Exploatace ve zpětnovazebním učení znamená využití nejlepší známé možnosti podle dosavadních zkušeností systému. Agent nezkouší něco nového, ale vybere akci, která podle dostupných dat pravděpodobně přinese nejvyšší odměnu.

V běžném jazyce může slovo exploatace znít negativně, protože připomíná „vykořisťování“. V kontextu AI a strojového učení má ale jiný význam. Jde o využití znalosti, kterou systém už získal. Pokud agent ví, že určitý postup opakovaně vedl k dobrému výsledku, exploatace znamená, že tento postup použije znovu.

Exploatace se nejčastěji řeší společně s explorací. Explorace znamená zkoušení méně známých možností. Exploatace znamená využití toho, co už máme ověřené. Dobrý systém potřebuje obojí. Bez explorace se nenaučí nic nového. Bez exploatace nedokáže využít to, co už se naučil.

Co exploatace znamená

Exploatace je rozhodnutí využít dosavadní poznání. Agent už něco vyzkoušel, dostal zpětnou vazbu a z ní si vytvořil představu, které akce přinášejí dobrý výsledek. Když potom znovu nastane podobná situace, agent vybere akci, která podle jeho zkušenosti funguje nejlépe.

Představte si e-shop, který doporučuje produkty. Zákazník si prohlíží běžecké boty a opakovaně kliká na modely jedné značky. Systém z toho pozná, že tento typ nabídky je pro zákazníka relevantní. Pokud mu příště doporučí podobné běžecké boty, jde o exploataci. Systém používá znalost, kterou už má.

To není chyba. Naopak, bez exploatace by systém pořád jen zkoušel nové věci a neuměl by těžit z toho, co se prokazatelně osvědčilo. Problém nastává až tehdy, když exploatace převládne úplně a systém přestane dávat prostor novým možnostem.

Exploatace a explorace

Exploatace se nedá dobře vysvětlit bez explorace. Oba pojmy popisují dvě strany stejného rozhodovacího problému.

• Explorace – systém zkouší novou nebo méně ověřenou možnost, aby získal další informace. Například doporučí nový typ produktu, otestuje jinou reklamu nebo v simulaci vyzkouší nový pohyb robota.
• Exploatace – systém použije možnost, která podle dosavadních dat vychází nejlépe. Například doporučí produkt s nejvyšší pravděpodobností nákupu nebo zobrazí reklamu, která dosud přinášela nejlepší výsledky.

Smysl není v tom, že jedna možnost je dobrá a druhá špatná. Problém je v poměru. Pokud systém příliš exploruje, plýtvá prostorem na slabé nebo nejisté varianty. Pokud příliš exploatuje, drží se známého řešení a může přehlédnout lepší variantu.

Proč je exploatace důležitá

Exploatace je důležitá proto, že učení samo o sobě nestačí. Systém nemá jen sbírat zkušenosti. Musí podle nich také jednat. Pokud už ví, že určitá akce dlouhodobě přináší dobrý výsledek, je rozumné ji použít.

U reklamního systému to znamená, že většina rozpočtu má jít do variant, které reálně fungují. U doporučovacího systému to znamená, že uživatel nemá pořád dostávat experimentální obsah. U robota to znamená, že po naučení stabilního pohybu nemá pokaždé zkoušet nový riskantní pohyb.

Exploatace tedy zajišťuje stabilitu a výkon. Pomáhá systému dosahovat dobrých výsledků na základě toho, co už zjistil. Bez ní by systém působil chaoticky, nevyužíval by vlastní zkušenost a zbytečně by opakoval nejisté pokusy.

Jednoduchý příklad z e-shopu

Představte si, že e-shop testuje několik doporučovacích bloků. Jeden blok ukazuje podobné produkty. Druhý ukazuje doplňky. Třetí ukazuje nejprodávanější položky v kategorii. Po několika týdnech se ukáže, že u určité skupiny zákazníků nejlépe fungují doplňky k právě prohlíženému produktu.

Exploatace znamená, že systém tuto informaci využije. Pokud si zákazník prohlíží běžecké boty, systém mu častěji nabídne ponožky, sportovní hodinky nebo impregnaci, protože u podobných zákazníků tato nabídka vedla k nákupu.

To dává smysl. Systém nevymýšlí pokaždé vše od začátku. Používá zkušenost z předchozího chování zákazníků.

