Forschungsergebnisse zeigen: Bupropion steigert die Libido bei Frauen, die unter vermindertem sexuellen Verlangen leiden
Architektur des Softwareagenten: Ein zentrales Modul repräsentiert Sensorsignale u. Aktionen (Kreise) sowie Vorhersagen (braune Pfeile). Durch an sensorische Zustände angepasste Aktionen interagiert der Agent zielgerichtet mit der Umwelt (blaue Pfeile).
Abbildung: Stetter/Lang
… unterschiedlichste Aufgaben flexibel zu lösen.
Im Rahmen eines Forschungsfreisemesters an der Universität Regensburg hat Prof. Dr. Martin Stetter von der Fakultät Bioingenieurwissenschaften der Hochschule Weihenstephan-Triesdorf (HSWT) https://www.hswt.de/hochschule/fakultaeten/bi/ zusammen mit seinem Kooperationspartner Prof. Dr. Elmar W. Lang von der CIML Group am Institut für Biophysik http://www-aglang.uni-regensburg.de/ 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).
Wissenschaftliche Ansprechpartner:
Prof. Dr. Martin Stetter
Hochschule Weihenstephan-Triesdorf
Fakultät Bioingenieurwissenschaften
Fachgebiet Bioinformatik und Datenbanken
martin.stetter@hswt.de
T +49 8161 71-5274
Originalpublikation:
