Обучение с подкреплением — способ настроить поведение, когда правильного ответа никто не знает: система действует, исход получает числовую оценку, и действия, приводившие к более высоким оценкам, закрепляются. Учится она на собственных попытках, а не на готовых образцах. Оценка нередко приходит с задержкой, в конце длинной цепочки действий.
92 карточки об устройстве искусственного интеллекта: на каких данных учат модели, из чего собрана сеть, как идёт обучение и почему работа языковой модели сведена к предсказанию следующего куска текста. Два раздела отвечают, отчего модель уверенно сообщает несуществующее и что с этим делают. Последний — чего у модели нет в принципе.