โดย แจน ไลค์ โพสต์นี้ให้ภาพรวมของ รายงานใหม่ ของเรา ซึ่งสรุปทิศทางการวิจัยสำหรับการแก้ปัญหาการจัดตำแหน่งตัวแทน แนวทางของเราอาศัยการประยุกต์ใช้การสร้างแบบจำลองการให้รางวัลแบบเรียกซ้ำเพื่อแก้ไขปัญหาที่ซับซ้อนในโลกแห่งความเป็นจริงในลักษณะที่สอดคล้องกับความตั้งใจของผู้ใช้ ในช่วงไม่กี่ปีที่ผ่านมา การเรียนรู้แบบเสริมกำลังให้ประสิทธิภาพที่น่าประทับใจในสภาพแวดล้อมของเกมที่ซับซ้อน ตั้งแต่ "Atari", "Go" และ "หมากรุก" ไปจนถึง "Dota 2" และ "StarCraft II"..