Questo report analizza l'addestramento di un agente basato sul Reinforcement Learning (Apprendimento per Rinforzo) e sull'algoritmo Q-learning per navigare in un mondo a griglia. Attraverso una serie di esperimenti progressivi, si dimostra come l'intelligenza artificiale non ragioni in modo visivo o geometrico, ma impari a ottimizzare le proprie azioni basandosi unicamente su un sistema di premi e penalità. Partendo dalla ricerca del percorso più breve in un ambiente semplice (distanza di Manhattan), l'agente è stato successivamente sfidato a deviare per un premio intermedio e a navigare attorno a un ostacolo. I risultati mostrano che la capacità di adattamento dell'agente e la robustezza del suo apprendimento sono determinate dalla logica numerica della sua Q-table, offrendo un'analogia chiara e intuitiva per la comprensione dei meccanismi alla base dell'AI.
Pensare Oltre l'Evidenza: Come l'Intelligenza Artificiale Specializzata Ragiona / Sparavigna, Amelia Carolina. - ELETTRONICO. - (2025). [10.5281/zenodo.17241096]
Pensare Oltre l'Evidenza: Come l'Intelligenza Artificiale Specializzata Ragiona
Amelia Carolina Sparavigna
2025
Abstract
Questo report analizza l'addestramento di un agente basato sul Reinforcement Learning (Apprendimento per Rinforzo) e sull'algoritmo Q-learning per navigare in un mondo a griglia. Attraverso una serie di esperimenti progressivi, si dimostra come l'intelligenza artificiale non ragioni in modo visivo o geometrico, ma impari a ottimizzare le proprie azioni basandosi unicamente su un sistema di premi e penalità. Partendo dalla ricerca del percorso più breve in un ambiente semplice (distanza di Manhattan), l'agente è stato successivamente sfidato a deviare per un premio intermedio e a navigare attorno a un ostacolo. I risultati mostrano che la capacità di adattamento dell'agente e la robustezza del suo apprendimento sono determinate dalla logica numerica della sua Q-table, offrendo un'analogia chiara e intuitiva per la comprensione dei meccanismi alla base dell'AI.File | Dimensione | Formato | |
---|---|---|---|
8x8.pdf
accesso aperto
Tipologia:
1. Preprint / submitted version [pre- review]
Licenza:
Creative commons
Dimensione
488.77 kB
Formato
Adobe PDF
|
488.77 kB | Adobe PDF | Visualizza/Apri |
Pubblicazioni consigliate
I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
https://hdl.handle.net/11583/3003538