2018年最值得注意的人工智能趋势之一是强化学习成熟为建立和训练统计模型以做有用事情的主流方法。

正如我在今年早些时候所解释的那样，强化学习正在企业人工智能计划中发挥越该技术已经脱离了其在机器人，游戏和模拟方面的传统优势，现在在IT运营管理，能源，医疗保健，商业，运输和金融领域的各种尖端AI应用中显而易见。它甚至是社交媒体，自然语言处理，机器翻译，计算机视觉，数字助理等新一代人工智能解决方案的组成部分。

为了深化企业AI中强化学习算法的可消费性，开发人员需要工具来协作这些项目并将生成的模型部署到生产环境中。在这方面，最近有一些重要的行业公告说明了开源工作台，图书馆和开发人员管道的成熟，以实现以强化学习为重点的人工智能计划。

迭代强化 - 学习开发工作台

强化学习的许多进步正在通过我们认为理所当然的主流应用程序（如多人在线游戏）或未来主义（如机器人技术）的使用案例进入我们的生活，我们没有意识到他们正在进入主流。强化学习代理现在可以在超人的水平上玩游戏，例如在Open AI Five竞赛中。

开发人员可以利用越来越多的游戏和机器人开源强化学习框架，包括OpenAI的Roboschool，Unity Technology的机器学习代理和英特尔的Nervana Coach。您还可以访问可扩展到各种挑战的开源强化学习框架。例如，Google的TensorFlow Agents支持高效的批量强化学习工作流程，而UC Berkeley的Ray RLLib提供了一种灵活的基于任务的编程模型，用于在TensorFlow和PyTorch中构建基于代理的强化学习应用程序。

如果您是AI开发人员，此处列出的许多算法可能仍然不熟悉。但是，您可能已经开始将强化学习纳入您的开发计划，并且至少涉及开源工具。

在2019年，您可以期待AI行业将最广泛采用的强化学习框架纳入其工作台。对于主流开发人员而言，更多这些将是熟悉的，因为卷积和循环神经网络已成为监督学习环境。

不久之后，大多数AI devops工作流程将无缝地将强化学习与监督和无监督学习相结合，为生产企业应用程序中更复杂的嵌入式智能提供支持。