Förstärkningsinlärning: lära av feedback
Förstå hur algoritmer lär sig genom belöning och identifiera risker med felaktiga belöningsstrukturer.
Vardagsförklaring
Hur optimerar man en process? Inte genom att diktera varje steg, utan genom att belöna resultat. När ett system råkar producera ett önskat utfall, registreras det. Efter många iterationer ökar frekvensen av det beteendet.
En AI-algoritm fungerar likadant: den utför en handling, får en poäng (reward) om resultatet var bra, och justerar sin strategi för att maximera poängen. Ingen har kodat hur den ska tänka — bara vad som är ett bra resultat.
Detta kallas förstärkningsinlärning (reinforcement learning).
Interaktivt
Exempel: Optimering av en rutt. En algoritm ska navigera från punkt A till punkt B. Den kan välja att gå vänster eller höger.
[Start] [ ] [ ] [Mål]
Regel: +1 poäng när målet nås, 0 annars. I början väljer den slumpmässigt. Ibland når den målet → +1. Nästa iteration blir «höger» statistiskt mer sannolikt. Efter tjugo körningar väljer den den direkta vägen.
Risk: Om du belönar fel sak lär sig systemet fel sak. Ger du +1 för varje steg mot målet kan algoritmen lära sig att pendla nära målet i stället för att slutföra uppgiften — det ger högre total poäng. Belöningen måste exakt spegla det slutresultat du vill uppnå.
Behärskning innebär
- Förklarar att belöningssignaler styr vilka beteenden som förstärks
- Kan beskriva hur en agent optimeras genom iteration och feedback
Förkunskaper
Logga in för att göra övningarna och bygga upp din behärskning.
Källor
- CS Unplugged (CC BY-SA 4.0) — CC BY-SA 4.0
- Sutton & Barto — Reinforcement Learning (fri PDF), kap. 1 — fri läsning