یادگیری تقویتی (Reinforcement learning) یکی از حوزه های مهم هوش مصنوعی (AI) است که در سال های اخیر توجه زیادی را به خود جلب کرده است. این یک نوع الگوریتم یادگیری ماشین است که در آن مدل/عامل هوش مصنوعی برای اعمال خود پاداش یا جریمه دریافت می کند و از آنها یاد می گیرد تا عملکرد را در طول زمان بهینه کند. هدف، به حداکثر رساندن پاداش با انتخاب اقدامات مناسب بر اساس تجربه گذشته است، مشابه نحوه یادگیری انسان‌ها و حیوانات از طریق آزمون و خطا.
به صورت تخصصی، یادگیری تقویتی بر پایه های ریاضی مانند فرآیندهای تصمیم گیری مارکوف (MDPs)، معادلات بلمن، و الگوریتم های یادگیری تفاوت زمانی/محیطی مانند Q-Learning و SARSA متکی است. این مدل‌ها برای نشان دادن محیطی که عامل هوش مصنوعی در آن کار می‌کند استفاده می‌شود، و به آن اجازه می‌دهد در مورد اقدامات بعدی با توجه به شرایط یا وضعیت‌های خاص در آن محیط تصمیم‌گیری کند. به عنوان مثال، اگر یک ربات هوش مصنوعی در اطراف یک پیچ و خم با مسیرهای متعدد منتهی به خارج از آن حرکت می‌کرد، می‌توان از MDPها برای مدل‌سازی مسیرهای مختلف به همراه جوایز/جریمه‌های مربوط به آنها استفاده کرد تا مسیرهای بهینه را بر این اساس تعیین کرد.
یک نمونه از کاربردهای یادگیری تقویتی AlphaGo Zero است که توسط DeepMind Technologies Ltd در سال 2017 توسعه یافت. از شبکه‌های عصبی عمیق ترکیب شده با تکنیک‌های درخت جستجو مونت کارلو استفاده می‌کند تا بازی Go را در سطوح مافوق بشری و بدون هیچ گونه ورودی انسانی به جز اطلاعات پایه قوانین مربوط به خود بازی انجام دهد. سایر کاربردها عبارتند از وسایل نقلیه خودران که از طریق علائم راهنمایی و رانندگی حرکت میکنند، ربات‌هایی که بازی‌های فوتبال بازی میکنند، دستیاران مجازی قادر به درک دستورات زبان طبیعی و.. است. همه این وظایف به عواملی نیاز دارند که بتوانند رفتار خود را با توجه به شرایط محیطی در حال تغییر تطبیق دهند و در عین حال عملکردهای پاداش مرتبط با هر کار را به حداکثر برسانند.
علاوه بر این، برنامه های کاربردی موفقیت آمیزی برای وظایف مراقبت های بهداشتی مانند کشف دارو با استفاده از مدل های RL وجود دارد. همچنین، برخی از متخصصان از مدل های RL در امور مالی استفاده میکنند که در آن استراتژی های معاملات سهام را می توان با استفاده از تکنیک های RL بهینه کرد. یادگیری تقویتی ابزارهای قدرتمندی را برای مقابله با مشکلات چالش برانگیز در اختیار ما قرار می‌دهد، جایی که روش‌های سنتی ممکن است به اندازه کافی، کافی نباشند زیرا قادر به مقابله با محیط‌های در حال تغییر نیستند.
✍️ حمیدرضا قهرمانی:
https://vrgl.ir/zeRjp
به صورت تخصصی، یادگیری تقویتی بر پایه های ریاضی مانند فرآیندهای تصمیم گیری مارکوف (MDPs)، معادلات بلمن، و الگوریتم های یادگیری تفاوت زمانی/محیطی مانند Q-Learning و SARSA متکی است. این مدل‌ها برای نشان دادن محیطی که عامل هوش مصنوعی در آن کار می‌کند استفاده می‌شود، و به آن اجازه می‌دهد در مورد اقدامات بعدی با توجه به شرایط یا وضعیت‌های خاص در آن محیط تصمیم‌گیری کند. به عنوان مثال، اگر یک ربات هوش مصنوعی در اطراف یک پیچ و خم با مسیرهای متعدد منتهی به خارج از آن حرکت می‌کرد، می‌توان از MDPها برای مدل‌سازی مسیرهای مختلف به همراه جوایز/جریمه‌های مربوط به آنها استفاده کرد تا مسیرهای بهینه را بر این اساس تعیین کرد.
یک نمونه از کاربردهای یادگیری تقویتی AlphaGo Zero است که توسط DeepMind Technologies Ltd در سال 2017 توسعه یافت. از شبکه‌های عصبی عمیق ترکیب شده با تکنیک‌های درخت جستجو مونت کارلو استفاده می‌کند تا بازی Go را در سطوح مافوق بشری و بدون هیچ گونه ورودی انسانی به جز اطلاعات پایه قوانین مربوط به خود بازی انجام دهد. سایر کاربردها عبارتند از وسایل نقلیه خودران که از طریق علائم راهنمایی و رانندگی حرکت میکنند، ربات‌هایی که بازی‌های فوتبال بازی میکنند، دستیاران مجازی قادر به درک دستورات زبان طبیعی و.. است. همه این وظایف به عواملی نیاز دارند که بتوانند رفتار خود را با توجه به شرایط محیطی در حال تغییر تطبیق دهند و در عین حال عملکردهای پاداش مرتبط با هر کار را به حداکثر برسانند.
علاوه بر این، برنامه های کاربردی موفقیت آمیزی برای وظایف مراقبت های بهداشتی مانند کشف دارو با استفاده از مدل های RL وجود دارد. همچنین، برخی از متخصصان از مدل های RL در امور مالی استفاده میکنند که در آن استراتژی های معاملات سهام را می توان با استفاده از تکنیک های RL بهینه کرد. یادگیری تقویتی ابزارهای قدرتمندی را برای مقابله با مشکلات چالش برانگیز در اختیار ما قرار می‌دهد، جایی که روش‌های سنتی ممکن است به اندازه کافی، کافی نباشند زیرا قادر به مقابله با محیط‌های در حال تغییر نیستند.
✍️ حمیدرضا قهرمانی:
https://vrgl.ir/zeRjp