Riziko ale vzniká, pokud se na tuto strategii spolehne příliš. Může přestat testovat nové doplňky, nové značky nebo nové typy nabídky. Pak sice krátkodobě využívá známý vzor, ale dlouhodobě může ztratit schopnost reagovat na změnu poptávky.

Jednoduchý příklad z reklamy

V online reklamě je exploatace velmi běžná. Reklamní systém má několik kreativ. Jedna z nich má nejlepší výsledky – například nejnižší cenu za konverzi nebo nejvyšší návratnost investice. Systém jí proto začne dávat větší část rozpočtu.

To je exploatace. Systém neříká: „Pojďme pořád dokola zkoušet všechno stejně.“ Říká: „Tato varianta podle dosavadních dat funguje nejlépe, proto ji budeme používat častěji.“

Prakticky to může vypadat takto:

• Výchozí stav – běží pět reklamních variant a každá dostává podobný prostor.
• Vyhodnocení – dvě varianty mají výrazně lepší konverze než ostatní.
• Exploatace – systém přesune větší část rozpočtu do úspěšnějších variant.
• Riziko – pokud úplně zastaví testování ostatních možností, může přehlédnout novou variantu, která by začala fungovat později nebo u jiného segmentu.

Proto dobrý reklamní systém nesmí být jen experimentální ani jen konzervativní. Potřebuje využívat vítězné varianty, ale zároveň si ponechat omezený prostor pro testování.

Jednoduchý příklad z her

Ve hrách je exploatace dobře vidět na agentovi, který se učí strategii. Pokud opakovaně zjistí, že určitý tah vede k výhodě, začne ho používat častěji. Nezkouší náhodně každý tah znovu, protože už má informaci, která rozhodnutí zlepšuje.

Například agent ve hře zjistí, že když se na začátku úrovně vydá doprava, rychle získá body. Pokud bude exploitovat, bude tuto cestu opakovat, protože přináší známou odměnu.

To je užitečné, ale může to mít háček. Vlevo může být delší cesta, která vede k menší odměně na začátku, ale k větší odměně na konci. Pokud agent pouze exploatuje první známou cestu doprava, nikdy nezjistí, že existuje lepší strategie.

Exploatace tedy pomáhá používat dobré známé řešení. Ale pokud se z ní stane jediné pravidlo, může systém zůstat u lokálně dobré strategie a minout globálně lepší výsledek.

Exploatace v doporučovacích systémech

Doporučovací systémy pracují s tím, co už o uživateli vědí. Pokud uživatel často sleduje určité typy videí, čte určité články nebo nakupuje určité produkty, systém z toho odvozuje jeho preference. Explotace znamená, že tyto preference použije při dalším doporučení.

Uživatel, který často sleduje dokumentární filmy, bude častěji dostávat další dokumenty. Zákazník, který kupuje krmivo pro psa, může dostat nabídku pamlsků, hraček nebo antiparazitik. Čtenář, který čte články o AI, uvidí další texty z podobné oblasti.

To je užitečné, protože doporučení jsou relevantnější. Systém neplýtvá pozorností uživatele na věci, které s jeho chováním nijak nesouvisejí.

Problém nastává ve chvíli, kdy systém začne uživatele příliš uzavírat do minulosti. Doporučuje pořád totéž, protože právě na to má nejvíc dat. Nové zájmy, nové produkty nebo nové typy obsahu nedostanou prostor. Uživatel pak nevidí širší nabídku a systém se učí jen z omezeného obrazu jeho chování.

Exploatace v robotice

V robotice exploatace znamená, že robot používá pohyb nebo strategii, kterou se už naučil jako spolehlivou. Pokud robot zjistí, že určitý úhel uchopení vede k bezpečnému zvednutí předmětu, bude tento pohyb používat častěji.

To je žádoucí. Robot nemá při každém pokusu znovu riskovat náhodný pohyb. Pokud už našel stabilní řešení, má ho využít. Ve výrobě, skladu nebo zdravotnickém prostředí je předvídatelnost často důležitější než nekonečné experimentování.

Riziko se objeví v nových situacích. Předmět může mít jiný tvar, jiný materiál nebo jinou hmotnost. Pokud robot bude slepě používat starý pohyb, může selhat. Proto i v robotice musí existovat rovnováha: stabilní ověřené chování v běžných situacích a opatrné testování v simulaci nebo bezpečném režimu, když se podmínky změní.

