Apprentissage par renforcement
Une méthode où un système développe une stratégie d’action à partir d’actions et de récompenses dans un environnement.
Comment un système apprend-il grâce aux récompenses ?
Dans l’apprentissage par renforcement, ou RL, un système effectue des actions dans un environnement et reçoit les récompenses associées. Il en apprend une stratégie d’action, aussi appelée policy. L’objectif est de maximiser la récompense attendue sur le déroulement considéré. La conception de la récompense est donc déterminante : ce qui est récompensé par le calcul doit correspondre au but réel de la tâche. La stratégie entraînée et son utilisation ultérieure nécessitent une planification distincte.
Dans une simulation fictive, un système doit apprendre des séquences de visites de service. Une récompense fondée uniquement sur des trajets courts ne tiendrait pas compte à elle seule des créneaux convenus. L’équipe définit donc les actions permises, les contraintes de planification obligatoires et les scénarios d’évaluation adaptés. Elle examine aussi les cas où des trajets courts entrent en conflit avec l’exécution ponctuelle de toutes les visites attribuées. Un score élevé en simulation ne démontre pas à lui seul qu’un planning opérationnel est adapté. Avant l’usage pratique, les conditions réelles et le traitement des écarts sont évalués séparément.
Sources
Termes associés
- Apprentissage automatiqueLes modèles apprennent des régularités dans les données et les appliquent à de nouvelles entrées.
- Inférence de l’IAAppliquer un modèle déjà entraîné à des entrées pour obtenir un résultat.
- Évaluation des LLML’évaluation des LLM teste les sorties selon des tâches et critères définis. Un bon exemple isolé ne prouve pas la qualité générale.
- Apprentissage superviséUne méthode qui utilise des entrées accompagnées de leurs valeurs ou classes cibles comme exemples d’entraînement.
- Apprentissage non superviséUne méthode qui recherche des structures dans les données sans réponses cibles prédéfinies pour la tâche d’entraînement concernée.
- Reclassement des résultatsLe reclassement réévalue les résultats déjà trouvés. Leur pertinence dépend de la question et des limites de la sélection initiale.
Votre projet avec ASES
Décrivez-nous votre projet. Nous revenons vers vous avec une première évaluation.