HCR强化学习智能应用之赋能工业（上）

近些年科技进步的速度有点快：

从2012年开始深度学习取得飞跃式发展，在人脸识别、语音识别、机器翻译等领域开始大量应用。

从2016年开始强化学习又火了一把，阿尔法狗先后战胜世界顶级围棋棋手李世乭和柯洁，OpenAI-Five打Dota2（一种竞技游戏）也战胜了人类选手。

作为一家数据智能公司，HCR持续关注最前沿的人工智能技术，并不断应用到实际的业务场景。

HCR已经将深度学习和强化学习应用到了大量领域：

那深度学习和强化学习有什么关系呢？通过公司近些年深度学习和强化学习的应用，我们总结如下：

相比之下，强化学习有哪些突出的特点呢？

强化学习通过智能体（如阿尔法狗）不断实践、探索来学习，每次探索包括以下几个步骤：

智能体能够感知环境（即下图中地球，可以理解为要解决的具体场景），观察当前状态（observation）

智能体根据策略，采取某种行动（action）

智能体采取行动后，环境对智能体的行动会有一个反馈（reward）

智能体获取反馈，根据反馈调整策略

强化学习与人类学习的方式更加相似，为什么HCR在实际业务中应用更多的却是深度学习？

目前深度学习在各领域应用四处开花，为什么强化学习仍主要应用于游戏，其他领域应用极少？

HCR已经将强化学习应用于工业大数据领域，包括燃煤工业锅炉控制优化、IDC机房制冷设备自动调控等，通过实践积累了大量的宝贵经验。

下篇我们会详细介绍强化学习在工业领域的应用，并回答为什么强化学习目前仍主要应用于游戏领域的问题，敬请期待下周的推送。