Aprendizado de Política com um Gargalo Linguístico

Sistemas modernos de IA, como carros autônomos e agentes que jogam, alcançam desempenho sobre-humano, mas frequentemente carecem de características humanas, como generalização, interpretabilidade e interoperabilidade humana. Inspirados pelas ricas interações entre linguagem e tomada de decisão em humanos, introduzimos o Aprendizado de Política com um Gargalo Linguístico (PLLB), uma estrutura que permite que agentes de IA gerem regras linguísticas que capturam as estratégias subjacentes aos seus comportamentos mais recompensadores. O PLLB alterna entre uma etapa de geração de regras guiada por modelos de linguagem e uma etapa de atualização onde os agentes aprendem novas políticas guiadas por regras. Em um jogo de comunicação de dois jogadores, uma tarefa de resolução de labirinto e duas tarefas de reconstrução de imagens, mostramos que os agentes PLLB não apenas conseguem aprender comportamentos mais interpretáveis e generalizáveis, mas também podem compartilhar as regras aprendidas com usuários humanos, permitindo uma coordenação mais eficaz entre humanos e IA.