IT用語集 › AI & 機械学習 › 強化学習
エージェントが報酬を手がかりに学ぶ機械学習の枠組み。試して、フィードバックを受け、改善する。
AlphaGo、ロボティクス、自動運転の背後にある手法である。現代のほぼ全ての LLM の仕上げとなる RLHF も、これが支えた。難しいのは報酬関数の設計で、報酬を間違えれば、振る舞いも間違える。