강화학습이 과대평가되었나요?

번역가 | Li Rui

리뷰어 | Sun Shujuan​

알았어친구들과 체스를 준비하고 있다고 상상해 보세요. 하지만 그는 인간 이 아닙니다. 게임의 규칙을 이해하지 못합니다. 그러나 이 앱은 게임에서 이기는 이라는 하나의 목표 를 달성하기 위해 노력한다는 것을 이해합니다. ​

컴퓨터 프로그램은 규칙을 모르기 때문에 체스를 시작하는 동작

은 무작위입니다. 이러한 트릭 중 일부는 전혀 의미가 없으며 쉽게 승리할 수 있습니다. 여기서 당신이 이 친구와 체스를 너무 좋아해서 게임에 중독되었다고 가정해 보겠습니다. ​

그러나

컴퓨터 프로그램은 결국 승리할 것입니다. 왜냐하면 프로그램은 점차적으로 당신count을 물리칠 수 있는 방법과 요령을 배울 것이기 때문입니다. 이 가상의 시나리오는 믿기지 않는 것처럼 보일 수 있지만 강화 학습(기계 학습 분야)이 일반적으로 작동하는 방식에 대한 기본적인 이해를 제공해야 합니다. ​

강화 학습은 얼마나 스마트합니까? ​

인간의 지능은 지식 습득, 지적 능력 확장에 대한 욕구, 직관적 사고 등 다양한 특성을 포함합니다. 체스 챔피언 가리 카스파로프(Garry Kasparov)가 딥 블루(Deep Blue)라는 IBM 컴퓨터에 패하자 인간의 지능은 의심스러워졌습니다. 로봇이 인류를 지배하는 미래를 묘사한 종말론적 시나리오가 대중의 관심을 끌었을 뿐만 아니라 주류 의식도 장악했습니다.

​

하지만

, "딥 블루"

는 평범한 상대가 아닙니다. 이 계산 프로그램 으로 체스를 두는 것은 천년의 노인 남자, 쉬지 않고 체스를 쳐온 모두와 함께 체스를 하는 것과 같습니다. 그의 인생 . 하지만 "딥 블루"는 악기 연주, 책 쓰기, 과학 실험, 아이 키우기, 자동차 수리와 같은 다른 지적 활동이 아닌 특정 게임을 잘합니다. ​이

은 확실히 "Deep Blue"

의 업적 을 과소평가 하려는 것이 아닙니다. 과는 반대로 컴퓨터가 지적 능력에서 인간을 능가할 수 있다는 생각은 강화 학습 작동 에 대한 분석부터 시작하여 신중한 조사가 필요합니다. ​강화 학습의 작동 원리​

에서

언급했듯이 강화 학습은 기계 학습의 하위 집합으로, 지능형 에이전트가 환경에서 행동하는 방식을 포함하여 개념을 최대화합니다. 누적 보상. ​

간단히 말하면, 강화 학습로봇은 보상과 처벌 메커니즘으로 훈련됩니다. 올바른 행동을 하면 보상을 받고, 잘못된 행동은 잘못된 행동에 대해 처벌됩니다. 강화 학습 봇은 더 나은 행동을 취하는 방법을 "생각" 하지 않고 모든 행동을 가능하게 만들어 성공 가능성을 극대화합니다. ​강화 학습의 단점​

강화 학습의 가장 큰 단점은 목표를 달성하기 위해 많은 양의 리소스를 사용해야 한다는 것입니다. 바둑 게임에서 강화학습의 성공이 이를 잘 보여줍니다. 이것은 인기 있는 2인용 게임으로, 조각을 잃지 않고 조각을 사용하여 보드의 최대 영역을 차지하는 것이 목표입니다.

​

AlphaGo Master는 바둑에서 인간 플레이어를 이기는 컴퓨터 프로그램으로 많은 엔지니어, 매우 풍부한 게임 경험, 256 GPU 및 128,000 CPU를 포함하여 많은 비용과 인력을 소비합니다.

​

게임에서 승리하는 방법을 배우는 과정에는 많은 자원과 에너지가 투자되어야 합니다. 직관적으로 생각할 수 없는 AI를 설계하는 것이 합리적일까요? AI 연구는 인간 지능을 모방해야 하지 않을까요?

