{"id":2762,"date":"2022-09-27T11:58:16","date_gmt":"2022-09-27T09:58:16","guid":{"rendered":"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/?p=2762"},"modified":"2022-09-27T13:31:22","modified_gmt":"2022-09-27T11:31:22","slug":"podcast-erfahrungsbasiertes-lernen","status":"publish","type":"post","link":"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/podcast-erfahrungsbasiertes-lernen\/","title":{"rendered":"Podcast: Erfahrungsbasiertes Lernen"},"content":{"rendered":"

Optimierung von Prozessen durch Interaktionen mit der Umwelt<\/strong><\/h3>\n

<\/p>\n

In der hier angek\u00fcndigten Podcastfolge spreche ich wieder mit Dr. Ing. Christopher Mutschler, der bereits f\u00fcr die Folge \u00bbSequenzbasiertes Lernen\u00ab mein Gast war. Diesmal erfahren wir von ihm, was in der Kompetenzs\u00e4ule \u00bbErfahrungsbasiertes Lernen\u00ab des ADA Lovelace Center genau erforscht wird.<\/p>\n

Was beim Erfahrungsbasierten Lernen besonders spannend ist: Hier geht es nicht um ein Modell, das mit annotierten oder nicht annotierten Daten gef\u00fcttert wird, und anhand dieser Daten immer pr\u00e4zisere Voraussagen trifft oder lernt. Sondern das KI-System sammelt durch direkte Interaktion mit seiner Umwelt Daten, die es dann mit bestehenden Modellen verkn\u00fcpft, oder selbstst\u00e4ndig neue Modelle f\u00fcr die Optimierung seines Verhaltens dazulernt.<\/p>\n

Das hei\u00dft, das KI-System ist selber daf\u00fcr zust\u00e4ndig, die richtigen Daten zu sammeln und zu verarbeiten. Dadurch ergeben sich nat\u00fcrlich Herausforderungen: der Agent des KI-Systems nimmt durch die direkte Interaktion mit der Umwelt auch Einfluss auf diese. Erfahrungsbasiertes Lernen umfasst eine Vielzahl von Methoden, die es einem Agenten erm\u00f6glichen, anhand von Interaktion mit der Umwelt und dem Feedback der Umwelt zu lernen \u2013 also anhand von Erfahrung.<\/p>\n

Ein simples Beispiel daf\u00fcr ist ein M\u00e4hroboter, der auch automatisch lernt, den Rasen optimal zu d\u00fcngen. Er merkt sich, wann er wo wieviel Gras geschnitten und wieviel D\u00fcnger ausgebracht hat. In einer Belohnungsfunktion wird definiert, wie gut zum Beispiel das Rasenwachstum in einer bestimmten Zeit sein soll bei einem m\u00f6glichst geringen D\u00fcngereinsatz. Der Rasenm\u00e4hroboter sammelt somit indirekt Erfahrung \u00fcber die Bodenbeschaffenheit, interagiert auch mit der Umwelt (m\u00e4ht und d\u00fcngt) und versucht sich mit seiner D\u00fcngung an den richtigen Bedarf anzun\u00e4hern.<\/p>\n

Wichtige Fragen in dieser Kompetenzs\u00e4ule sind daher:<\/p>\n