Učení posílením (anglicky reinforcement learning, RL) je obor strojového učení, který se zabývá tím, jak si agent může osvojovat optimální chování v určitém prostředí prostřednictvím postupného zlepšování na základě získané zpětné vazby. Na rozdíl od klasického učení s učitelem, kde má algoritmus k dispozici přímo označená data (příklady a správné odpovědi), v RL agent objevuje správné kroky metodou pokus–omyl. Základním principem je maximalizace získané „odměny“ – kvantitativního signálu, který prostředí agentovi poskytuje v reakci na jeho akce, nebo na jejich sekvenci v průběhu času. Agent se tak učí strategii (tzv. politiku), která vede k nejvyšším dlouhodobým ziskům.
Formálně lze úlohu učení posílením popsat pomocí Markovských rozhodovacích procesů (MDP), přičemž v každém kroku přijímá agent volbu na základě stavu prostředí, za což obdrží odměnu a prostředí přejde do nového stavu. Nejdůležitějšími pojmy jsou tedy: stav (popis prostředí), akce (volba agenta), odměna (zpětná vazba) a hodnota (míra očekávané budoucí kumulované odměny). Klíčovým problémem je tzv. trade-off mezi průzkumem (explorací) a využíváním (exploatací) znalostí – agent musí hledat nové strategie, které by mohly vést k vyšším odměnám, ale zároveň efektivně využívat znalost již objevených dobrých strategií.
Učení posílením má široké praktické využití v oblastech, kde je potřeba samostatně vybírat optimální sekvenci rozhodnutí – například v robotice (řízení pohybu), v automatickém hraní her (AlphaGo, Atari hry), v návrhu systémů doporučování či v optimalizaci výrobních procesů. Moderní RL často kombinuje metody hlubokého učení, což umožňuje efektivní zpracování i velmi složitých a rozsáhlých stavových prostorů prostřednictvím neuronových sítí. Dynamika a efektivita RL však stále představuje řadu otevřených teoretických i praktických výzev, například v rychlosti učení, škálovatelnosti a stabilitě algoritmů v reálných, nelineárních a nestacionárních podmínkách.
PhDr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)