​

강화 학습을 지지하는 한 가지 주장은 사람들이 기대해서는 안 된다는 것입니다. AI to 이 시스템은 인간처럼 행동하며 복잡한 문제를 해결하는 데 사용하려면 추가 개발이 필요합니다. 반면, 강화 학습에 반대하는 주장은 AI 연구가 현재 인간과 동물만이 할 수 있는 일을 기계가 수행하도록 하는 데 초점을 맞춰야 한다는 것입니다. 이런 관점에서 볼 때 인공지능과 인간지능의 비교는 적절하다.

​양자 강화 학습​

강화 학습은 위의 문제 중 일부를 해결할 수 있다고 알려진 새로운 분야입니다. QRL(양자 강화 학습)은 컴퓨팅을 가속화하는 방법입니다.

​

먼저 QRL(양자 강화 학습)은 탐색(전략 발견) 및 활용(최상의 전략 선택) 단계를 최적화하여 학습을 가속화해야 합니다. 일부 현재 애플리케이션과 제안된 양자 컴퓨팅은 데이터베이스 검색을 개선하고, 큰 숫자를 소수로 분해하는 등의 작업을 수행합니다.

​

QRL(양자 강화 학습)이 획기적인 방식으로 등장하지는 않았지만 기존 강화 학습의 주요 과제 중 일부를 해결할 수 있는 가능성을 갖고 있습니다.

​강화 학습을 위한 비즈니스 사례​

위에서 언급했듯이 강화 학습 연구 및 개발은 매우 중요합니다. 다음은 McKinsey & Company 설문 조사에서 얻은 강화 학습의 실제 사례입니다.

​

• 반도체 및 칩 설계를 최적화하고 제조 공정을 최적화하며 반도체 산업의 생산량을 늘리세요. ​
• 공장 생산량을 늘리고, 물류를 최적화하여 폐기물과 비용을 줄이고, 농업 이익을 늘립니다. ​
• 항공우주 및 방위 산업의 새로운 시스템 출시 기간을 단축하세요. ​
• 자동차 산업의 설계 프로세스를 최적화하고 생산 효율성을 향상시킵니다. ​
• 실시간 거래 및 가격 전략을 통해 수익을 늘리고 고객 경험을 개선하며 고객에게 금융 서비스의 고급 개인화 기능을 제공합니다. ​
• 광산 설계 최적화, 발전 관리, 전체 물류 일정 적용, 운영 최적화, 비용 절감, 생산량 증대를 실현하세요. ​
• 석유 및 가스 산업에서 실시간 모니터링과 정밀한 시추를 통해 생산량을 늘리고, 유조선 경로를 최적화하고, 예측 유지보수를 달성하고, 장비 고장을 방지합니다. ​
• 제약 산업에서 신약 발견을 촉진하고, 연구 프로세스를 최적화하고, 생산을 자동화하고, 생물학적 방법을 최적화합니다. ​
• 공급망을 최적화하고 고급 재고 모델링을 구현하며 소매 부문 고객에게 고급 맞춤형 서비스를 제공합니다. ​
• 통신 산업에서 고객 개인화를 적용하여 네트워크를 최적화하고 관리합니다. ​
• 운송 물류 경로, 네트워크 계획, 창고 운영을 최적화합니다. ​
• 차세대 프록시를 사용하여 웹사이트에서 데이터를 추출하세요. ​

강화 학습에 대한 고찰​

강화 학습의 힘은 제한적일 수 있지만 과대평가할 수는 없습니다. 또한 강화 학습 연구 및 개발 프로젝트가 증가함에 따라 경제의 거의 모든 부문에서 잠재적인 사용 사례도 증가하고 있습니다. ​

강화 학습의 대규모 채택은 최적의 알고리즘 설계, 구성된 학습 환경, 컴퓨팅 성능의 가용성을 포함한 여러 요소에 따라 달라집니다. ​

원제: ​​강화 학습이 과대평가되었나요?​​, 저자: 알렉 산드라스 Šulženko​

위 내용은 강화학습이 과대평가되었나요?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!