Aprendizado por reforço
Paradigma de ML em que um agente aprende por recompensa — tentar, receber feedback, melhorar.
Por trás do AlphaGo, da robótica, da direção autônoma. Deu origem ao RLHF como o acabamento de praticamente todo LLM moderno. Difícil de acertar a função de recompensa — recompensa errada, comportamento errado.