محققان روش جدیدی به نام DROPJ معرفی کردهاند که چالش آموزش ایجنتهای هوشمند در محیطهای حساس را حل میکند. این مدل با استفاده از «مدلهای دنیای مجازی» (World Models) و ترکیب آنها با بازخوردهای انسانی، به ایجنت یاد میدهد که چطور بهترین و ایمنترین تصمیمها را بگیرد.
نکته جالب اینجاست که در این روش، انسانها نه تنها به عملکرد ایجنت امتیاز میدهند، بلکه «دلیل» انتخاب خود را هم مشخص میکنند. این کار باعث میشود ایجنت با هزینه محاسباتی بسیار کمتر و دقت بالاتر آموزش ببیند. گامی بزرگ به سوی ایجنتهای خودمختارِ قابلاعتمادتر! 🚀
منبع: arXiv AI