Uczenie się przez wzmacnianie – poddziedzina uczenia maszynowego – obejmuje techniki szkoleniowe AI, które wykorzystują „nagrody” do kierowania polityką oprogramowania w kierunku konkretnych celów. Innymi słowy, jest to proces, w którym sztuczna inteligencja będzie próbowała różnych działań, z każdej odpowiedzi wyciągała wnioski, czy dane działanie przynosi lepsze rezultaty, czy nie, a następnie wzmacniała działania, które zadziałały, tj. automatyczne przepracowywanie i modyfikowanie swoich algorytmów w wielu iteracjach daje najlepsze rezultaty. W ostatnim czasie uczenie się przez wzmacnianie zaczęto wykorzystywać do modelowania wpływu zasad społecznych, do tworzenia modeli sztucznej inteligencji o wyjątkowo dobrych możliwościach w grach lub programowalnych robotów, które potrafią samoleczyć się i regenerować po irytujących problemach z oprogramowaniem.

Chociaż technika uczenia się przez wzmacnianie charakteryzuje się dużą elastycznością i może być stosowana w wielu różnych modelach i celach, ma niefortunną wadę: jest nieskuteczna. Wytrenowanie modelu sztucznej inteligencji przy użyciu technik uczenia się przez wzmacnianie wymaga wielu różnych interakcji w środowisku symulowanym lub rzeczywistym, czyli znacznie więcej niż w przypadku, gdy człowiek musi nauczyć się określonego zadania. Aby częściowo przezwyciężyć ten problem, szczególnie w dziedzinie gier wideo, badacze sztucznej inteligencji w Google zaproponowali niedawno zastosowanie nowego algorytmu o nazwie Simulated Policy Learning (w skrócie SimPLe), który wykorzystuje proste modele gier wideo do uczenia się i ulepszania polityk jakości przy wyborze działań technik uczenia się przez wzmacnianie.
Naukowcy opisali algorytm w nowo opublikowanym artykule zatytułowanym „Model-Based Reinforcement Learning for Atari”, a także w dokumencie dołączonym do kodu open source.
„Na wysokim poziomie ideą badaczy przy opracowywaniu algorytmu SimPLe było naprzemienne ustalanie modelu charakterystyki gry i wykorzystywanie tego modelu do optymalizacji polityki (z technikami uczenia się przez wzmacnianie bez modelu) w środowisku symulacji gry. Podstawowe zasady leżące u podstaw tego algorytmu są dobrze ugruntowane i stosowane w wielu najnowszych metodach uczenia się przez wzmacnianie w oparciu o modele” – podzielili się naukowcy z zespołu Google AI Łukasz Kaiser i Dumitru Erhan.
Jak wyjaśnili obaj badacze, szkolenie systemu sztucznej inteligencji do grania w grę wymaga przewidywania tekstur kolejnych klatek gry docelowej, które są określone przez sekwencję klatek i kombinację poleceń (np. „w lewo”, „wewnątrz”, „w prawo”, „ do przodu”, „do tyłu”). Ponadto badacze wykazali również, że udany model może generować „trajektorie”, które można wykorzystać w szkoleniu zasad programu agenta gier, co zmniejszy potrzebę polegania na złożonych sekwencjach obliczeniowych w grze.
Algorytm SimPLe robi dokładnie to. Do przewidzenia następnej klatki z nagrodą potrzebne są 4 klatki jako dane wejściowe, a po pełnym przeszkoleniu algorytm generuje „wdrożenia” – przykładowe sekwencje sekwencji działań, obserwacji i wyników – wykorzystywane do ulepszania polityki (Kaiser i Erhan zauważają, że algorytm SimPLe wykorzystuje tylko wdrożenia o średniej długości, aby zminimalizować błąd przewidywania).
W testach trwających równowartość 2 godzin rozgrywki (100 000 interakcji) agenci stosujący dostosowane zasady SimPLe osiągnęli maksymalne wyniki w dwóch grach testowych (Pong i Freeway), generując jednocześnie niemal doskonałe prognozy aż do 50 kroków w przyszłość.
Czasami obaj badacze próbowali także zebrać drobne, ale bardzo istotne szczegóły z gier, co kończyło się niepowodzeniem. Kaiser i Erhan przyznają, że algorytm ten nadal nie do końca dorównuje wydajnością standardowych metod uczenia się przez wzmacnianie. Jednak SimPLe może być ponad dwukrotnie skuteczniejszy pod względem uczenia, a zespół ma nadzieję, że przyszłe badania pomogą znacząco poprawić wydajność algorytmu.
„Głównym celem metod uczenia się przez wzmacnianie opartych na modelach są środowiska, w których interakcje okazują się złożone, powolne lub wymagają etykietowania przez człowieka, na przykład w wielu zadaniach robotycznych. W takim środowisku symulator pozwoliłby nam lepiej zrozumieć środowisko programów agentowych, co z kolei mogłoby prowadzić do nowych, lepszych i szybszych sposobów robienia rzeczy. Wielozadaniowe uczenie się przez wzmacnianie”.

