Cualquier duda o comentario de la lección podéis dejarla en el foro del curso.

La mejora del entorno de training es uno de los puntos al que le vamos a dedicar más tiempo, sobretodo en el primero, pero también es el que nos puede aportar una  ganancia de tiempo más grande.

Cada proyecto, en cada máquina es diferente. Tenemos que jugar con las necesidades de proceso de nuestro modelo y con las capacidades de nuestra máquina, o de la máquina en la que se ejecute el training. Pero obtener un modelo optimo nos puede llevar a una mejora de un 90% de tiempo, comparando con un entorno simple.

Como más pasos sea capaz de ejecutar y de interpretar el motor de Machine Learning antes se producirá el aprendizaje, tenemos que maximizar el numero de pasos que somos capaces de ejecutar con nuestra máquina.

La modificación más sencilla, y que al mismo tiempo puede producir mayor ganancia, es la de variar el número de agentes que se ejecutan en paralelo. Debemos encontrar el número idoneo. A partir de aquí se podría refinar modificando el numero de pasos máximos del modelo (maxstep del fichero.yaml), o el de pasos que se da antes de empezar un escenario nuevo (maxstep en la configuración del behaviour parameters en el IDE de UNITY)…. o con muchas más variables contenidas en el fichero .yaml de configuración.