Während Sprachmodelle im letzten Jahr schon in vielen Bereichen ihren Nutzen zeigen konnten, sehen wir in anderen Bereichen der Künstlichen Intelligenz weiterhin noch Herausforderungen, wie sich Erfolge aus der Forschung direkt in unseren Alltag übertragen lassen. Weiterhin fehlen Roboter, die uns direkt in unserem Alltag unterstützen können und allgemein entlasten können. Eine zentrale Herausforderung hierbei ist der Umgang mit unbekannten und schwer vorhersagbaren Umgebungen. Während Machine Learning hier als Teil des Lösungsansatzes gesehen wird, ist aber weiterhin deutlich, dass wir Systeme benötigen, die sich schnell anpassen können und dabei nicht abhängig von extrem großen Mengen von Daten zum Lernen sind.

In dem Vortrag werde ich hier unsere Ansätze vorstellen: Zuerst sind diese charakterisiert durch Dezentralisierung als zentrales Merkmal der biologischen Bewegungskontrolle. Dies ist inspiriert aus der Biologie, in der solche Systeme es Tieren ermöglichen, mit unterschiedlichen Bedingungen umzugehen, z. B. beim Klettern oder Gehen auf unebenem Gelände. Adaptives Verhalten entsteht so durch die Interaktion einfacher lokaler Kontrollmodule, die es dem System ermöglichen, schnell auf Störungen zu reagieren. Eine solche dezentrale Kontrollstruktur kann in Deep Reinforcement Learning genutzt werden, um robustere und allgemeinere Fähigkeiten viel schneller zu erlernen. Abschliessend wird in dem Vortrag der Schritt zu kognitiven ?intern voraus planenden? Systemen betrachtet und motiviert.

Anschließend gibt es Kaffee.

Dieser Vortrag findet aus Anlass des WWU-Alumnitags statt.