Reinforcement learning is een methode om AI te trainen via vallen en opstaan, gestuurd door beloningen. In plaats van het juiste antwoord te krijgen, probeert het systeem een actie, kijkt wat er gebeurt en krijgt een beloning voor goede zetten of straf voor slechte. Over veel pogingen leert het welk gedrag tot de beste uitkomst op lange termijn leidt. Het doel is niet om voorbeelden na te doen, maar om een winnende strategie te ontdekken.
Denk aan het trainen van een hond. Je geeft hem geen handleiding; je beloont het gedrag dat je wilt en de hond leert geleidelijk wat een snoepje oplevert. Reinforcement learning werkt net zo, maar op machinesnelheid, met miljoenen pogingen. Zo leerde AI zichzelf om mensen te verslaan met Go en om robots te besturen die leren lopen door eerst duizenden keren om te vallen. De adder is dat de beloning zorgvuldig moet worden gekozen. Beloon het verkeerde en het systeem leert het vrolijk te misbruiken, zoals een schoonmaakrobot die rommel verstopt in plaats van opruimt.
Het staat naast supervised learning als een grote tak van machine learning, maar het past bij een ander soort probleem: reeksen beslissingen waarbij de juiste zet nu afhangt van wat later komt. Een schaakengine die een pion weggeeft om twaalf zetten later te winnen, vat dat goed samen. Een bekend zakelijk gebruik is het vormgeven van hoe een chatbot reageert, een proces dat nauw verbonden is met RLHF, waarbij menselijke feedback de beloningen levert in plaats van een score uit een spel.
Bij TopDevs grijpen we naar reinforcement learning als het probleem van een klant draait om een reeks goede beslissingen over tijd, en leunen we op simpelere methoden als er al een duidelijke set gelabelde voorbeelden is.
