Damit Roboter sicher sind, muss man wissen, wie sie unter verschiedenen Bedingungen reagieren. Mit maschinellem Lernen konnte man bisher nur Vorhersagen über das Verhalten einer Maschine treffen, das zwischen bekannten Situationen liegt. Zwei Forscher haben nun eine Methode für lernende Maschinen vorgestellt, die Vorhersagen über Situationen außerhalb des Erfahrungsbereichs erlaubt.
Beim maschinellen Lernen wird von einem künstlichen System Wissen aus Erfahrung generiert. Ein solches System lernt aus Beispielen und kann dann verallgemeinern. Dies wird beispielsweise bei der Spracherkennung von Smartphones oder Spam-Filtern von E-Mail Programmen eingesetzt. Bisher konnten Daten allerdings nur "interpoliert" werden, also Vorhersagen über Situationen getroffen werden, die zwischen bereits gemachten Erfahrungen liegen.
Der Informatiker Christoph Lampert vom Institute of Science and Technology (IST) Austria vergleicht diesen Ansatz im Gespräch mit der APA anhand eines Roboters, der Geschirr abspült. Durch seine Tätigkeiten sammelt er Daten, beispielsweise wie er einen Teller platzieren muss, ohne ihn zu zerbrechen. In bisherigen Methoden maschinellen Lernens konnte der Roboter nur durch Experimente lernen. Hat er einen Teller mit solcher Wucht abgestellt, dass er zerbrach, wusste er beim nächsten Teller, dass er weniger Kraft anwenden sollte. Die Maschine konnte also nur Schlüsse aus bereits Gemessenem ziehen - Forscher bezeichnen das als "Interpolation".
Lernen, ohne vorher auszuprobieren
Bei der von Lampert und seinem Kollegen Georg Martius vom Max-Planck Institut für Intelligente Systeme in Tübingen (Deutschland) neu entwickelten Methode sammelt der Roboter - um beim Beispiel des Geschirrspülers zu bleiben - auf Basis der ausgeführten Bewegungen Daten und erstellt Gleichungen. In diese können dann auch Werte eingesetzt werden, die noch gar nicht gemessen wurden. Die Maschine muss also den Teller gar nicht zerstören, um zu lernen. Vielmehr kann in die Gleichungen der Wert einer zerstörerischen Kraft eingesetzt werden und damit die Situation des zerbrechenden Tellers vorhergesehen werden - was als "Extrapolation" bezeichnet wird.
Die neue Methode hat eine Reihe von Vorteilen: Für die bisherige Anwendung von maschinellem Lernen musste das System laufend mit Daten gefüttert werden. Das ist aufwendig und wenig effizient, zudem mussten Daten aus gefährlichen bzw. extremen Situationen gesammelt werden. Außerdem waren bisher die Lösungen viel zu komplex. Die Gleichungen der neuen Methode seien einfacher und intuitiver zu verstehen, betonen die Forscher. Diese Nachvollziehbarkeit ist laut Lampert vor allem für Ingenieure wichtig, welche die Roboter betreuen. Sie können Zusammenhänge zwischen den Daten und Geschehnissen erkennen - beispielsweise weshalb ein Roboter kaputt gegangen ist.
Das neue Verfahren des maschinellen Lernens, das die Wissenschafter kürzlich bei der International Conference on Machine Learning in Stockholm vorgestellt haben, soll künftig in weiteren Bereichen wie Medizin oder Biologie zur Anwendung kommen. Zunächst will Martius und sein Team einen Roboter entwickeln, der die neue Methode nutzt. Die Maschine soll mit ihren verschiedenen Bewegungen experimentieren und schließlich in der Lage sein, gefährliche Situationen zu vermeiden.
(APA/red, Foto: APA/APA (dpa))