Exploatace ve firemních AI systémech

Ve firemních AI systémech se exploatace objevuje často, i když se jí tak neříká. Firma najde postup, prompt, workflow nebo doporučovací pravidlo, které funguje, a začne ho používat opakovaně.

Například:

• Zákaznická podpora – systém používá odpovědi, které v minulosti vedly k rychlému vyřešení dotazu.
• Obchodní tým – AI navrhuje e-mail podle šablony, která měla u podobných leadů dobré výsledky.
• Obsahový tým – redakce používá prompt a strukturu článku, které opakovaně vedly k lepším výstupům.
• Interní znalostní báze – RAG systém preferuje zdroje, které se v předchozích dotazech ukázaly jako přesné a užitečné.
• CRM workflow – systém doporučuje další krok podle toho, co u podobných obchodních případů vedlo k posunu.

V těchto příkladech není exploatace špatně. Naopak, firma chce používat postupy, které fungují. Problém vzniká až tehdy, když se funkční postup přestane ověřovat. To, že šablona fungovala v minulosti, neznamená, že bude fungovat i po změně trhu, produktu, cílové skupiny nebo komunikačního kanálu.

Exploatace a prompt engineering

U prompt engineeringu nejde o exploataci ve stejném smyslu jako u herního agenta, ale princip je podobný. Tým najde zadání, které vede k dobrým výstupům, a začne ho používat opakovaně.

Představte si, že redakce ladí prompt pro články na web. Zkouší různé formulace, různé instrukce, různé pořadí informací a různé ukázky stylu. Po několika pokusech zjistí, že určitý prompt dává stabilně lepší výsledek: článek má správnou strukturu, drží se zdrojů, používá vhodné interní odkazy a nepůsobí jako obecná AI odpověď.

Exploatace v tomto případě znamená, že redakce tento ověřený prompt uloží a začne ho používat jako pracovní šablonu. Nedává smysl pokaždé začínat od nuly, pokud už existuje zadání, které opakovaně funguje.

Současně je potřeba hlídat, zda se šablona nestala příliš rigidní. Pokud se změní typ článku, publikum nebo požadovaný formát, starý prompt nemusí stačit. Pak je znovu potřeba explorace – tedy cílené testování nových verzí zadání.

Exploatace a RAG systémy

U RAG systémů znamená exploatace využití vyhledávacího a odpovědního nastavení, které už se osvědčilo. RAG systém neodpovídá pouze z jazykového modelu. Nejdřív vyhledá relevantní podklady a teprve potom z nich připraví odpověď.

Pokud tým zjistí, že určitý způsob chunkingu, určitý embedding model a určité řazení výsledků dává nejlepší odpovědi, začne toto nastavení používat jako výchozí. To je exploatace.

Konkrétní příklad:

• Testování – tým porovná různé velikosti chunků, různé embedding modely a různé způsoby řazení výsledků.
• Výsledek – jedna kombinace nejčastěji vrací přesné interní dokumenty a odpovědi mají méně chyb.
• Exploatace – systém tuto kombinaci používá jako standardní nastavení.
• Riziko – pokud se změní struktura dokumentů nebo typ dotazů, staré nastavení může postupně slábnout.

RAG systém proto nemá nastavení měnit chaoticky. Má využívat to, co funguje, ale zároveň se musí pravidelně testovat, jestli se nezměnily dokumenty, dotazy nebo požadavky uživatelů.

Exploatace a AI agenti

U AI agentů je exploatace citlivější, protože agent nemusí jen odpovídat. Může používat nástroje, hledat v dokumentech, zapisovat do systémů nebo připravovat akce.

Exploatace zde znamená, že agent používá postup, který se v minulosti osvědčil. Například při reklamaci nejdřív zkontroluje objednávku, potom vyhledá reklamační pravidla, potom připraví návrh odpovědi a nakonec předá případ člověku ke schválení.

To je užitečné, protože proces je stabilní a kontrolovatelný. Agent pokaždé nevymýšlí nový postup. Drží se workflow, které firma schválila.

Riziko vzniká, pokud agent začne exploitovat špatný nebo neaktuální postup. Například používá starou interní metodiku, starý právní text nebo workflow, které už neodpovídá aktuálním pravidlům. V takovém případě systém působí spolehlivě, ale spolehlivě opakuje chybu.

