RL (uczenie ze wzmocnieniem)
Paradygmat ML, w którym agent uczy się metodą prób i błędów w środowisku, nagradzany lub karany sygnałem nagrody. Nie potrzeba danych z etykietami — agent sam je wytwarza.
Klasyczne przełomy: DQN grający w Atari od DeepMind (2013), AlphaGo (2016), AlphaZero (2017), OpenAI Five (Dota, 2018). Współczesny renesans dzięki LLM-om: RLHF (dostosowanie modeli do ludzi) i RLVR (Reinforcement Learning from Verifiable Rewards, dla matematyki i kodu), które napędziły DeepSeek-R1 (2025). Algorytmy: Q-learning, gradient polityki, PPO (Proximal Policy Optimization — ulubieniec OpenAI), DPO. Kłopotliwe i drogie — wymaga milionów epizodów. RL „od zera” wciąż pozostaje granicą badań.