Costruirò un algoritmo di reinforcement learning multi agent

Creo ambienti personalizzati di reinforcement learning e simulazioni multi-agente per giochi, robotica, logistica e applicazioni di ricerca.

Tra i lavori recenti ci sono un simulatore di calcio multi-agente competitivo (apprendimento curriculum da 1v1 a 11v11, training con self-play PPO) e un ambiente completo di Mahjong cinese che implementa 77 delle 81 regole di punteggio ufficiali, oltre a una simulazione di rete di transito multi-agente basata su dati reali di città, dal pipeline di dati grezzi fino a una policy addestrata con performance misurata rispetto a un baseline.

Quello che ottieni è un codice testato e documentato, non un notebook: un ambiente compatibile con Gymnasium/PettingZoo, una pipeline di training RLlib e una valutazione scritta che mostra le performance del tuo agente addestrato rispetto a un baseline. Se non supera il baseline, non è finito.

Prima di iniziare, ti confermerò se il reinforcement learning è davvero l’approccio giusto per il tuo problema, perché alcuni compiti di "AI agent" si risolvono meglio e più economicamente con metodi più semplici, e te lo dirò se è così, invece di accettare comunque il lavoro.