Waarom is dit belangrijk?
Een computer kan hierdoor een sterke keuze vinden in taken met te veel opties om ze allemaal te controleren. In de wetenschap pasten onderzoekers die aanpak later toe bij het voorspellen van de vorm van eiwitten en bij wiskundige bewijzen. Op school en op het werk betekent dit dat software soms sterke antwoorden kan geven, maar ook een duidelijke fout kan maken.
Zo werkt het in de praktijk
Google zet AlphaZero, een opvolger van AlphaGo, in om werk in datacenters te plannen. Het programma herkent patronen in taken en kiest een verdeling van de capaciteit. In de energiesector regelen onderzoekers met de zoekmethode van AlphaGo de spanning in netten met batterijen.
Een overzichtsstudie onderzoekt of deze methode ook buiten spellen werkt. De auteurs noemen planning van machinetaken, chemie en geneeskunde. Zij beschrijven hoe een getraind rekenmodel de zoektocht naar een volgende keuze stuurt.
De aanpak hoort bij reinforcement learning. Daarbij leert een programma van een beloning na een eigen poging. Die stap gaat samen met Monte Carlo tree search, een zoekmethode die kansrijke vervolgstappen uitprobeert.




