Обучение с подкреплением — тестирование, в ходе которого AI-модель пробует давать разные ответы на вопрос и учится на своих ошибках: за удачные генерации нейросеть получает вознаграждение, а за плохие — наказание
Но не всё так просто. Для одних задач такое обучение работает эффективно, а другие оказываются слишком сложны для подобной оценки. Разницу между ними называют разрывом в подкреплении ⛓️💥
⬆️ Примеры подходящих и неподходящих задач — на карточках