Aprendizaje por refuerzo

Cómo funciona el aprendizaje por refuerzo

El proceso de RL se modela como un bucle continuo de retroalimentación en el que intervienen varios componentes clave:

• Agente: El que aprende y toma decisiones, como un robot o un programa de juego.
• Entorno: El mundo externo con el que interactúa el agente.
• Estado: Instantánea del entorno en un momento determinado, que proporciona al agente la información que necesita para tomar una decisión.
• Acción: Movimiento seleccionado por el agente entre un conjunto de opciones posibles.
• Recompensa: Una señal numérica enviada desde el entorno al agente después de cada acción, que indica lo deseable que ha sido la acción.

El agente observa el estado actual del entorno, realiza una acción y recibe una recompensa junto con el siguiente estado. Este ciclo se repite y, a través de esta experiencia, el agente refina gradualmente su política para favorecer las acciones que conducen a mayores recompensas a largo plazo. El marco formal de este problema suele describirse mediante un proceso de decisión de Markov (MDP). Entre los algoritmos de RL más conocidos se encuentran Q-learning y Policy Gradients.

Comparación con otros paradigmas de aprendizaje

La RL es distinta de los otros tipos principales de aprendizaje automático:

• Aprendizaje supervisado: En el aprendizaje supervisado, un modelo aprende a partir de un conjunto de datos totalmente etiquetado con respuestas correctas. Por ejemplo, un modelo de clasificación de imágenes se entrena a partir de imágenes con etiquetas explícitas. En cambio, la RL aprende a partir de señales de recompensa sin supervisión explícita sobre cuál es la mejor acción en cada paso. Puede consultar una comparación detallada del aprendizaje supervisado y no supervisado.
• Aprendizaje no supervisado: Este paradigma consiste en encontrar patrones o estructuras ocultas en datos no etiquetados. Su objetivo es la exploración de datos, como la agrupación k-means, en lugar de la toma de decisiones para maximizar una recompensa.
• Aprendizaje profundo por refuerzo (DRL): El DRL no es un paradigma diferente, sino una forma avanzada de RL que utiliza redes neuronales profundas para manejar espacios de estado y acción complejos y de alta dimensión. Esto permite que el RL se amplíe a problemas que antes se consideraban intratables, como el procesamiento de datos de píxeles en bruto de una cámara para vehículos autónomos.

Aplicaciones reales

La RL ha cosechado éxitos notables en diversos ámbitos complejos:

• Juego: Los agentes de RL han logrado un rendimiento sobrehumano en juegos complejos. Un ejemplo destacado es AlphaGo, de DeepMind, que aprendió a derrotar a los mejores jugadores de Go del mundo. Otro es el trabajo de OpenAI en Dota 2, donde un agente aprendió complejas estrategias de equipo.
• Robótica: La RL se utiliza para entrenar robots en tareas complejas como la manipulación de objetos, el ensamblaje y la locomoción. En lugar de programarlo explícitamente, un robot puede aprender a caminar o agarrar objetos si se le recompensa por sus intentos en un entorno simulado o real. Se trata de un campo de investigación clave en instituciones como el Berkeley Artificial Intelligence Research (BAIR) Lab.
• Gestión de recursos: Optimización de operaciones en sistemas complejos, como la gestión del flujo de tráfico en las ciudades, el equilibrio de la carga en las redes de energía y la optimización de las reacciones químicas.
• Sistemas de recomendación: La RL puede utilizarse para optimizar la secuencia de elementos recomendados a un usuario con el fin de maximizar el compromiso y la satisfacción a largo plazo, en lugar de limitarse a los clics inmediatos.

Relevancia en el ecosistema de la IA

El aprendizaje por refuerzo es un componente crucial del amplio panorama de la Inteligencia Artificial (IA), especialmente para crear sistemas autónomos. Aunque empresas como Ultralytics están especializadas en modelos de IA de visión como Ultralytics YOLO para tareas como la detección de objetos y la segmentación de instancias mediante aprendizaje supervisado, las capacidades de percepción de estos modelos son aportaciones esenciales para los agentes de RL.

Por ejemplo, un robot puede utilizar un modelo YOLO de percepción, desplegado a través de Ultralytics HUB, para comprender su entorno (el "estado"). A continuación, una política de RL utiliza esta información para decidir su siguiente movimiento. Esta sinergia entre la visión por ordenador (CV) para la percepción y la RL para la toma de decisiones es fundamental para construir sistemas inteligentes. Estos sistemas se desarrollan a menudo utilizando marcos como PyTorch y TensorFlow y se prueban con frecuencia en entornos de simulación estandarizados como Gymnasium (anteriormente OpenAI Gym). Para mejorar la alineación de los modelos con las preferencias humanas, técnicas como el aprendizaje por refuerzo a partir del feedback humano (Reinforcement Learning from Human Feedback, RLHF) también están adquiriendo cada vez más importancia en este campo. El progreso en RL es impulsado continuamente por organizaciones como DeepMind y conferencias académicas como NeurIPS.