KI: Vortraining macht Computer leistungsfähiger

Im Jahre 2016 gelang es einem selbstlernenden Computerprogramm den amtierenden weltbesten Profispieler im Brettspiel Go zu besiegen. Das Geheimnis dahinter heisst bestärkendes Lernen. Dieses Teilgebiet der Künstlichen Intelligenz ermöglicht es Maschinen, sich mit Hilfe einfacher Vorgaben selbständig Wissen anzueignen, aus Fehlern zu lernen und Höchstleistungen zu erbringen.

Einziger Nachteil: die Methode ist für bestimmte Praxis-Anwendungen absolut ungeeignet. Tatsächlich probieren Computer zu Beginn eines Lernprozesses alle möglichen Optionen durch, bis sie die optimale Lösung gefunden haben. Dieses Schritt-für-Schritt-Verfahren wirft jedoch beispielsweise bei der Steuerung von Heizungssystemen Probleme auf, da abrupte Temperaturwechsel für Endverbraucher nicht akzeptabel sind.

Erst die Theorie, dann die Prüfung

Beim CSEM ist es Ingenieuren erstmalig gelungen, diese Probleme zu umgehen. Sie haben aufgezeigt, dass es möglich ist, Maschinen auf einfachen, theoretischen Systemen vorzutrainieren und sie anschliessend in der Praxis einzusetzen. Ergebnis: Einmal mit dem komplexen System konfrontiert, erbringt der vortrainierte Computer ohne aufwändige Berechnungen sehr rasch hervorragende Leistungen.

Die Arbeit der Forscher wurde kürzlich in der wissenschaftlichen Publikation IEEE Transactions on neural networks and learning systems veröffentlicht.

«Es ist wie Theorie lernen bevor man ein Auto fährt», erläutert Pierre-Jean Alet, Mitautor der Studie und beim CSEM für die Digitalisierung im Energiebereich zuständig. «Dank vorgängigem Training verfügt der Computer über Grundkenntnisse, die es ihm ersparen, blind nach der richtigen Lösung zu suchen.»

Energieverbrauch um mehr als 20 Prozent senken

Um ihr Konzept zu demonstrieren, haben die Forscher die Lüftungs-, Heizungs- und Klimaanlage eines komplexen Gebäudes mit 100 Räumen in Angriff genommen.

Drei Lernstufen sind notwendig. Zunächst trainiert die Maschine an einem «virtuellen Modell» und anhand einfacher Gleichungen, die reproduzieren, wie sich das Gebäude in etwa verhält. Anschliessend verfeinert der Computer seine Grundkenntnisse aufgrund reeller Daten (Temperaturen, Fensterläden-Automatik, Wettervorhersagen usw.). Nach Abschluss des Lernprozesses für diese beiden ersten Stufen, ist der Computer in der Lage, rasch bessere Einstellungsparameter für das Gebäude zu ermitteln.

Zahlreiche Einsatzmöglichkeiten

Die neue Methode dürfte den Weg für neue Anwendungen im Bereich des maschinellen Lernens ebnen. Sie könnte sich für alle Situationen eignen, in denen Störungen während der Sondierungsphase mit Geld- oder Sicherheitskosten verbunden sind.

Quelle: Baptiste Schubnel, Rafael E. Carrillo, Pierre-Jean Alet, und Andreas Hutter, A hybrid learning method for system identification and optimal control, in: IEEE Transactions on neural networks and learning systems.