El aprendizaje por refuerzo es un tipo de aprendizaje automático e inteligencia artificial. La IA y el ML han acaparado gran atención en la última década debido a su capacidad para transformar diversos sectores y crear valor empresarial. Algunos ejemplos son los algoritmos de reconocimiento facial utilizados por Apple y la traducción de idiomas empleada por Google. Más recientemente, el ML ha transformado el sector energético con aplicaciones en la previsión de la energía solar fotovoltaica y en la segmentación de clientes para tarifas energéticas personalizadas utilizando datos de contadores inteligentes. Muchas de estas aplicaciones solo son posibles gracias a los avances en redes neuronales profundas y al aumento de la potencia de cálculo. En 2017, con la invención del transformador, se lograron grandes avances en grandes modelos lingüísticos similares a los humanos, como el GPT-3 de OpenAI, que puede generar poemas, historias e incluso código. Los transformadores también permitieron el desarrollo de Alphafold de Deepmind, que resuelve el reto del plegamiento de proteínas, que lleva décadas planteándose y que puede ayudar a abordar enfermedades y descubrir nuevos medicamentos más rápidamente. Los ejemplos descritos anteriormente pertenecen a las ramas del ML conocidas como aprendizaje supervisado y no supervisado. Los ejemplos de RL son menos comunes pero, no obstante, la RL ofrece el potencial de proporcionar soluciones potentes a los problemas de la industria. Más recientemente, el uso de la RL para refinar los resultados de la generación de texto ha ayudado a impulsar modelos de generación de lenguaje como ChatGPT. El gran modelo lingüístico en el que se basa ChatGPT se desarrolló principalmente utilizando otras formas de ML, pero en su forma pura a menudo tenía problemas para alinear sus resultados con la intención y los valores humanos. Uno de los avances decisivos de ChatGPT fue el uso de la RL para incorporar los comentarios humanos a ese modelo base. Aunque los modelos generativos como ChatGPT tienen muchos usos potenciales en el sector energético (que quedan fuera del alcance de este informe), este enfoque de incorporar la opinión humana a los modelos mediante RL también podría ofrecer ventajas significativas a las aplicaciones del sector. Con el creciente éxito de las aplicaciones de ML en el sector energético y los avances en las aplicaciones de RL, ahora es el momento adecuado para revisar el estado actual de las aplicaciones de RL dentro del sector energético. Al mismo tiempo, han surgido tecnologías de gemelos digitales que pueden complementar y facilitar en gran medida la RL. 

Este documento presenta una visión general de la RL, sus retos asociados/soluciones potenciales, y metodologías alternativas. Proporciona orientación para que los innovadores y las organizaciones empiecen a pensar en cómo la RL puede transformar el sector en un futuro próximo y a largo plazo (Secciones 4 y 5). Las secciones 6 y 7 destacan casos de uso prometedores en la industria y analizan dónde se espera que haya más potencial en los próximos años a medida que los algoritmos y los métodos computacionales sean cada vez más avanzados. Los riesgos y las consideraciones éticas que conlleva el despliegue de la RL se analizan en la Sección 8, junto con un ejemplo ilustrativo en el sector energético. Por último, se concluye en la Sección 9 con una llamada a la acción para la industria y el mundo académico. En general, el informe concluye que el aprendizaje por refuerzo sigue siendo un área de investigación activa y en constante evolución, con amplias perspectivas para su aplicación en el futuro en una variedad de campos y situaciones prácticas 

Para leer más ingrese a:

https://es.catapult.org.uk/report/prospects-for-reinforcement-learning/  

https://es.catapult.org.uk/wp-content/uploads/2023/04/Prospects-for-reinforcement-learning.pdf