Revolution deiner Product Data Journey – mit KI zu mehr Dateneffizienz, -qualität und Conversion-Uplifts Anmelden und live dabei sein
Anhand von Use Cases erfahren Sie, wie KI Produktdaten und -Assets entlang der Product Data Journey effizienter organisiert, qualitativ aufgewertet und einen Conversion-Uplift am Customer Touchpoint erzeugt.
Anmelden und live dabei sein
Countdown zur digitalen Barrierefreiheit – was 2025 auf Unternehmen zukommt Anmelden und live dabei sein
Barrierefreiheit ist keine unüberwindbare Hürde, sondern ein echter Erfolgsfaktor für die digitale Zukunft. Erfahren Sie, wie Sie Barrierefreiheit 2025 souverän angehen können und dabei auch noch davon profitieren!
Anmelden und live dabei sein
Künstliche Intelligenz

Jenseits von Deep Learning: Neuer KI-Agent entwickelt

25.01.2022 Woran hochentwickelte Deep-Learning-Lösungen bisher scheitern, das soll nun ein Forschungsprojekt zweier Profesoren hinbekommen.

 (Bild: geralt /pixabay)
Bild: geralt /Pixabay
Im Rahmen eines Forschungsfreisemesters an der Universität Regensburg hat Prof. Dr. Martin Stetter‘Martin Stetter’ in Expertenprofilen nachschlagen von der Fakultät Bioingenieurwissenschaften der Hochschule Weihenstephan-Triesdorf (HSWT) zur Homepage dieses Unternehmens Relation Browser zusammen mit seinem Kooperationspartner Prof. Dr. Elmar W. Lang von der CIML Group am Institut für Biophysik zur Homepage dieses Unternehmens Relation Browser einen intelligenten Agenten entwickelt, der grundlegend anders als Deep Learning-Verfahren lernt und sich dabei am Beispiel des Menschen orientiert.

Die derzeit vorherrschende Art künstlicher Intelligenz, das "Deep Learning", ist fähig, auch äußerst komplexe Probleme unserer Welt in eindrucksvoller Weise zu lösen. Jedoch benötigen Deep Learning-Verfahren in der Regel eine enorme Anzahl von Beispielen zusammen mit einer bereits von einem Lehrer vorgegebenen Lösung, um diese Fähigkeiten zu erlernen. Ändern sich die Anforderungen geringfügig, bricht die Performance dieser Systeme oft zusammen. Darüber hinaus ist es meistens kaum ersichtlich, in welcher Weise Deep Learning-Agenten zu ihrem Lösungsansatz gelangen - ihre Lösung ist für den Menschen meist nicht nachvollziehbar, nicht "explainable".

Der nun entwickelte Agent wirkt ähnlich einem spielenden Kind zunächst in unterschiedlicher Weise auf seine Umgebung ein und ermittelt aus deren Reaktionen ein intuitives Verständnis, welche Effekte seine Aktionen in unterschiedlichen Situationen typischerweise haben: eine "Repräsentation" von unterschiedlichsten Ursache-Wirkungs-Beziehungen, die in Fachkreisen auch als "intuitive Physik" bezeichnet wird. Einmal gewonnen, befähigt diese "Intuition" den Agenten, seine Aktionen für unterschiedlichste Aufgaben vorab zu planen und - im Extremfall - neue Probleme nach Vorgabe nur eines einzigen Beispiels erfolgreich zu lösen.

Noch ist der Agent ein klein dimensionierter Prototyp, der bislang nur in einer eng begrenzten Umgebung getestet wurde: Die Problemklasse begrenzt sich auf Aktionen, die man mit einem aufrecht beweglich montierten Stab ausführen kann - diesen etwa balancieren, weich an eine Wand lehnen, möglichst hart gegen die Wand schlagen, schwingen lassen etc. Doch allein dabei hat sich schon gezeigt, dass der neuartige Agent ein bestimmtes vorgegebenes Problem ähnlich gut wie existierende Verfahren löst, dabei jedoch um ein Vielfaches flexibler auf neue Situationen reagiert und außerdem stets ermöglicht, den gefundenen Lösungsweg auch nachzuvollziehen ("Explainable Artificial Intelligence").

Auch bei grünen Themen könnten flexible, kausal agierende künstliche Intelligenzen eine zunehmend wichtige Rolle spielen, etwa im Nutztiermanagement (flexibles Verhalten) oder in der Steuerung autonomer Nutzfahrzeuge (Agrarroboter, unerwartete Hindernisse).
Neuer Kommentar  Kommentare:
Schreiben Sie Ihre Meinung, Erfahrungen, Anregungen mit oder zu diesem Thema. Ihr Beitrag erscheint an dieser Stelle.
alle Veranstaltungen Webcasts zu diesem Thema:
Dienstleister-Verzeichnis Agenturen/Dienstleister zu diesem Thema:
Experten-Profile Genannte Personen: