強化学習（Reinforcement Learning）とは、エージェントが環境と相互作用しながら、報酬を最大化する行動方策を学習する機械学習の一分野です。教師あり学習が「正解」を与えるのに対し、強化学習は「報酬」というフィードバックから学習します。
基本要素
エージェント（学習する主体）、環境（エージェントが行動する世界）、状態（環境の状況）、行動（エージェントの選択）、報酬（行動の結果として得られるフィードバック）の5つの基本要素で構成されます。
| ひとことで言うと | 試行錯誤しながら、報酬が最大になる行動の仕方を学ぶ方法。 |
|---|---|
| どこで使う | ロボット制御、在庫や価格の最適化、対話AIの応答調整（RLHF）。 |
| 注意点 | 報酬の設計を誤ると、狙いと違う行動を学習してしまう。 |
探索と活用のジレンマ
既に高い報酬が得られる行動を繰り返す「活用」と、未知の行動を試してより良い報酬を探す「探索」のバランスが重要な課題です。ε-greedy法やUCBアルゴリズムなどがこのバランスを制御します。
1状態を観測今どうなっているか
▶
2行動を選ぶ方策に従って決定
▶
3環境が変化結果として状態が変わる
▶
4報酬を受取る良し悪しの信号
▶
5方策を改善報酬が増える方向へ
↺ 1〜5を何万回もくり返して上達する
活用例
ゲームAI（AlphaGo、Atari）、ロボット制御、自動運転、推薦システム、LLMの調整（RLHF）など、幅広い分野で活用されています。