Reinforcement Learning

원리:에이전트(Agent)가 환경(Environment)과 상호작용하며 보상(Reward)**을 통해 최적의 행동을 학습

목표: 장기적인 누적 보상(cumulative reward)을 최대화하는 정책(policy) 학습

기본 수학적 모델: 마르코프 결정 과정(MDP)으로 표현됨

• 심층 강화학습(DRL): 딥러닝과 RL의 결합으로 고차원 입력 처리 가능

• 정책 최적화 기법: PPO, A3C, SAC 등 안정성과 효율성 개선

• 모델 기반 강화학습: 환경 모델을 활용해 샘플 효율성 향상

• 멀티 에이전트 강화학습(MARL): 협력/경쟁 환경에서의 전략 학습

• 하이브리드 학습: 지도학습 + 강화학습 결합 (예: RLHF, RLVR)

• 심층 강화학습(DRL): 딥러닝과 RL의 결합으로 고차원 입력 처리 가능

• 정책 최적화 기법: PPO, A3C, SAC 등 안정성과 효율성 개선

• 모델 기반 강화학습: 환경 모델을 활용해 샘플 효율성 향상

• 멀티 에이전트 강화학습(MARL): 협력/경쟁 환경에서의 전략 학습

• 하이브리드 학습: 지도학습 + 강화학습 결합 (예: RLHF, RLVR)

RLVR (Verifiable Rewards): 검증 가능한 보상 기반 강화학습으로 LLM의 추론 능력 향상 

LLM + RL: 대규모 언어모델의 미세조정에 RL 활용 (예: DeepSeek-R1, Tülu 3 

산업 적용 확대: 자율주행, 로봇공학, 헬스케어, 스마트시티 등 다양한 분야에서 RL 기반 시스템 도입 

샘플 효율성 개선: 적은 데이터로도 학습 가능한 알고리즘 개발 (Meta-RL 등) 

윤리적 고려: RL 시스템의 편향, 투명성, 안전성에 대한 연구 증가 

정책(Policy): 에이젼트가 행동을 선택하는 기준 | 예: 상태가 AI일 때 행동을 X 한다.

알고리즘(Algorithms): 정책을 학습하는 방법 | 예: PPO, A3C, SAC 같은 알고리즘은 좋은 정책을 찾기 위해 사용하는 도구

비유하여 생각하면, 정책은 '적이 가까우면 도망가고, 멀면 공격해'라고 규칙을 정해주는 것이라면, 알고리즘은 '정책에 근거하여 게임을 여러 번 해보면서 어떤 행동이 좋은지 배우는 방법'이라고생각하면 됩니다.