Wiele modeli i jeden agent, który się uczy

Na przykład środowisko do Reinforced Learning (RL, z ang. uczenie ze wzmocnieniem), które wymaga kontrolowania stanu środowiska, mechanizmu nagród i kar oraz agenta, aby nauczyć go dokonywania interakcji w tym środowisku na podstawie nagród za konkretne działania. RL to technika uczenia maszynowego, która znajduje zastosowanie w wielu dziedzinach, od robotyki po gry strategiczne. Choć zazwyczaj kojarzy się z algorytmami komputerowymi, koncepcja ta może być również zastosowana do uczenia ludzi. Jak?

A co, gdyby agentem mógł być człowiek? Kiedyś zadałem sobie to pytanie i cały koncept opisywany w tym artykule bazuje na tej diametralnej różnicy. Zazwyczaj w badaniach nad RL przedmiotem zainteresowania jest sam mechanizm uczenia się. Ponieważ trudno zamodelować aktualizację wag w mózgu ludzkim, można wykorzystać samą koncepcję uczenia ze wzmocnieniem jako metodę treningu i skupić się na stworzeniu multimodelowego systemu, który pozwoli ludzkiemu agentowi doskonalić zadane umiejętności właśnie w symulowanej pętli feedbacku.