Waarom is dit belangrijk?
Machines kunnen zo reeksen keuzes leren maken in situaties die steeds veranderen, zonder dat iemand elke volgende stap van tevoren vastlegt. In de industrie helpt versterkingsleren bij het besturen van robots, bij de opslag van energie en bij systemen die zelfstandig rijden. Voor werknemers op de werkvloer levert dit hulpmiddelen op die taken zelf verbeteren, al kunnen daarbij nog foute keuzes ontstaan en blijft menselijk toezicht nodig.
Zo werkt het in de praktijk
Teams gebruiken versterkingsleren bij optimalisatie op basis van simulatie. Zij hebben dan geen volledig rekenmodel, maar wel een nagebootste omgeving. Het programma zoekt in die simulatie een beleid voor een reeks beslissingen.
Onderzoekers vragen hoe zo'n beleid ontstaat zonder een exact wiskundig model. De literatuur noemt de aanpak ook benaderend dynamisch programmeren. Het werk hoort bij operationeel onderzoek, regeltechniek (het sturen van systemen) en statistiek.
Aan de Universiteit van Wenen koppelen onderzoekers versterkingsleren aan MLOps. MLOps is een werkwijze om modellen te testen, in gebruik te nemen en te onderhouden. Zij ontwerpen pipelines die modellen voor versterkingsleren controleren en uitrollen.




