• Folge Uns
    • Facebook
    • Twitter
    • Youtube
    • Flipboard
  • ENG
Mobilegeeks
  • Videos
  • Cars
  • Connected Life
  • IoT
  • Smartphones
  • Hardware
  • Tests
  • Podcast
  • Videos
  • Cars
  • Connected Life
  • IoT
  • Smartphones
  • Hardware
  • Tests
  • Podcast
Previous Story
Instagram: Selfie mit totem Vater - sieht so Traue ...

von Carsten Drees

Next Story
Elon Musk: Kontroverse Parteispenden an republikan ...

von Bernd Rubel

Künstliche Intelligenz

Evolutionärer Algorithmus übertrifft Deep Learning bei Videospielen

Die Zukunft der KI ist Deep Learning - zumindest sieht es nach den Erfolgen von derartigen Netzwerken so aus. Neben diesem Ansatz gibt es aber noch andere Herangehensweisen an das Thema - evolutionäre Algorithmen sollen jetzt noch bessere Ergebnisse liefern. 

von Jan Gruber am 19. Juli 2018
  • Email
  • @Finariel

Erinnert ihr euch noch an AlphaGo? Die KI von Google gilt nach Deep Blue als der nächste große Schritt bei künstlichen Intelligenzen. Während ihr Vorgänger 1997 noch Schachpartien gegen Garri Kasparow für sich entscheiden konnte, schlug AlphaGo diverse Meister auf einem 19×19-Go-Brett.

Neuronale Netzwerke sind längst auch in Medien fernab der Tech-Presse Teil der Schlagzeilen. Während alle über Deep-Learning-Netzwerke sprechen, soll ein viel mächtigerer Ansatz bereits in den Startlöchern stehen.

Aktuelle neuronale Netzwerke beruhen grundlegend auf den Funktionsweisen des menschlichen Gehirns. Dank enormer Rechenleistung erledigen sie gewisse Aufgaben mittlerweile deutlich besser als Menschen dies könnten – egal ob Objekt- und Gesichtserkennung oder unterschiedliche (Video-)Spiele. Evolutionäre Algorithmen sollen jetzt den nächsten Schritt beim Thema künstliche Intelligenz einläuten. Derartige Maschinen sollen ähnlich iterativ wie die Evolution arbeiten und so durch Fehler und anschließende Selektion noch mehr Potential besitzen.

Der Ansatz selbst ist nicht neu, in den letzten 30 Jahren spielte er aber, nach Deep Learning, nur eine untergeordnete Rolle. Jetzt macht eine Arbeit von Dennis Wilson und dessen Kollegen an der Universität von Toulouse auf sich aufmerksam. Die Wissenschaftler zeigen aktuell die Entwicklung von evolutionären Computern – ihre Algorithmen übertreffen mittlerweile die Fähigkeiten von Menschen bei bekannten Arcade Spielen wie Pong, Breakout oder Space Invaders.

Programme nach dem evolutionären Ansatz arbeiten völlig anders als klassische Software. Statt ein klar vorgegebenes Problem mit einem optimierten Algorithmus zu lösen, werden viele unterschiedliche Ansätze und gar zufällig generierte Codefragmente eingegeben. Der Algorithmus generiert immer wieder neue Codes, dabei geben die Regeln vor, dass eine neue Version nicht exakt so aussehen darf wie der Vorgänger. So werden, völlig zufällig, Variablen ausgetauscht oder völlig andere Ansätze berechnet. Jede Codegeneration wird getestet, die besten Teile werden in zukünftigen Generationen bevorzugt.

Diese Ansätze werden bereits in diversen Konstruktionsprozessen eingesetzt – vom Traktorbau über die Produktion von Flugzeugteilen bis hin zur Konstruktion von Robotern.

Die Wissenschaftler der Universität von Toulouse haben diese Denkweise jetzt in eine Datenbank von Arcade-Videospielen aus den 80ern und 90ern übertragen. Die Erkenntnisse sind in der Arcade Learning Environment Plattform verfügbar. Mittlerweile sind Codes für 61 Atari Spiele veröffentlicht worden.

Programmcode, der im Rahmen des evolutionären Ansatzes entsteht, hat vor allem einen Vorteil: Er ist klein und vergleichsweise einfach reproduzierbar. Anders als bei Deep Learning kann es mitunter unmöglich sein herauszufinden, warum die Maschine entschieden hat, wie sie entschieden hat – ein Problem vor allem für zukünftige Anwendungen. Während es noch vergleichsweise unwichtig wirkt, warum eine Maschine Zug A statt B gemacht hat, könnten transparente Entscheidungsprozesse gerade im Bereich von autonomen Fortbewegungsmitteln, auch aufgrund rechtlicher Thematiken, sehr wichtig werden. Manche Wissenschaftler nutzen evolutionären Code aber auch dazu, um Deep-Learning-Algorithmen weiter zu verbessern – so verschmelzen zwei sehr mächtige Ansätze. Aber was soll da schon schiefgehen…

Via MIT Technology Review

Trending Cars
  • Tesla Model 3
  • Opel Ampera-e
  • Tesla Model X
  • Porsche Mission E
Automarken
  • Mercedes-Benz
  • Tesla
  • Audi
  • Volkswagen – VW
  • BMW
  • Ford
  • Porsche
  • Opel
Related Video
video
Forschungsprojekt: Gameboy ohne Batterien
Wissenschaft
Ähnliche Artikel
Neu erforschtes Material ist leicht wie Plastik und stabil wie Stahl
7. Februar 2022
Neu erforschtes Material ist leicht wie Plastik und stabil wie Stahl
Neues KI-System von Meta soll Umwelt identifizieren und interpretieren
25. Januar 2022
Neues KI-System von Meta soll Umwelt identifizieren und interpretieren
Forscher:innen in Stanford wiederbeleben gängige Batteriezellen
11. Januar 2022
Forscher:innen in Stanford wiederbeleben gängige Batteriezellen
Tiere haben einen eigenen Algorithmus für die Entscheidungsfindung
24. Dezember 2021
Tiere haben einen eigenen Algorithmus für die Entscheidungsfindung

Fernweh

Wir beschäftigen uns mit den Themen und der Technik von Morgen und Übermorgen - Von Smartcities über Sharing-Economy bishin zur Mobilität der Zukunft

Hubs
  • Laptops
  • Magazin
  • Smart Cars
  • Smartphone
  • Tablets
  • Wearables
Weitere Themen
  • OnePlus 5
  • Samsung Galaxy S8
  • LG G6
  • Microsoft Surface Laptop
  • Amazon Blitzangebote
  • Adblock Plus
  • Testberichte (Archiv)
  • ASUS
  • Microsoft
  • Apple
  • Sitemap
Intern
  • Sponsoring und Werbung
  • Über uns
  • Sponsorenübersicht
  • Impressum
  • Datenschutzerklärung
FOLGE UNS
Copyright © 2022 Mobilegeeks.de, Alle Rechte vorbehalten
 Tweet
 Teilen
 Tweet
 Teilen
 Tweet
 Teilen
 Xing