Reinforcement Learning (RL)

Wat is reinforcement learning?

Reinforcement learning (RL) is een vorm van machine learning waarbij een systeem leert door te doen. Een zogeheten agent, het lerende programma, probeert acties uit in een omgeving en krijgt daarvoor beloningen of straffen terug. Door miljoenen keren te oefenen ontdekt de agent welke strategie de meeste beloning oplevert. Het is leren via trial-and-error, vergelijkbaar met hoe je een hond een kunstje aanleert met snoepjes.

Hoe werkt het?

De agent observeert de situatie, kiest een actie en krijgt feedback in de vorm van een beloningsscore. Anders dan bij supervised learning is er geen dataset met goede antwoorden: de agent moet zelf uitvinden wat werkt, ook als de beloning pas veel later komt. Bekende successen zijn AlphaGo, dat wereldkampioenen versloeg in het bordspel go, en robotbesturing. Een variant die je vandaag overal tegenkomt is reinforcement learning from human feedback (RLHF): daarmee worden chatbots en taalmodellen na hun basistraining bijgestuurd, zodat ze behulpzame en veilige antwoorden geven op basis van menselijke beoordelingen.

Wat heb je eraan als bedrijf?

Direct zelf toepassen doe je RL als MKB-bedrijf zelden; het vergt veel data, rekenkracht en een goed gedefinieerde beloning. Indirect profiteer je er dagelijks van: de AI-assistenten die je gebruikt zijn er deels mee getraind, en RL zit onder de motorkap van toepassingen als dynamische prijsstelling, voorraadoptimalisatie en routeplanning. Het is vooral nuttig om te begrijpen waarom AI-systemen soms verrassend creatieve, maar ook onverwachte oplossingen vinden: ze optimaliseren puur op de beloning die ze meekregen.

Gerelateerde begrippen

Reinforcement learning is naast supervised learning en unsupervised learning een van de drie hoofdvormen van machine learning. Een bekend RL-algoritme is Q-learning.