Naukowcy opracowali nową metodę destylacji wiedzy, która uczy modele sztucznej inteligencji poprzez analizę wielu prób decyzyjnych - zarówno udanych, jak i nieudanych. Zamiast tradycyjnego podejścia, w którym model uczy się na podstawie pojedynczych przykładów, nowe podejście zbiera całe serie działań i ich rezultatów, pozwalając algorytmowi lepiej zrozumieć, co prowadzi do sukcesu lub porażki. Ta technika, określana jako on-policy destylacja z multi-rollout, stanowi znaczący krok w kierunku bardziej efektywnego trenowania modeli decyzyjnych.
Kluczową zaletą metody jest możliwość transferowania doświadczenia między modelami poprzez analizę działań równoważnych systemów - zarówno tych, które osiągnęły swój cel, jak i tych, które się nie powiodły. Tym samym model nie uczy się tylko z sukcesów, ale także czerpie wiedzę z błędów, co jest znacznie bardziej naturalne dla procesu uczenia. Takie podejście znacznie zmniejsza liczbę interakcji, które model musi przeprowadzić ze środowiskiem, aby osiągnąć zadowalającą wydajność. To szczególnie ważne w scenariuszach, gdzie doświadczenia są drogie lub czasochłonne do zdobycia.
Opisana technika ma potencjał rewolucjonizować trenowanie systemów decyzyjnych, od robotyki po optymalizację procesów biznesowych. Zmniejszenie liczby potrzebnych interakcji z otoczeniem nie tylko przyspiesza proces uczenia, ale także obniża koszty obliczeniowe i zmniejsza wpływ na rzeczywiste środowisko, w którym operują te modele. Tym samym badania otwierają drogę do bardziej praktycznych i zrównoważonych aplikacji AI w rzeczywistych warunkach.