Exploatace a multi-agent systémy

V multi-agent systému nepracuje jeden agent, ale více agentů s různými rolemi. Jeden může vyhledávat zdroje, druhý analyzovat, třetí psát odpověď a čtvrtý kontrolovat rizika. Exploatace se zde projevuje tím, že systém opakovaně používá agentní workflow, které se osvědčilo.

Příklad: firma zjistí, že u zákaznických reklamací nejlépe funguje postup, kdy jeden agent nejdřív klasifikuje požadavek, druhý vyhledá podklady, třetí připraví odpověď a čtvrtý označí případy pro člověka. Pokud tento postup dává dlouhodobě dobré výsledky, systém ho začne používat jako standardní cestu.

To je praktické, protože proces je předvídatelný. Zároveň to ale přináší riziko. Pokud se změní reklamační pravidla, katalog produktů nebo právní požadavky, dříve dobré workflow může začít produkovat zastaralé výsledky.

U multi-agent systémů proto exploatace neznamená jen využít nejlepší odpověď. Znamená využít celý osvědčený postup – včetně pořadí agentů, použitých zdrojů, kontrolních bodů a pravidel pro předání člověku.

Kdy exploatace pomáhá

Exploatace je užitečná tehdy, když systém už má dostatek spolehlivých dat a prostředí se nemění tak rychle, aby staré zkušenosti okamžitě zastaraly.

• U opakujících se úkolů – pokud se podobné situace vracejí, dává smysl používat postup, který se už osvědčil.
• U stabilních procesů – například u rutinních zákaznických dotazů, standardních obchodních odpovědí nebo interních workflow.
• U nízkorizikových rozhodnutí – systém může častěji použít osvědčený postup, pokud případná chyba nemá vážný dopad.
• U dobře měřených výsledků – exploatace dává větší smysl, pokud víme, že daná možnost skutečně vedla k lepšímu výsledku, ne jen k lepšímu číslu v jedné metrice.
• U produkčního provozu – v ostrém nasazení má systém většinou preferovat stabilní a ověřené chování před náhodným zkoušením.

Kdy je exploatace problém

Exploatace se stává problémem, když systém příliš spoléhá na minulost. To, co fungovalo včera, nemusí fungovat zítra. A to, co fungovalo průměrně pro všechny, nemusí být nejlepší pro konkrétní skupinu uživatelů.

• Prostředí se změnilo – například při změně sezóny, trhu, konkurence nebo chování zákazníků.
• Data jsou neúplná – systém preferuje známé položky jen proto, že nové položky zatím nemají historii.
• Metrika je špatně zvolená – systém opakuje chování, které zvyšuje kliknutí, ale snižuje kvalitu návštěvnosti nebo důvěru.
• Systém se uzavírá do smyčky – doporučuje jen to, co už dříve doporučoval, a učí se hlavně z vlastních předchozích rozhodnutí.
• Chybí kontrola aktuálnosti – agent opakovaně používá postup, dokument nebo prompt, který už neodpovídá realitě.

Exploatace proto musí být doplněná monitoringem. Systém má používat osvědčené možnosti, ale zároveň musí sledovat, zda stále fungují.

Exploatace a drift

Drift znamená změnu dat, chování nebo vztahů v čase. U exploatace je drift zásadní problém, protože exploatace stojí na minulých zkušenostech. Pokud se prostředí změní, minulá zkušenost může ztratit platnost.

Příklad z e-shopu: systém zjistil, že zákazníci dobře reagují na zimní bundy. Pokud tuto strategii používá ještě v dubnu, může začít selhávat. Ne proto, že původní doporučení bylo špatné, ale proto, že se změnil kontext.

Drift může mít mnoho podob:

• Sezónní změna – lidé nakupují jiné produkty než v předchozím období.
• Změna trhu – konkurence, ceny nebo dostupnost zboží se posunou.
• Změna uživatelského chování – zákazníci začnou používat jiný kanál, zařízení nebo typ dotazu.
• Změna dokumentů – RAG systém pracuje s novou strukturou znalostní báze.
• Změna pravidel – agent používá starý postup, který už neodpovídá interním nebo právním pravidlům.

Čím silnější je drift, tím nebezpečnější je slepě pokračovat v exploataci staré strategie.

Exploatace a reward hacking

Reward hacking nastává, když systém najde způsob, jak zvýšit odměnu, ale mine skutečný cíl. Exploatace může tento problém upevnit. Pokud systém objeví zkratku, která zlepšuje skóre, začne ji opakovaně využívat.

