今天就开通帐号，24,700 门业界名师课程任您挑！
基于学习的代理
基于学习的代理是这样运作的。 从互动中学习，不断进步。 它们利用机器学习来适应环境， 并通过三种方式来做出更优决策。 首先，用监督学习， 给 AI 代理提供带标签的样本， 让 AI 理解并识别模式，做出预测； 其次，用无监督学习， 在没有鲜艳知识的情况下， 摸索数据、找出模式； 最后，用强化学习， 通过奖励或惩罚机制， 借由不断试错来优化策略。 基于学习的代理擅长给出数据驱动的洞察， 因为它能比人类更快地分析海量数据。 它还能持续从变化的环境中学习， 善于适应新情况。 它的应用场景， 包括欺诈检测、个性化推荐、 动态定价或客户细分。 这类代理还能从错误中吸取教训， 特别适合用在重复性高的任务上， 通过不断观察结果来训练自己。 比如，在做个性化推荐时， 可以观察用户是否选择了推荐的选项， 来优化推荐策略。 但这类代理也有局限性。 和之前讨论的一样， 数据的质量和数量都很重要。 有偏差或不充分的数据， 会导致不准确的结果。 此外，因为这类 AI 代理 使用机器学习和深度神经网络， 它们的决策过程并不总是透明。 在某些场景下，比如贷款审批或招聘中， 这可能是大问题， 因为必须要检测决策过程中是否有偏见。 对于金融服务或招聘这样的领域， 这可能是个无法忽视的障碍。 不过，如果一个企业 主要依靠分析和处理大量动态数据 来创造价值， 那么这类代理是个好选择。 这时，可以让这类代理承担一些繁重的任务， 在不增加人手的情况下， 实现任务扩展和增长。 需要注意的是， 训练这类代理可能需要密集的算力， 而大型数据库需要强大的硬件或云计算资源。 现在来看看最后一种类型--分层代理。 下个视频见。
下载课程离线学习
下载课程到移动设备，轻松离线学习。在领英学习 iOS 或安卓版 APP 下载课程