問題 No.1869
強化学習の基本的な構成要素において、状態、行動、報酬という相互作用の主体となり、試行錯誤を通じて方策を改善していく存在のことを何と呼ぶか。
【正解の解説】
エージェント
これは迷路を進むネズミや、ゲームをプレイするプレイヤー自身に例えられます。エージェントは「どう動けばご褒美がたくさんもらえるか」を試行錯誤しながら、自分の方策（ルール）をどんどん賢くアップデートしていく、いわば強化学習の主役となるプレイヤーそのものです。
スポンサーリンク
【その他の選択肢の解説】
ポリシー
ポリシー（方策）はエージェントが持つ「こういう状況の時はこう動く」という判断基準の教科書や方針を意味します。主体であるエージェントと、エージェントが頭の中に持っている方針を混同しやすいので、言葉の役割をしっかり区別して覚える必要があります。
シミュレータ
シミュレータはエージェントが安全に大量の練習をするための「ゲームのステージや練習グラウンド」の役割を持ちます。主体そのものではなく、エージェントが試行錯誤するための環境を提供する側であるため、主客が逆になっており誤りとなります。
オブザーバー
オブザーバーは自分で行動を起こして報酬を得ることはせず、文字通り「見ているだけ」の存在です。強化学習では自ら行動を選択して環境に働きかける必要があるため、受け身な観察者ではなく能動的に動くエージェントこそが適切な用語となります。