Příklad je reklamní systém optimalizovaný na proklik. Pokud zjistí, že přehnané titulky přinášejí více kliknutí, začne je preferovat. Z pohledu odměny se chová správně. Z pohledu firmy to ale může být špatně, protože návštěvníci nenakupují, odcházejí z webu a důvěra v značku klesá.

Problém tedy není v exploataci samotné. Problém je v tom, co systém považuje za úspěch. Pokud je odměna definovaná špatně, exploatace bude opakovat špatné chování stále efektivněji.

Exploatace a anomálie

Anomálie je neobvyklý vzor nebo událost. U exploatace je důležité sledovat, zda systém opakovaně nevyužívá chování, které sice vypadá výkonně, ale ve skutečnosti je podezřelé.

Například reklamní systém může najít publikum s extrémně levnými kliknutími. Pokud ale tato kliknutí pocházejí z nekvalitního nebo podezřelého provozu, systém začne exploitovat anomálii. Metrika vypadá dobře, ale obchodní výsledek je slabý.

Podobně může doporučovací systém začít příliš zvýhodňovat obsah, který vyvolává silné reakce, ale není kvalitní. Pokud je odměna nastavená na engagement, systém může opakovaně využívat obsah, který zvyšuje pozornost, ale zhoršuje dlouhodobou zkušenost uživatele.

Proto je nutné sledovat nejen to, zda exploatace zlepšuje hlavní metriku, ale také odkud zlepšení pochází.

Základní strategie: kdy exploitovat a kdy ještě zkoušet

V praxi nejde o jednorázové rozhodnutí. Systém musí průběžně vyvažovat, kolik prostoru dá osvědčené možnosti a kolik prostoru nechá dalšímu ověřování.

• Více exploatace – dává smysl, když má systém dost dat, výsledek je stabilní a chyba by byla drahá.
• Více explorace – dává smysl, když systém ví málo, prostředí se mění nebo nové možnosti neměly šanci nasbírat data.
• Postupné snižování explorace – na začátku se testuje více možností, později se větší prostor dává ověřeným variantám.
• Segmentované rozhodování – jedna varianta může být nejlepší pro jednu skupinu uživatelů, ale ne pro jinou.
• Pravidelná kontrola – i osvědčená strategie se musí znovu ověřovat, pokud se mění data nebo prostředí.

Dobré nastavení neznamená pořád testovat. Znamená používat ověřené řešení a zároveň nepřijít o schopnost zjistit, že se situace změnila.

Časté chyby při exploataci

• Příliš rychlé rozhodnutí – systém začne preferovat variantu, která měla na začátku dobré výsledky, ale ještě nemá dost dat.
• Ignorování nových možností – nové produkty, reklamy nebo dokumenty nedostanou prostor, protože nemají historii.
• Optimalizace na špatnou metriku – systém opakuje chování, které zlepšuje číslo v reportu, ale ne skutečný výsledek.
• Uzavřená doporučovací smyčka – systém ukazuje pořád podobné věci a učí se hlavně z toho, co sám předtím vybral.
• Slepé používání starého postupu – agent nebo workflow opakuje proces, který byl dobrý dříve, ale už neodpovídá aktuálním pravidlům.
• Chybějící segmentace – systém bere průměrný výsledek jako univerzální pravdu, i když různé skupiny uživatelů reagují jinak.
• Žádný monitoring driftu – systém nepozná, že se prostředí změnilo a stará strategie slábne.
• Záměna stability za kvalitu – to, že systém opakuje stejný postup, neznamená, že je postup stále správný.

Jak poznat dobře nastavenou exploataci

Dobře nastavená exploatace není slepé opakování minulosti. Je to používání ověřených možností s průběžnou kontrolou, zda stále platí důvody, proč byly vybrány.

• Je jasné, proč systém danou možnost preferuje – například kvůli konverzím, kvalitě odpovědí, přesnosti nebo nižší chybovosti.
• Výsledek je měřený správnou metrikou – nejde jen o kliknutí, ale také o nákup, spokojenost, kvalitu, stížnosti nebo dlouhodobý dopad.
• Rozhodnutí má dost dat – systém nepreferuje variantu jen podle náhodného krátkodobého výsledku.
• Existuje prostor pro nové možnosti – nové produkty, reklamy nebo postupy nejsou automaticky vytlačené.
• Sleduje se drift – tým ví, zda se data, uživatelé nebo prostředí nezměnily.
• Citlivé akce mají kontrolu – u agentů a automatizací je jasné, kdy musí rozhodnout člověk.

