Waarom is dit belangrijk?
Met beslissingstheorie kan software de keuze van een ideale beslisser nabootsen en zo een aanbevolen stap berekenen bij meerdere mogelijke aflopen. Overheden en bedrijven gebruiken die aanpak bij beleid en grote investeringen, onder meer in de energiesector. Op school en op het werk ordenen zulke modellen een lastige keuze, maar ze gelden vooral voor één beslisser en echte keuzes wijken daar vaak van af.
Zo werkt het in de praktijk
Beslissingstheorie beschrijft opeenvolgende keuzes bij onzekerheid met een Markov-beslissingsproces. Een lerende agent in reinforcement learning kiest een actie en krijgt daarna een beloning. In de oefenomgeving OpenAI Gym houdt die agent een staaf recht op een rijdend karretje.
Onderzoek zoekt een beleid met een zo groot mogelijke verwachte beloning. Bij grotere problemen zoekt Monte Carlo tree search tijdens de uitvoering een bruikbare stap. Ziet de agent de toestand niet volledig, dan heet het model een deels waarneembaar Markov-beslissingsproces.
De praktische toepassing van de voorschrijvende aanpak heet beslissingsanalyse. Die koppelt de theorie aan methoden en aan software, zoals beslissingsondersteunende systemen. Value iteration en policy iteration, twee vormen van dynamisch programmeren, rekenen het beleid voor een eindig proces uit.




