Verstärkendes Lernen

Verstärkendes Lernen (engl. reinforcement learning) ist eine Lernart beim maschinellen Lernen. Die Grundidee ist dabei ein Lernen durch Erfolg und Misserfolg. Wird eine Aufgabe nicht zufriedenstellend gelöst, wird die Strategie zur Lösung der Aufgabe angepasst. Dies führt bei entsprechend häufigem Training zu einer Minimierung der Misserfolge und somit zu häufigeren Erfolgen.

Das Training der KI erfolgt dabei immer in vier Schritten: Im Beispiel NIM-Spiel gibt es dabei nur wenige Spielzustände (Anzahl der verbliebenen Hölzer) und ebenso wenig Aktionen, die möglich sind (1-3 Hölzer nehmen). Dafür ist aber schon nach wenigen Spielzügen klar, ob die angewendeten Aktionen zum Erfolg geführt haben. Somit können in einer Zugtabelle leicht Züge gelöscht werden, die offensichtlich zum Misserfolg geführt haben.

Das Verfahren kann bei komplexeren Strategiespielen ebenfalls angewendet werden, allerdings kann die Zahl der Zustände und Aktionen dann schnell sehr groß werden.

Hier kannst du nochmals beobachten, wie verstärkendes Lernen beim NIM-Spiel funktioniert: