Pekiştirmeli öğrenme
Ajanın ödül yoluyla öğrendiği ML paradigması — dene, geri bildirim al, geliş.
AlphaGo’nun, robotiğin ve otonom sürüşün arkasında. Her modern LLM’in son cilası olan RLHF’yi doğurdu. Doğru ödül fonksiyonunu tasarlamak zordur: yanlış ödül, yanlış davranış demektir.