Vou construir um algoritmo de aprendizado por reforço multiagente

Eu crio ambientes de reinforcement learning personalizados e simulações multi-agentes para jogos, robótica, logística e aplicações de pesquisa.

Trabalhos recentes incluem um simulador competitivo de futebol multi-agentes (aprendizado por currículo de 1v1 a 11v11, treinamento com self-play PPO) e um ambiente completo de Mahjong chinês que implementa 77 das 81 regras oficiais de pontuação, além de uma simulação de rede de trânsito multi-agentes baseada em dados reais de transporte urbano, desde o pipeline de dados brutos até uma política treinada com desempenho medido contra uma linha de base.

O que você recebe é uma base de código testada, documentada, não um notebook: um ambiente compatível com Gymnasium/PettingZoo, um pipeline de treinamento RLlib e uma avaliação escrita mostrando o desempenho do seu agente treinado contra uma linha de base. Se não superar a linha de base, não está pronto.

Antes de começarmos, vou confirmar se reinforcement learning é realmente a abordagem certa para o seu problema, pois algumas tarefas de "agente de IA" podem ser resolvidas de forma melhor e mais barata com métodos mais simples, e vou te informar se for o caso, ao invés de aceitar o trabalho de qualquer jeito.