales y la gestión de desviaciones.
Fuentes
Términos relacionados
- Aprendizaje automáticoLos modelos aprenden patrones de los datos y los aplican a nuevas entradas.
- Inferencia de IAAplicar un modelo ya entrenado a entradas para obtener un resultado.
- Evaluación de LLMLa evaluación de LLM comprueba resultados según tareas y criterios definidos. Un buen caso aislado no demuestra calidad general.
- Aprendizaje supervisadoUn método que utiliza entradas junto con sus valores o clases objetivo como ejemplos de entrenamiento.
- Aprendizaje no supervisadoUn método que busca patrones en los datos sin respuestas objetivo predefinidas para la tarea de entrenamiento concreta.
- Reordenación de resultadosLa reordenación vuelve a evaluar los candidatos encontrados. Importan la pertinencia para la consulta y los límites de la selección inicial.
Su proyecto con ASES
Descríbanos su proyecto. Le responderemos con una primera valoración.