Forschungsleuchtturm
Institute for Applied Artificial Intelligence
Kurzbeschreibung
Das Institut für Angewandte Künstliche Intelligenz ist bestrebt, KI in die Anwendung zu bringen und so die Lücke zwischen Forschung einerseits und Unternehmen und Gesellschaft andererseits zu schließen. Indem das IAAI den Überblick über aktuelle KI Entwicklungen behält, aktuelle Forschungsergebnisse bewertet und ihr Potenzial für Unternehmensanwendungen versteht, trägt es dazu bei, KI als Schlüsseltechnologie der Zukunft zu etablieren.
URL
Forschungsprojekt/ Forschungsthema
Biologisch inspirierte Evolution von generalisiertem Verhalten
Beschreibung
Ausgangspunkt
In der modernen KI-Forschung rückt zunehmend das Bestreben in den Vordergrund, Agenten zu entwickeln, die nicht nur auf eine einzelne Aufgabe spezialisiert sind, sondern flexibel auf eine Vielzahl unterschiedlicher Umgebungen reagieren. Konventionelle maschinelle Lernverfahren stoßen hierbei an ihre Grenzen, da sie typischerweise für klar umrissene Aufgabenbereiche trainiert werden und Schwierigkeiten bei der Generalisierung auf neue Situationen zeigen (Özkural, 2018). Vor diesem Hintergrund gewinnen evolutionäre Algorithmen zunehmend an Bedeutung, da sie von den Prinzipien der natürlichen Selektion und Mutation inspiriert sind und sich besonders für die Lösung komplexer Optimierungsprobleme eignen, bei denen klassische Verfahren an ihre Grenzen stoßen (Sastry et al., 2007; Vikhar, 2016).
Ziele und mögliches Vorgehen
Ziel des Projekts ist es, zu untersuchen, inwiefern evolutionäre Optimierungsverfahren dazu beitragen können, generalisierbares Verhalten bei künstlichen Agenten hervorzubringen. Im Mittelpunkt steht die Frage, wie Agenten entwickelt werden können, die in variierenden Situationen zuverlässig handeln, ohne explizit für jede einzelne Aufgabe trainiert worden zu sein.
Hierzu soll ein experimentelles Setup entworfen werden, in dem Agenten unter Verwendung biologisch inspirierter Evolutionsstrategien in einer Vielzahl variierender Szenarien trainiert werden. Anschließend soll getestet werden, in welchem Maß die erlernten Verhaltensweisen auch in unbekannten, bisher nicht gesehenen Situationen erfolgreich angewendet werden können.
Projektstatus
Die Studierenden im Master of Media Research würden ein neues Forschungsvorhaben aufbauen, das sich aktuell in einem frühen konzeptionellen Stadium befindet. Das Projekt bietet daher die Möglichkeit, eigenständig ein experimentelles Setup zu entwickeln und zentrale methodische Entscheidungen zu treffen (z. B. Umgebungsdesign, Metriken, Evaluationslogik).
Mögliche Forschungsfragen:
- Welche Merkmale (z. B. Modulationsmechanismen, Selektionsstrategien) fördern robuste Policies?
- Wie lassen sich geeignete Metriken zur Bewertung von generalisiertem Verhalten definieren und validieren?
- Welche Unterschiede zeigen sich zwischen Agents, die in stabilen vs. dynamischen Umgebungen evolviert wurden?
- Wie stark beeinflussen evolutionäre Parameter wie Mutationsrate oder Populationsdiversität das Ausmaß der Generalisierung?
Name und Kontaktdaten
Prof. Dr. David Klotz, klotzd@hdm-stuttgart.de
Fachrichtung, Studiengänge
Informatik / Angewandte Informatik, Medieninformatik, Wirtschaftsinformatik, Mobile Medien
Notwendiges Vorwissen
Programmierkenntnisse in Python, Grundlagen maschinellen Lernens
Weitere interessante Informationen / Links
Özkural, E. (2018). The Foundations of Deep Learning with a Path Towards General Intelligence. arXiv (Cornell University).
https://doi.org/10.48550/arxiv.1806.08874
Sastry, K., Delbem, A. C. B. & Goldberg, D. E. (2007). Evolutionary Algorithm for Large Scale Problems. Seventh International Conference On Intelligent Systems Design And Applications (ISDA 2007), 819–822. https://doi.org/10.1109/isda.2007.114
Vikhar, P. A. (2016). Evolutionary algorithms: A critical review and its future prospects. International Conference On Global Trends in Signal Processing, Information Computing And Communication (ICGTSPICC 2016), 261–265. https://doi.org/10.1109/icgtspicc.2016.7955308