Képzeljünk el egy mesterséges intelligenciát, amely nem pusztán adatokat elemez, hanem hibáiból és próbálkozásaiból tanul, hogy végül mesterré váljon egy adott feladatban. Az erősítéses tanulás (reinforcement learning, RL) pontosan ezt valósítja meg: az ügynök olyan visszajelzésekből, mint a jutalom vagy büntetés, építi fel tudását a megfelelő döntések meghozatalához.
A megközelítés nem újkeletű, gyökerei egészen a ’80-as évekig nyúlnak vissza. Nagy áttörést hozott, amikor a DeepMind kutatói mély neurális hálókat kombináltak az erősítéses tanulással, és egy mesterséges intelligenciát pusztán képi adatok alapján tanítottak meg Atari játékokat játszani emberfeletti szinten.
Számos gyakorlati területen alkalmazzák már az RL-t, például a videojátékokban, robotikában vagy épp az egészségügyben. Ilyen például az OpenAI Five, amely a Dota 2-ben tanult stratégiát, vagy a robotkéz, amely Rubik-kockát old meg pusztán tapintás és látás alapján.
Az önvezető autók fejlesztése során is nagy hangsúlyt kap ez a technológia. A Waymo, az Alphabet önvezető járműdivíziója, az RL segítségével tanítja autóit, hogy valósághű szimulációkban bonyolult, váratlan forgalmi szituációkat is biztonsággal kezeljenek. Ezek a rendszerek milliárdnyi virtuális kilométeren át tanulnak úgy, hogy közben nem veszélyeztetik az embereket.
A technológia előnyei mellett azonban kihívások is akadnak. Előfordulhat például, hogy egy ügynök inkább kiskaput keres a pontszerzéshez, mintsem a feladat valódi megoldására törekedne. Komoly etikai és biztonsági kérdések is felmerülnek, különösen éles környezetben vagy nagy tétű alkalmazásoknál. A kutatók ezért a biztonságos, korrekt működés biztosítására is új módszereken dolgoznak.
