{"id":13629,"date":"2019-01-28T09:22:47","date_gmt":"2019-01-28T15:22:47","guid":{"rendered":"http:\/\/otech.uaeh.edu.mx\/noti\/?p=13629"},"modified":"2019-01-28T09:22:52","modified_gmt":"2019-01-28T15:22:52","slug":"conceptos-de-inteligencia-artificial-que-es-el-aprendizaje-por-refuerzo","status":"publish","type":"post","link":"https:\/\/otech.uaeh.edu.mx\/noti\/ia\/conceptos-de-inteligencia-artificial-que-es-el-aprendizaje-por-refuerzo\/","title":{"rendered":"Conceptos de inteligencia artificial: qu\u00e9 es el aprendizaje por refuerzo"},"content":{"rendered":"

En la psicolog\u00eda conductista se hace un especial hincapi\u00e9 en describir las leyes generales que rigen nuestra conducta voluntaria.<\/p>\n

Uno de los conceptos que manejan para ello es el de ‘condicionamiento operante’, al que definen como\u00a0<\/span>un proceso de aprendizaje por el cual una acci\u00f3n en particular es seguida por algo deseable<\/strong>\u00a0<\/span>(haciendo m\u00e1s probable que\u00a0<\/span>el sujeto repita la acci\u00f3n)\u00a0<\/span>o por algo no deseable<\/strong>(disuadiendo de realizarla).<\/p>\n

As\u00ed, por ejemplo, estudiamos porque nos satisface sacar notas m\u00e1s altas, o jugamos a un videojuego porque nos satisface jugar. Y para satisfacer esos est\u00edmulos positivos (reforzamientos), estudiamos\/jugamos m\u00e1s horas y\u00a0<\/span>recurrimos a procesos de prueba y error para evaluar nuevas estrategias<\/strong>\u00a0<\/span>de estudio\/juego. Esto es, aprendemos gracias al condicionamiento operante.<\/p>\n

Aplicando la psicolog\u00eda conductista a la m\u00e1quina<\/h5>\n

Pues bien: el aprendizaje por refuerzo (o aprendizaje reforzado) se basa en aplicar exactamente este mismo principio a las inteligencias artificiales, con el fin de que puedan aprender por s\u00ed mismas. Y es que las IAs cuentan con dos ventajas de las que nosotros los humanos no disponemos:\u00a0<\/span>no se cansan ni se aburren, y realizan sus tareas extraordinariamente r\u00e1pido<\/strong>.<\/p>\n

Ambos factores les permiten sacar\u00a0<\/span>un gran rendimiento al proceso de prueba\/error<\/strong>: pueden ganar y perder millones de partidas\u00a0<\/span>de un videojuego, tomando nota de qu\u00e9 decisiones les llevaron en cada caso a la victoria o a la derrota, privilegiando unas y descartando otras hasta que su estrategia sea absolutamente perfecta.<\/p>\n

\n
\n
<\/a><\/div>\n
Y donde decimos ‘videojuego’, podemos hablar igualmente de una amplia gama de tareas, siempre que la IA pueda recibir un feedback de lo acertado de sus decisiones.<\/div>\n<\/div>\n<\/div>\n

Uno de los aspectos fundamentales del aprendizaje por refuerzo es que resuelve\u00a0<\/span>el dif\u00edcil problema de correlacionar acciones inmediatas con sus consecuencias a largo plazo<\/strong>: como los humanos en la vida real, esta clase de algoritmos a veces tienen que operar en un entorno de retorno demorado, donde puede ser dif\u00edcil entender qu\u00e9 acci\u00f3n conduce a qu\u00e9 resultado en muchos pasos de tiempo.<\/p>\n

\u00bfQu\u00e9 necesitamos para formular un problema b\u00e1sico de aprendizaje de refuerzo?<\/h5>\n
\n
\"Gr\u00e1fico<\/div>\n<\/div>\n

Necesitamos un\u00a0<\/span>agente<\/strong>\u00a0<\/span>(por ejemplo, Pacman) en un\u00a0<\/span>estado<\/strong>\u00a0<\/span>determinado (la ubicaci\u00f3n) dentro de un medio ambiente (el laberinto). PacMan cuenta con una u otra\u00a0<\/span>recompensa<\/strong>\u00a0<\/span>(positiva: puntos por comer; negativa: morir si se cruza con un fantasma) en base a qu\u00e9\u00a0<\/span>acci\u00f3n<\/strong>\u00a0<\/span>(desplazamiento a un nuevo estado) realice.<\/p>\n

Pero m\u00e1s all\u00e1 de la recompensa existe lo que llamamos\u00a0<\/span>recompensa acumulada esperada<\/strong>\u00a0<\/span>que consiste, como habr\u00e1s averiguado, en ganar el juego. El aprendizaje por refuerzo se base, de este modo, en un\u00a0<\/span>bucle de estado \/ acci\u00f3n \/ recompensa<\/strong>.<\/p>\n

Para dar forma a una pol\u00edtica \u00f3ptima, el agente se enfrenta al dilema de explorar nuevos estados (exploraci\u00f3n<\/strong>) al tiempo que maximiza su recompensa acumulada esperada (explotaci\u00f3n<\/strong>).<\/p>\n

\n
\n