Uczenie polityk, które maksymalizują nagrodę, a jednocześnie mają utrzymywać koszt lub ryzyko w wyznaczonych granicach w czasie nauki lub wdrożenia, np. przez osobny limit oczekiwanego kosztu zamiast wbudowywania kar w nagrodę. Gwarancje dotyczą zwykle wartości oczekiwanych, nie każdego przebiegu.
Learning policies that maximise reward while aiming to keep cost or risk within set limits during training or deployment, e.g. through a separate cap on expected cost instead of folding penalties into the reward. Guarantees usually hold in expectation, not for every run.
To uczenie programu działania tak, by osiągał cel, a przy tym trzymał ryzyko w ustalonych granicach – zwykle średnio, a nie z pewnością w każdej sytuacji.
This teaches software to reach its goal while keeping risk within set limits – usually on average, not with certainty in every situation.
Uczenie przez próby oznacza błędy, a niektóre z nich są tak kosztowne, że ich częstość trzeba ograniczać już w trakcie nauki, a nie tylko karać po fakcie.
Learning through trials means making mistakes, and some are so costly that their frequency has to be limited during learning, not just punished after the fact.
Jak nauka jazdy z limitem punktów karnych: ćwiczysz, żeby jeździć lepiej, a instruktor pilnuje, by suma przewinień nie przekroczyła ustalonego progu.
Like driving lessons with a penalty-point cap: you practise to drive better while the instructor makes sure your total offences stay under a set threshold.
Robot magazynowy uczy się szybciej rozwozić paczki, a osobny licznik ryzykownych zbliżeń do ludzi ma średnio nie przekraczać ustalonego progu; obok działają niezależne zabezpieczenia, bo sama nauka nie daje pewności.
A warehouse robot learns to deliver parcels faster while a separate count of risky approaches to people should stay under a set threshold on average; independent safeguards run alongside, because learning alone gives no certainty.