1/ Teräsmiehelle omalle viimeiselle langalleni. Tutkijat saattavat kysyä: "Miksi RL:ää ei käytetä vain institutionaalisen kontekstin poimimiseen?" Kyllä, kokeile! Mutta mallien muuttaminen käyttökelpoisiksi tuotteiksi lakiin, terveydenhuoltoon tai palveluun ei ole Atari. Se on työnkulkuja – ja RL törmää nopeasti sotkuisiin seiniin.

2/ Ensimmäinen vaihe kuulostaa yksinkertaiselta: kirjaa asiantuntijatoimet. Jokainen punainen viiva, ohitus tai eskalointi on arvopiste. Teoriassa voit kloonata politiikan historiasta. Käytännössä lokit eivät kerro miksi. Lauseke voidaan lyödä oikeudellisen riskin, asiakkaan mieltymysten tai pelkän tavan vuoksi.

3/ Kouluta seuraavaksi palkitsemismalli palautteesta. Kerää vertailuja: "tämä luonnos on turvallisempi kuin tuo." Toimii hyvin RLHF-papereissa. Korkean panoksen aloilla asiantuntijoiden aikaa on niukasti ja heidän arvionsa ovat usein ristiriidassa. Harva, kallis ja sotkuinen signaali.

4/ Vaikka sinulla olisi tuloksia, opintopisteiden antaminen tuntuu aika julmalta? Tapauksen lopputulos riippuu vuosien esityksistä; potilaan toipuminen kymmenillä toimenpiteillä. Mikä teko "ansaitsi palkinnon"? RL kukoistaa lyhyillä aikahorisonteilla, ei institutionaalisilla aikajänteillä.