Apprendimento per rinforzo

L'apprendimento per rinforzo è una classe di machine learning in cui un agente impara a prendere sequenze di decisioni per tentativi ed errori, ricevendo ricompense o penalità per le proprie azioni. Viene applicato a problemi di controllo e ottimizzazione, come la gestione dell'energia e la regolazione dei processi.

Anziché imparare da esempi etichettati, un agente di apprendimento per rinforzo interagisce con un ambiente, compie azioni, osserva lo stato e la ricompensa che ne derivano e apprende gradualmente una politica che massimizza la ricompensa cumulativa. In ambito industriale si rivela promettente per il controllo e la schedulazione complessi, dove le azioni corrette sono difficili da specificare direttamente. Poiché i tentativi ed errori nel mondo reale possono essere costosi o pericolosi, l'addestramento avviene di solito su una simulazione o un gemello digitale prima della messa in esercizio.

Termini correlati

Advanced Process Control (APC) · Digital Twin · Machine Learning (Industrial)