Crearé un algoritmo de aprendizaje por refuerzo multiagente

Construyo entornos de aprendizaje por refuerzo personalizados y simulaciones multi-agente para juegos, robótica, logística y aplicaciones de investigación.

Trabajos recientes incluyen un simulador competitivo de fútbol multi-agente (aprendizaje por currículo desde 1v1 hasta 11v11, entrenamiento con self-play PPO) y un entorno completo de Mahjong chino que implementa 77 de las 81 reglas oficiales de puntuación, además de una simulación de red de tránsito multi-agente basada en datos reales de tránsito urbano, desde la canalización de datos en bruto hasta una política entrenada con rendimiento medido contra una línea base.

Lo que obtienes es un código probado y documentado, no un cuaderno: un entorno compatible con Gymnasium/PettingZoo, una canalización de entrenamiento con RLlib y una evaluación escrita que muestra el rendimiento de tu agente entrenado frente a una línea base. Si no supera la línea base, no está listo.

Antes de comenzar, confirmaré si el aprendizaje por refuerzo es realmente el enfoque adecuado para tu problema, ya que algunas tareas de "agente de IA" se resuelven mejor y de forma más económica con métodos más simples, y te diré si ese es el caso en lugar de aceptar el trabajo de todas formas.