Обучение с подкреплением (RL)
Обучение стратегии действий по сигналу вознаграждения. Цель — повысить ожидаемую суммарную награду; её неудачный выбор может поощрять нежелательное поведение.
На практике
Система выбирает действия и получает оценку результата — награду. Например, агент в симуляции учится выбирать последовательность действий, которая чаще приводит к цели.
Что учитывать
Если награда плохо отражает задачу, система может научиться получать высокий балл без полезного поведения. Проверяют не только награду, но и фактический результат.