Naar inhoud
BetaAI Begrippen

AI-begrippen in gewone taal. Zoek een begrip, blader op letter of filter op onderwerp.

Versterkingsleren (2)

Engels: Reinforcement learning (RL) · Ook wel: RL, reinforcement learning

In het kort

Reinforcement learning (RL) is een vorm van machine learning waarbij een programma leert via beloningen. Anders dan bij leren met het juiste antwoord erbij krijgt het geen correctie op zwakke acties, maar probeert het acties en weegt nieuwe pogingen af tegen bekende keuzes. Zo oefent een programma in een computerspel zetten tot de totale score over de hele partij zo hoog mogelijk is.

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.

Bron: en.wikipedia.org

Gecontroleerd op 5 november 2026