Jak si exploataci představit jednoduše

Exploataci si můžete představit jako výběr restaurace, o které víte, že je dobrá. Už jste tam byli, jídlo bylo kvalitní, obsluha fungovala a cena odpovídala. Pokud tam jdete znovu, využíváte osvědčenou zkušenost.

To je rozumné, zvlášť když nechcete riskovat. Pokud máte důležitou schůzku, pravděpodobně nepůjdete testovat úplně neznámý podnik. Vyberete místo, které znáte.

Jenže pokud budete chodit celý život jen do jedné restaurace, nikdy nezjistíte, že vedle otevřeli lepší. V tom je rozdíl mezi rozumnou exploatací a přílišnou závislostí na minulosti.

Související pojmy

• Strojové učení – širší oblast AI, ve které se modely učí z dat, zkušeností nebo zpětné vazby.
• Zpětnovazební učení – typ učení, ve kterém agent provádí akce, dostává odměny a postupně zlepšuje strategii.
• Explorace – zkoušení nových nebo méně ověřených možností, aby systém získal další informace.
• Agent – systém, který se rozhoduje, provádí akce a reaguje na výsledek.
• Reward (odměna) – signál, podle kterého agent poznává, zda jeho chování vedlo k žádoucímu výsledku.
• Politika – strategie, podle které agent vybírá akce v konkrétních stavech.
• Reward hacking – situace, kdy systém najde způsob, jak zvýšit odměnu, ale mine skutečný cíl.
• Drift – změna dat nebo vztahů v čase, kvůli které stará strategie nemusí fungovat stejně dobře.
• Anomálie – neobvyklé pozorování nebo vzor, který může ukazovat na chybu, riziko nebo příležitost.
• Velký jazykový model (LLM) – model pracující s jazykem, který může být součástí agentních systémů.
• Prompt engineering – práce se zadáním pro jazykový model. Ověřený prompt může být využíván jako stabilní postup.
• RAG – architektura, která kombinuje vyhledání relevantních informací s generováním odpovědi.
• Retrieval – vyhledání relevantních informací, které se použijí jako podklad pro odpověď modelu.
• Chunking – rozdělení dlouhého obsahu na menší části, se kterými může AI systém lépe pracovat.
• Embedding – číselná reprezentace obsahu, která umožňuje porovnávat významovou podobnost.
• Multi-agent systém – systém, ve kterém spolupracuje více AI agentů s různými rolemi.
• Deep learning – hluboké učení založené na vícevrstvých neuronových sítích.
• Redukce dimenzionality – zjednodušení dat s mnoha rozměry, užitečné například při analýze stavů, embeddingů nebo chování agenta.
• Neuronová síť – model složený z propojených vrstev, který se během tréninku učí měnit své parametry.

Zdroje a další čtení

• Reinforcement Learning: An Introduction – web.stanford.edu – červen 2026 – základní učebnice zpětnovazebního učení, která vysvětluje agenta, prostředí, odměnu a problém explorace proti exploataci.
• Reinforcement Learning – incompleteideas.net – červen 2026 – text Richarda S. Suttona, který stručně popisuje nutnost využívat známé odměňované akce a zároveň zkoumat nové možnosti.
• Part 1: Key Concepts in RL – spinningup.openai.com – červen 2026 – úvod OpenAI k pojmům reinforcement learningu, včetně agenta, prostředí, odměny, politiky a návratnosti.
• CS234: Reinforcement Learning – web.stanford.edu – červen 2026 – kurz Stanfordu ke zpětnovazebnímu učení, kde mezi hlavní témata patří také problém explorace a exploatace.
• What is reinforcement learning? – ibm.com – červen 2026 – vysvětluje, že agent musí využívat znalost dříve odměněných akcí a zároveň zkoušet jiné akce.
• Deep Reinforcement Learning Course – huggingface.co – červen 2026 – prakticky vedený kurz k hlubokému zpětnovazebnímu učení.
• Exploration Strategies in Deep Reinforcement Learning – lilianweng.github.io – červen 2026 – detailnější přehled strategií, které řeší rovnováhu mezi explorací a exploatací.