Reinforcement Learning für industrielle Applikationen

KI ist heute aus kaum einem Lebensbereich wegzudenken. Bekannte Methodenfelder in der KI sind unüberwachtes und überwachtes Lernen, welche sich überwiegend mit statischen Problemstellungen beschäftigen. Reinforcement Learning (RL) hingegen ist ein Bereich des Maschinellen Lernens, der sich mit dem Lernen von optimalem Verhalten in dynamischen Umgebungen beschäftigt. Reinforcement Learning findet sich in einer wachsenden Zahl von Anwendungen. Dazu zählen Autonome Fahrzeuge und Drohnen, intelligente Haussteuerung oder Steuerung von Produktionsanlagen und Logistikflotten. Ebenso kann das Verhalten von Robotern oder Prothesen mit RL gelernt werden. Aber auch KI-Börsenagenten oder Empfehlungssysteme für Filme und Musik basieren auf RL. Hinzu kommen virtuelle Assistenten z.b. für E-Mails und Termine. Auch die Anpassung großer Sprachmodelle wie ChatGPT wird mit RL mit menschlichem Feedback vorgenommen.

© Pixabay / Fraunhofer IIS
Reinforcement Learning

Reinforcement Learning

Beim Reinforcement Learning interagiert ein KI-Agent mit seiner Umwelt und erforscht diese durch Versuch und Irrtum. Er lernt Regeln, die beschreiben wie Aktionen und Entscheidungen gefällt werden. Geleitet wird er dabei von einer Belohnung, wodurch sich das gelernte Verhalten durch gezielte Einschränkungen (Constraints) und anpassen der Belohnung formen lässt. Die vom KI-Agenten gelernte Policy leitet sich daher von den Trainingsdaten, der Repräsentation des Zustands der Umwelt und der Belohnung ab. Dies fördert Sicherheit sowie Effizienz und erlaubt das Verhalten an mehrere gewünschte Ziele anzupassen und so für die Anwendung maßzuschneidern. 

© Adobe Stock / Fraunhofer IIS

Anwendungen

Anwendungen von Reinforcement Learning finden sich hauptsächlich im industriellen Umfeld, wie bei chemischen Prozessen oder in der Fertigung.  Schwerpunkt ist die optimale Steuerung und Regelung von Anlagen sowie deren Planung. Unsere Kompetenzen lassen sich in die folgenden Anwendungsthemen gruppieren. 

 

Reinforcement Learning für sichere Regelung / Steuerung

Reinforcement Learning findet optimales Verhalten in dynamischen Umgebungen. So kann eine optimale Steuerung oder Regelung mit KI trainiert werden. Die fertig trainierte KI kann dann fixiert und auf Sicherheit getestet werden. So kann eine effiziente und schlanke Steuerungskomponente in die Anlage eingesetzt werden. Darüber hinaus kann auch über Imitation Learning mit der KI eine klassische, Entscheidungsbaum-basierte Steuerung oder Regelung erstellt werden. Diese lässt sich dann Aussagenlogisch verifizieren.

Reinforcement Learning für Anlagenplanung und Optimierung

Eine Prozessoptimierung mit KI und insbesondere Reinforcement Learning ist sehr leistungsstark. Die KI kann gleichzeitig viele Anforderungen berücksichtigen. So kann etwa bei einer mechanischen oder chemischen Produktion eine insgesamt kostenoptimale und gleichzeitig nachhaltige Einstellung aller Anlagenkomponenten erfolgen. Ebenso können etwa Transportwege optimiert werden. Eine weitere, besondere Stärke von RL ist die dynamisch Reaktion auf Änderungen, diese erlaubt der  KI sich schnell an geänderten Rohstoffpreisen, -Qualitäten und -Verfügbarkeiten anzupassen und eine optimale Konfiguration finden. 

Angebot und Leistung

© pressmaster - Fotolia.com

Workshops

Gerne erarbeiten wir gemeinsam mit Ihnen, wie Reinforcement Learning in Ihrem Unternehmen Prozesse optimieren und Fachkräfte entlasten kann. Interessiert? Sprechen Sie uns gerne an!

Kooperation zur Forschung

An der Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU) bietet das Fraunhofer IIS Vorlesungen für (Deep) Reinforcement Learning sowie diverse Seminare zu Machine Learning an.

Seminare

Das Fraunhofer IIS bietet Online-Seminare zu Maschinellem Lernen und Reinforcement Learning an.

KI-Framework für autonome Systeme im ADA Lovelace Center

Entwicklung eines verlässlichen Fahrassistenten mittels Deep Reinforcement Learning.

ML4POS

Indoor-Lokalisierung / Positionsschätzung mit Deep Learning, wodurch die Signalverarbeitungskette ersetzt wird.

Quantum Machine Learning

zur Lösung industrieller Anwendungen

Approximative Kontrollstrategien für zeitkritische und rechenintensive Anwendungen.

Seminarreihe Reinforcement Learning

Die Themen der Seminare erstrecken sich über Grundlagen und vertiefende Themen des Reinforcement Learnings mit Fallbeispielen aus der Industrie.