Bestärkendes Lernen

Die Idee#

Sie bringen einem Hund nicht bei, wie ein Sitz aussieht, indem Sie ihm tausend Fotos zeigen. Sie warten, bis er sich hinsetzt, und geben ein Leckerli. Nach einer Weile hat er die Verbindung.

Bestärkendes Lernen funktioniert genauso: es gibt keine richtige Antwort, sondern nur eine Bewertung im Nachhinein.

Wozu es gut ist#

Überall dort, wo es keine Beispielsammlung geben kann, weil das System die Situation erst selbst erzeugt: Regelungstechnik, Logistikplanung, Spielstrategien, Ressourcenverteilung in Rechenzentren.

Die Begriffe#

Der Zielkonflikt#

Erkunden oder ausnutzen. Wer immer die beste bekannte Aktion wählt, findet nie eine bessere. Wer immer probiert, verschenkt Ertrag. Übliche Lösung: mit Wahrscheinlichkeit ε zufällig handeln und ε im Verlauf senken.

import numpy as np
rng = np.random.default_rng(0)

wahre_guete = np.array([0.2, 0.5, 0.75])     # drei Optionen, unbekannt
schaetzung  = np.zeros(3); zaehler = np.zeros(3)

for t in range(1, 2001):
    eps = max(0.02, 1.0 / np.sqrt(t))         # Erkundung faellt langsam ab
    a = rng.integers(3) if rng.random() < eps else int(schaetzung.argmax())
    r = float(rng.random() < wahre_guete[a])
    zaehler[a] += 1
    schaetzung[a] += (r - schaetzung[a]) / zaehler[a]

print(schaetzung.round(3), zaehler.astype(int))

Die Bellman-Gleichung#

Der Abzinsungsfaktor ist keine Feinheit: bei γ = 0,99 liegt der effektive Horizont bei rund 1/(1−γ) = 100 Schritten. Wer ein Problem mit Tausend-Schritt-Konsequenzen mit γ = 0,9 rechnet, hat einen Horizont von zehn Schritten und wundert sich über kurzsichtiges Verhalten.

Wo es bei Sprachmodellen steckt#

In der Ausrichtungsstufe. Das Modell erzeugt zwei Antworten, ein Mensch wählt die bessere, daraus wird ein Belohnungsmodell trainiert, und die Policy wird gegen dieses Modell optimiert, mit einem KL-Term, der verhindert, dass sich das Modell zu weit vom Ausgangszustand entfernt.

Ohne den KL-Term kollabiert die Policy regelmäßig auf wenige Formulierungen, die das Belohnungsmodell hoch bewertet, sichtbar als Antworten, die einander auffällig ähneln. Siehe RLHF und Alignment.