Ik bouw een multi-agent reinforcement learning algoritme

Ik bouw aangepaste reinforcement learning-omgevingen en multi-agent simulaties voor games, robotica, logistiek en onderzoeksdoeleinden.

Recent werk omvat een competitieve multi-agent voetbal simulator (curriculum learning van 1v1 tot 11v11, zelfspel PPO-training) en een volledige Chinese Mahjong-omgeving die 77 van de 81 officiële scoreregels implementeert, plus een multi-agent transit-netwerksimulatie gebaseerd op echte stadstransitgegevens, van de ruwe data pipeline tot een getrainde policy met gemeten prestaties tegen een baseline.

Wat je krijgt is een getest, gedocumenteerd codebase, geen notebook: een goede Gymnasium/PettingZoo-compatibele omgeving, een RLlib-trainingspipeline en een geschreven evaluatie die de prestaties van je getrainde agent vergelijkt met een baseline. Als het niet beter is dan de baseline, is het niet af.

Voordat we beginnen, bevestig ik of reinforcement learning echt de juiste aanpak is voor jouw probleem, want sommige "AI agent"-taken worden beter en goedkoper opgelost met eenvoudigere methoden, en ik vertel je dat als dat het geval is, in plaats van de klus toch aan te nemen.