U mašinskom učenju, podržano učenje na osnovu povratnih informacija od ljudi () tehnika je koja obučava "model nagrađivanja" uz pomoć povratnih informacija ljudi. Taj model se koristi kao funkcija nagrade za bolje usmjeravanje inteligentnog agenta. Povratne informacije poboljšavaju proces donošenja odluka omogućavajući mu da se prilagodi novim situacijama. Obično se povratne informacije skupljaju upitom ljudskom korisniku da ocijeni ponašanje agenta.
Neki primjeri jezičkih modela koji su obučeni na osnovu povratnih informacija od ljudi su ChatGPT i Sparrow.
Također pogledajte
Podržano učenje
Reference
Kategorija:Mašinsko učenje Kategorija:Vještačka inteligencija