Cognitive Assemblages

Rewards
1. Cognizione e ambiente. Il Reinforcement Learning si
distingue dalle altre tipologie di Machine Learning basate
su un’insieme di esempi definiti a priori. Nell’ RL alla neural
Network è richiesto di derminare l’azione successiva che il
sistema deve compiere, andando a modificare l’ambiente in
cui è situata, è questo stesso ambiente che andrà a costituire
le osservazioni, l’esperienza da cui imparare.
In questo caso, è dunque l’algoritmo stesso di Machine
Learning a determinare, tramite le sua scelte, l’insieme di
esempi che consentono il training. Le capacità cognitive risultanti,
risultano funzione tanto del sistema di intelligenza
artificiale, quanto dell’ambiente in cui è immerso. L’ambiente,
reale o virtuale, diviene un termine attivo, una parte
di un processo cognitivo esteso, che porta alla formazione,
all’interno della rete neurale di una conoscenza, un modello
dell’ambiente e delle relazioni non-lineari che intercorrono
fra le azioni possibili e le possbili modificazioni che quest’ultimo
può subire.
Si è scelto quest’approccio perché consente, date delle
condizioni di partenza determinate, di generare un campo
di posibili azioni, invece che estrarre qualità da una serie di
esempi per cercare di adattarle a un diverso contesto.
Cognitive Assemblages
67