Bonne réponse
- BL'entraînement d'un agent par le biais de récompenses et de pénalités dans un environnement interactif
Explication
Le reinforcement learning est un paradigme de machine learning dans lequel un agent apprend à prendre des décisions en interagissant avec un environnement, en recevant des récompenses pour les actions souhaitables et des pénalités pour les indésirables. Ce processus d'essais et erreurs permet à l'agent de développer une politique optimale au fil du temps, ce qui le distingue de l'apprentissage supervisé ou non supervisé. Dans Azure, cela est illustré par des services tels que les capacités de reinforcement learning d'Azure Machine Learning ou l'intégration avec des plateformes comme Ray RLlib.
Pour aller plus loin
Le reinforcement learning est une branche du machine learning axée sur la prise de décision séquentielle, où un agent apprend en interagissant avec un environnement pour maximiser un signal de récompense cumulatif. Le cadre formel est généralement un processus de décision markovien (MDP), défini par des états, des actions, des probabilités de transition, des récompenses et un facteur d'actualisation qui pondère les rendements immédiats par rapport aux rendements futurs. Une subtilité clé réside dans le fait que les récompenses sont évaluatives et non instructives : elles indiquent à posteriori si une action était bonne, mais n'indiquent pas à l'agent quelle aurait dû être la bonne action. C'est pourquoi l'attribution de crédit — déterminer quelles actions passées méritent du crédit pour une récompense différée — constitue un défi central. Le RL diffère nettement de l'apprentissage supervisé (qui apprend à partir d'exemples étiquetés), de l'apprentissage non supervisé (qui trouve des structures cachées) et du transfer learning (qui réutilise des modèles pré-entraînés) ; il est plutôt guidé par les essais et erreurs, l'exploration par rapport à l'exploitation et la planification à long terme. Les applications du monde réel incluent les jeux (par exemple, AlphaGo), le contrôle robotique, la conduite autonome et la tarification dynamique, où l'agent doit s'adapter continuellement à un environnement incertain en se basant sur les retours de ses propres actions. Une idée fausse très répandue consiste à croire que le RL peut être réduit à un apprentissage supervisé utilisant des récompenses comme étiquettes, mais l'absence de réponses correctes explicites et la présence de décisions étendues dans le temps en font un problème fondamentalement différent et souvent plus complexe.
À propos de ces questions d'entraînement
Cette question fait partie des questions d'entraînement AI-900 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.
Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.