Reinforcement Learning Hamburger Forscher machen Maschinen mit KI zuverlässiger

Anbieter zum Thema

Hochschule für Angewandte Wissenschaften Hamburg

Klinkhammer Intralogistics GmbH

Föhrenbach GmbH

Renishaw GmbH

Wie es heißt, gibt es heute schon Systeme, die von selbst lernen und Entscheidungen treffen können. Doch sie machten auch noch Fehler, die man an der HAW weitgehend abstellen will ...

Maschinen, die selbstständig lernen und Entscheidungen treffen, steuern heute schon Roboter und Produktionsanlagen, sagen Forscher von der Hochschule für angewandte Wissenschaften (HAW) Hamburg. Doch solche Systeme können Fehler machen, wenn Unsicherheiten bestehen. Die Hamburger haben jetzt deshalb ein neues Verfahren entwickelt, das künstliche Intelligenz (KI) genau in diesem Punkt verbessert, wie es weiter heißt. Die Maschinen könnten dann per „C-DSAC“ („Cramér-based Distributional Soft Actor-Critic“) nicht nur lernen, sondern dabei auch Unsicherheiten erkennen, um stabilere und sicherere Entscheidungen treffen zu können. Entwickelt hat das Verfahren Vanya Aziz im Rahmen des Forschungsprojekts „LD-SODA“ (Lernbasierte Datenanalyse - Stochastik, Optimierung, Dynamik und Approximation), gefördert von der Landesforschungsförderung Hamburg der Hamburger Behörde für Wissenschaft, Forschung und Gleichstellung (BWFG), wie man weiter erfährt. Anders als herkömmliche Methoden, die nur den erwarteten Erfolg einer Handlung bewerteten, analysiere „C-DSAC“ dazu ein weites Spektrum möglicher Ergebnisse und deren Wahrscheinlichkeit, ob sie einträfen. Das macht die KI vorsichtiger und klüger, weil sie Risiken und Unsicherheiten besser einschätzt, so die Erklärung. Mit C-DSAC könne man demnach Maschinen beibringen, nicht nur auf den erwarteten Erfolg, sondern auch auf die Unsicherheit der Ergebnisse zu achten. So wird nach Aussage von Aziz das maschinelle Lernen stabiler und robuster, was einem entscheidenden Fortschritt für den Einsatz in anspruchsvollen technischen Systemen gleichkommt.

Bessere KI-Systeme für Roboter und Diagnostik

Reinforcement Learning heißt die Technologie, die hinter „C-DSAC“ steht. Sie funktioniert ähnlich wie das menschliche Lernen auf Basis von Erfahrungen, heißt es dazu. Eine Maschine probiert also Handlungen aus, wird für gute Ergebnisse belohnt und lernt so, bessere Entscheidungen zu treffen. Das neue Verfahren bringe den Vorteil ins Spiel, dass es nicht nur auf Erwartungswerte setze, sondern mit Wahrscheinlichkeitsverteilungen umgehe, die vorhandene Unsicherheiten abbildeten. Die Lernprozesse würden stabiler und die KI-Systeme insgesamt leistungsfähiger. In vielen Tests mit standardmäßigen Robotiksimulationen konnte „C-DSAC“, wie man betont, in vier von fünf Fällen bessere Ergebnisse erreichen als etablierte Verfahren. Das beweise, wie innovative Methoden das Potenzial des maschinellen Lernens erweitern könnten, was nicht nur Roboter betreffe, sondern auch die medizinische Diagnostik verbessern könne. Anderer Experten im Rahmen des Promotionsprogramms setzen nun an den Forschungsarbeiten von Vanya Aziz an, wodurch per „C-DSAC“ neue Ansätze entstehen sollen, die das selbstständige Lernen von Maschinen in technischen Systemen weiter voranbringen. Praktisch bedeutet das, dass in der Fertigung koordinieren Roboter dann ihre Arbeit präziser und energieeffizienter ausführen können. In der Haushaltsrobotik etwa könne ein mobiler Serviceroboter mit dieser Technik eigenständig Türen öffnen und dabei komplexe Aufgaben in einfachere Schritte unterteilen, um mal ein Beispiel zu nennen.

(ID:50645907)