Μάθηση για συνεργασία, όχι για ανταγωνισμό


Ο Jakob Foerster, ένας διαπιστευμένος ερευνητής της μηχανικής μάθησης, ο οποίος ήταν στην πρώτη γραμμή της έρευνας για τη μάθηση πολλαπλών παραγόντων, μιλά με τον συνεντευκτή Kegan Strawn.

Ο Δρ. Φόερστερ εξηγεί γιατί η ενσωμάτωση της αβεβαιότητας στις αλληλεπιδράσεις πολλών πρακτόρων είναι απαραίτητη για τη δημιουργία ισχυρών αλγορίθμων που μπορούν να λειτουργήσουν όχι μόνο σε παιχνίδια αλλά και σε εφαρμογές πραγματικού κόσμου.

Jakob Foerster
Ο Jakob Foerster είναι Αναπληρωτής Καθηγητής στο Πανεπιστήμιο της Οξφόρδης. Οι εργασίες του έχουν κερδίσει διάσημα βραβεία σε κορυφαία συνέδρια μηχανικής μάθησης (ICML, AAAI) και έχουν συμβάλει στην προώθηση της βαθιάς ενισχυτικής μάθησης πολλαπλών παραγόντων στην πρώτη γραμμή της έρευνας για την τεχνητή νοημοσύνη.

φωτογραφία του Jakob Foerster

Ο Jakob εργάστηκε στο παρελθόν στο Facebook AI Research και έλαβε το διδακτορικό του. από το Πανεπιστήμιο της Οξφόρδης υπό την επίβλεψη του Shimon Whiteson. Κατά τη διάρκεια του διδακτορικού του, ο Jakob έκανε πρακτική άσκηση στο Google Brain, στο OpenAI και στο DeepMind.

Τα ερευνητικά ενδιαφέροντα του Jakob καλύπτουν τη Βαθιά Εκμάθηση Ενίσχυσης πολλών Πρακτόρων, τον Συντονισμό Ανθρώπου-AI, την Επείγουσα Επικοινωνία, την Αναζήτηση, τον Σχεδιασμό και τη Θεωρία Παιγνίων.

Συνδέσεις

ετικέτες: , , , , , , , ,


Kegan Strawn



Source link

By koutsobolis

koutsobolis.com

Αφήστε μια απάντηση

Η ηλ. διεύθυνση σας δεν δημοσιεύεται.