Pembelajaran Penguatan Terbalik (IRL) adalah jenis teknik pembelajaran mesin di mana agen belajar meniru perilaku guru dengan menyimpulkan fungsi penghargaan mendasar yang mengatur perilaku guru. IRL sering digunakan untuk mempelajari perilaku kompleks dalam robotika dan kecerdasan buatan, yang memungkinkan guru memberikan umpan balik dalam bentuk penghargaan tanpa pernah secara eksplisit memprogram fungsi penghargaan ke dalam sistem.
IRL terkait erat dengan pembelajaran penguatan, suatu jenis pembelajaran di mana penghargaan diberikan kepada agen untuk mencapai tujuan atau hasil tertentu. Dalam pembelajaran penguatan, fungsi penghargaan diprogram secara eksplisit ke dalam sistem. Namun, dalam IRL, fungsi penghargaan disimpulkan dari perilaku guru. Dengan demikian, dalam proses pembelajaran fungsi reward, agen harus meniru perilaku guru.
Pembelajaran penguatan terbalik telah digunakan di beberapa area aplikasi berbeda. Misalnya, telah digunakan untuk mempelajari perilaku robot dalam simulasi dan dunia nyata, untuk mengembangkan berbagai strategi permainan dan keterampilan bermain, dan untuk memungkinkan sistem merencanakan aktivitas atau tugas mereka secara otomatis. Selain itu, telah digunakan dalam kecerdasan buatan, pemrosesan bahasa alami, navigasi, dan mengemudi otonom.
Secara keseluruhan, pembelajaran penguatan terbalik menyediakan alat yang sangat ampuh untuk mempelajari perilaku yang kompleks dan dinamis. Ini adalah alat yang ampuh dalam ilmu komputer, robotika, dan bidang lainnya untuk belajar dari perilaku yang diamati, sehingga memungkinkan agen untuk meniru gurunya.
