Reinforcement Learning – Tool Design – User’s Journey

In the previous blog I thought through a Stakeholder map and the most important personas. Knowing who will primarily use the tool, it is now time to think through what their use cases should look like – it is time to map the user journey.

In this blog, I explain my approach of this tools user journey as well as a first mock-up of the tool.

Reinforcement Learning – Tool Design – User’s Preferences

In the previous blog I shared my first thoughts about the tool I aim to develop, including the most probable target groups and the biggest issues that may arise for them. To get a clearer image of the situation, I will use three design methods that will specify the target groups and their needs.

In this blog, I introduce tools – a stakeholder map, a persona and a project rundown.

Reinforcement Learning – Tool Design – User’s Needs

I aim to create a tool that applies a Reinforcement Learning (RL) bot to any given Unity application. The bot shall then try to maximize a game’s built-in score, which will be the only requirement for the tool to work. Functionality-wise, I see no major obstacles in the tools developement – there are a few things to clear up design-wise though.

In this blog, I will go over some thoughts concerning the design of this (still) unnamed RL tool for Unity. This blog marks the beginning of (another) new blog series I will dedicate to the tools‘ design.

Reinforcement Learning – Lost Chapters – Improving the algorithm

Typically, the algorithm that an Reinforcement Learning (RL) bot is following is built around the reward function. In the previous Lost Chapters blog I mentioned Curriculum Learning: a method that has the purpose of improving the algorithm – and there are more performance improvers like that, which are today’s topic.

In this blog, I explain methods that improve an RL AI’s algorithm.

110 Fragen an Alexa

In den letzten Wochen habe ich mir die Zeit genommen, um Alexa besser kennen zu lernen. Entgegen meiner ersten Skepsis, hat mich die digitale Assistentin positiv überrascht mit der Vielzahl an Antworten. Persönlich fand ich die Gespräche auch durchaus angenehm, wobei es immer den Frage-Antwort-Charakter beibehielt. Stellte ich einige Fragen nacheinander, musste ich sie immer neu mit „Alexa, …“ ansprechen, was nach einiger Zeit etwas nervig war. In der analogen Welt wäre es wohl in etwa so, wenn jemand ein Buch liest und ich ihn immer mit Namen anrede, er meine Frage beantwortet und danach weiter in seinem Buch schmökert und erst wieder bei der Erwähnung seines Namens hochsieht.

Reinforcement Learning – Lost Chapters – Designing a Reward Function

I recently read a Master Thesis in the field of Reinforcement Learning – and realized that there is a lot of important theoratical content I skipped over so far. This blog marks the beginning of the „Lost Chapters“ series, which will cover topics I might have missed during my journey through the AI jungle.

In this blog, I will take a glance at the design of reward functions.

Kritische Bewertung einer Masterarbeit

Titel der Arbeit: Gamification als Marketing und Kundenbindungsinstrument – Entwicklung von Handlungsempfehlungen für die Freizeit-Community Spontacts
Art der Arbeit: Masterarbeit
Autor: Sebastian Eschenbacher
Datum & Ort : Hochschule Mittweida, 27.12.2014
Studiengang: Industrial Management

Gestaltungshöhe

Die Arbeit ist sehr schlicht ohne etwaige zusätzliche Gestaltung oder speziell überlegtes Design erstellt worden. Der Verfasser setzt an manchen Stellen Tabellen und Abbildungen ein, um seinen Sachverhalt besser darzustellen, vorallem die Abbildungen hätten jedoch um einiges größer sein können, da es sich meist um Screenshots der Spontacts-App handelt, auf welchen man in kleiner Bildgröße sehr wenig erkennt. Hinsichtlich der Untermauerung seiner Theorie greift Eschenbacher auch oft auf Abbildungen zurück, welche die Vorgestellten Modelle anschaulich darstellen.