Sjekk det du har lært — Forsterkningslæring

Del 1 — Faktaoppgave

1. Koble begrepet til riktig forklaring. Trekk en linje fra begrepet til definisjonen som passer.

Agent

—

Tabell som viser forventet belønning for hver handling fra hver tilstand

Forsterkningslæring

—

Enheten som lærer og tar beslutninger

Belønning

—

Nåværende situasjon for agenten

Tilstand

—

Numerisk tilbakemelding etter hver handling — positiv eller negativ

Q-tabell

—

KI som lærer gjennom belønning og straff

2. Kryss av riktig påstand.

En agent i forsterkningslæring får detaljerte forklaringer på hva den skal gjøre.
Forsterkningslæring betyr at agenten lærer fra belønning og straff over tid.
Q-tabellen noterer hvilke handlinger som gir høyest belønning fra hver tilstand.
AlphaGo lærte å spille Go fordi mennesker forklarte alle reglene.

3. Fyll inn. Fullfør setningene med riktig begrep.

En __________ er enheten som lærer fra belønning og straff.

Når agenten tar en handling, mottar den __________ som tilbakemelding.

ChatGPT ble finjustert ved hjelp av __________ (RLHF) — menneskers preferanser som belønningssignal.

Del 2 — Aktivitetsrefleksjon

4. Beskriv hva som skjedde i Runde 1. Hvordan forsøkte agenten å finne veien før den hadde erfaring?

5. Hva ble bedre i Runde 2? Hvordan brukte agenten Q-tabellen? Gikk det raskere eller saktere enn Runde 1?

6. Sammenhengen. Hva ville skjedd hvis reglene for fargelappene var annerledes — for eksempel hvis hver seier ga fem nye lapper i vinnerfargen i stedet for én?

🔍 Del 3 — Tankeoppgave (utfordring)

AlphaGo spilte millioner av partier mot seg selv. Hver seier var +belønning, hvert tap −belønning. Etter det lærte det å spille bedre enn noe menneske.

Hva tror dere AlphaGo opplevde gjennom belønningen? Hva hvis belønningen hadde vært annerledes — for eksempel hvis agenten fikk −belønning for å vinne?