Felippe Schmoeller da Roza

Deep Learning hat das Interesse am Einsatz von Künstlicher Intelligenz (KI) in immer mehr Systemen gesteigert. Auch das Reinforcement Learning (RL) hat einen Aufschwung erlebt, unter anderem durch Deep-RL-Modelle, die entwickelt wurden, um Atari-Spiele zu spielen und sogar Großmeister im Go-Spiel zu schlagen. Trotz dieser beeindruckenden Erfolge in jüngster Zeit kämpft RL jedoch noch immer, akzeptiert und erfolgreich eingesetzt zu werden, vor allem für sicherheitskritische Aufgaben wie Robotik, autonomes Fahren und industrielle Steuerung.

Reinforcement Learning (RL) ist eines der drei Hauptparadigmen von maschinellem Lernen (ML). Im Gegensatz zu den beiden anderen, Supervised Learning und Unsupervised Learning, findet bei RL das Lernen durch direkte Interaktion mit der Umgebung statt. Nachstehend folgt eine kurze Einführung in RL.

Tiefe neuronale Netze (Deep Neural Networks, DNNs) haben ihr Potenzial unter Beweis gestellt. Dies gilt vor allem für ihre Verwendung im Labor. Ihre Leistung beim Einsatz in der Praxis lässt allerdings zu wünschen übrig. Ein wesentliches Problem ist die Schätzung der Unsicherheit (uncertainty). Im Folgenden werden die Methoden näher betrachtet, die dieser Herausforderung gerecht werden.