Zeitschrift für Fernerkundung und GIS

Abstrakt

Lebenslanges maschinelles Lernen als Grundlage für intelligente Roboter/Softbots zur Weiterentwicklung der industriellen Automatisierung

Emdad Khan

Ein voll funktionsfähiger Roboter/Softbot (intelligenter Agent) müsste über die meisten Lern- und Entscheidungsfähigkeiten eines menschlichen Selbstlerners, kognitive Intelligenz, Wissensbildung, Lernen aus Erfahrung, Bestimmung des zu Lernenden und dergleichen verfügen. Bestehende Algorithmen des maschinellen Lernens (ML) werden von isoliertem Lernen dominiert (z. B. wird beim überwachten Lernen ein bestimmter Datensatz für eine bestimmte Aufgabe in einer Domäne verwendet, um einen ML für Regression oder Klassifizierung zu trainieren). Die Generalisierungsfähigkeiten solcher Systeme hängen eng mit den zum Trainieren verwendeten Daten, Aufgaben und Domänen zusammen und sind daher in ihrem Umfang begrenzt (Transferlernen kann jedoch für einige Anwendungen in hohem Maße hilfreich sein). Solche Systeme schaffen jedoch kein Wissen und können nicht aus vorherigem Wissen oder Erfahrungen über Aufgaben und Domänen hinweg lernen. In letzter Zeit gab es jedoch einige gute Arbeiten, die das lebenslange maschinelle Lernen (LML) unterstützen können, d. h. sie können Wissen aus dem Gelernten schaffen, dieses Wissen verwenden, um mehr zu lernen und den Prozess wie Menschen zu wiederholen. Solche Methoden verwenden jedoch algorithmische und statistische Ansätze zur Wissensgenerierung, die nicht gut skalierbar und weniger flexibel sind, um menschliches Lernen zu modellieren. Dadurch wird die LML-Fähigkeit in vorhandenen, numerisch datengesteuerten ML-Systemen effektiv aktiviert und gut in LML-Systeme integriert, die unstrukturierte Daten verwenden. Auf diese Weise entsteht ein vollständig menschenähnliches, auf LML basierendes intelligentes System.