Học tăng cường giống như dạy một chú cún bằng bánh quy: làm đúng thì thưởng, làm sai thì không có bánh! 😄 Nó tự tìm ra cách làm tốt nhất qua hàng loạt lần “vấp ngã”. Cực kỳ phù hợp khi cần ra quyết định trong môi trường phức tạp, không biết trước đáp án.
Học tăng cường (Reinforcement Learning) là một kiểu học máy (machine learning) nơi mô hình học cách đưa ra quyết định bằng cách thử và sai trong một môi trường, dựa trên phần thưởng hoặc hình phạt từ các hành động của nó. Không có dữ liệu có nhãn sẵn như học có giám sát, cũng không chỉ tìm mẫu như học không có giám sát. Thay vào đó, mô hình tự học qua việc tương tác và tối ưu hóa để đạt được mục tiêu.
Ví dụ:
- Hãy tưởng tượng bạn dạy một chú robot chơi game Mario. Bạn không nói cách nhảy hay tránh chướng ngại, mà chỉ đặt luật: nhảy qua chướng ngại (+1 điểm), đâm vào quái (-1 điểm), đến đích (+10 điểm). Robot sẽ thử đủ kiểu, ban đầu ngớ ngẩn, nhưng dần dần học được cách nhảy đúng lúc, tránh quái và chạy thẳng tới đích để “ăn” nhiều điểm nhất!
- Công thức: Hành động → Nhận phần thưởng/hình phạt → Học cách tối ưu.
Ví dụ thực tế:
- Trò chơi: AI học chơi cờ vua, cờ tướng (như AlphaGo), tối ưu nước đi để thắng.
- Robot tự hành: Xe tự lái học cách rẽ, dừng, tránh chướng ngại qua thử nghiệm.
- Quảng cáo: Hệ thống đề xuất tối ưu quảng cáo để tăng lượt nhấp chuột.
- Quản lý tài nguyên: Tối ưu hóa việc phân bổ năng lượng trong lưới điện.
Đặc điểm chính:
- Tác nhân (Agent): AI đưa ra quyết định.
- Môi trường (Environment): Thế giới mà AI tương tác.
- Phần thưởng (Reward): Điểm số để đánh giá hành động tốt/xấu.
- Chính sách (Policy): Cách AI chọn hành động để tối đa hóa phần thưởng dài hạn.