Mobile-Menu

Reinforcement Learning Hamburger Forscher machen Maschinen mit KI zuverlässiger

Quelle: HAW Hamburg 1 min Lesedauer

Anbieter zum Thema

Hochschule für Angewandte Wissenschaften Hamburg
Heidrive GmbH
FAULHABER Antriebssysteme
invenio AG

An der Hochschule für angewandte Wissenschaften (HAW) Hamburg haben Forscher ein Verfahren entwickelt, das die Fähigkeiten von Künstlicher Intelligenz (KI) in Systemen wie Robotern und Produktionsanlagen verbessert.

Forscher aus Hamburg wollen KI-Systeme verbessern, damit diese in Zukunft auch dann treffsicherere Entscheidungen fällen können, wenn gewisse Unsicherheiten im Rahmen einer Aufgabe bestehen ...(Bild: KI-Know-how)
Forscher aus Hamburg wollen KI-Systeme verbessern, damit diese in Zukunft auch dann treffsicherere Entscheidungen fällen können, wenn gewisse Unsicherheiten im Rahmen einer Aufgabe bestehen ...
(Bild: KI-Know-how)

Bisherige Systeme können zwar selbständig lernen und Entscheidungen treffen, sind aber anfällig für Fehler in unsicheren Situationen. Das neu entwickelte Verfahren, „C-DSAC“ (Cramér-based Distributional Soft Actor-Critic), adressiert genau dieses Problem durch die Erkennung und Berücksichtigung von Unsicherheiten bei Entscheidungsprozessen.

Was steckt hinter C-DSAC?

Vanya Aziz hat im Rahmen des LD-SODA-Forschungsprojekts (Lernbasierte Datenanalyse - Stochastik, Optimierung, Dynamik und Approximation) das Verfahren C-DSAC entwickelt. Dieses Projekt wird durch die Landesforschungsförderung Hamburg und die Hamburger Behörde für Wissenschaft, Forschung und Gleichstellung (BWFG) unterstützt. Im Gegensatz zu herkömmlichen Methoden, die nur den erwarteten Erfolg einer Handlung bewerten, analysiert C-DSAC eine breite Palette möglicher Ergebnisse und deren Eintrittswahrscheinlichkeiten. Dadurch werden KI-Systeme vorsichtiger und klüger, da sie Risiken und Unsicherheiten besser einschätzen können.

Was ist der Vorteil?

C-DSAC basiert auf Reinforcement Learning, einer Technologie, die ähnlich wie menschliches Lernen durch Erfahrungen funktioniert. Maschinen werden motiviert, bessere Entscheidungen zu treffen, indem sie für gute Ergebnisse belohnt werden. Der entscheidende Vorteil von C-DSAC liegt jedoch darin, dass es nicht nur Erwartungswerte betrachtet, sondern auch Wahrscheinlichkeitsverteilungen einbezieht, die bestehende Unsicherheiten abbilden. Dies führt zu stabileren Lernprozessen und leistungsfähigeren KI-Systemen.

Welche Anwendungsbereiche und Zukunftsperspektiven sind denkbar?

In Tests mit Robotiksimulationen erzielte C-DSAC in vier von fünf Fällen bessere Ergebnisse als etablierte Verfahren, was zeigt, wie neue Methoden das Potenzial maschinellen Lernens erweitern können. Neben der Robotik kann diese Technologie auch die medizinische Diagnostik erheblich verbessern. Weitere Forschungsarbeiten im Promotionsprogramm bauen auf Aziz’ Arbeit auf, um das selbstständige maschinelle Lernen in technischen Systemen weiter voranzutreiben. Praktische Anwendungen reichen von präziserer und energieeffizienterer Fertigungskoordination durch Roboter bis hin zu Servicerobotern, die komplexe Aufgaben eigenständig in einfacher ausführbare Schritte unterteilen können.

(ID:50648071)

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung. Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).

Aufklappen für Details zu Ihrer Einwilligung

Weiterführende Inhalte