Jenseits von Deep Learning: Neuer KI-Agent entwickelt

Bild: geralt /Pixabay

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

von Sebastian Halm

Im Rahmen eines Forschungsfreisemesters an der Universität Regensburg hat Prof. Dr. Martin Stetter von der Fakultät Bioingenieurwissenschaften der Hochschule Weihenstephan-Triesdorf (HSWT) zusammen mit seinem Kooperationspartner Prof. Dr. Elmar W. Lang von der CIML Group am Institut für Biophysik 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).

Bild: Marcel Schöne

Marcel Schöne
(uppr)

Vom CPC-Hamsterrad zum digitalen Eigentum: Profitable Kunden mit KI & Partnern

Steigende Auktionspreise und der Vormarsch von KI-Agenten verändern den Handel radikal. KI-Tools wie ChatGPT oder Perplexity agieren längst als digitale Kaufberater - ignorieren dabei jedoch bezahltes Ads-Targeting und Marken-Eigenlob. Stattdessen stützen sie sich auf den Konsens unabhängiger Drittquellen. Wer kein starkes Partner-Netzwerk pflegt, bleibt in den KI-Empfehlungen unsichtbar. In dieser Session zeigt Marcel Schöne den strategischen Umstieg von teuer gemietetem Auktions-Traffic zu echtem Partner-Eigentum. Erfahren Sie, wie Sie mit der EFQU-Metrik parasitäre Margen-Vampire eliminieren und durch automatisierte KI-Discovery in Minuten ein starkes Partner-Ökosystem aufbauen. Das Ergebnis: Eine krisenfeste Partnership-Engine für den "Agentic Commerce", die skalierbar Neukunden generiert und Ihre Brand fest in den LLMs verankert.

Vortrag im Rahmen der Transformation des Handels 26 am 20.10.26, 11:30 Uhr