idw – Informationsdienst Wissenschaft
Nachrichten, Termine, Experten
Nachrichten, Termine, Experten
idw - Informationsdienst
Wissenschaft
An der Schnittstelle zwischen Künstlicher Intelligenz und kognitiver Psychologie ist ein Projekt an der Universität Würzburg angesiedelt. Es beruht auf einem Lernmechanismus, den Prof. Dr. Joachim Hoffmann vom Institut für Psychologie vor einigen Jahren erkannt und mit dem Namen "antizipative Verhaltenssteuerung" bedacht hat.
Wie lernen es Menschen oder Tiere, ihr Verhalten so an die Umwelt anzupassen, dass sie bestimmte Ziele erreichen? In jedem Fall müssen sie lernen, welches Verhalten in einer bestimmten Situation zu welchen Effekten führt. Wie dieser Mechanismus funktioniert, läßt sich mit der antizipativen Verhaltenssteuerung erklären. Deren Grundidee besteht darin, dass die Auswirkungen einer Aktion gedanklich vorweggenommen und dann mit den tatsächlich eintretenden Effekten verglichen werden. Nach zahlreichen experimentellen Arbeiten an seinem Lehrstuhl könne angenommen werden, so Prof. Hoffmann, dass es sich bei der antizipativen Verhaltenssteuerung um einen grundlegenden Lernmechanismus beim Menschen handle.
Die Forscher haben sich nun die Aufgabe gestellt, diesen Mechanismus für die Künstliche Intelligenz nutzbar zu machen. In einem ersten Schritt ist es Dr. Wolfgang Stolzmann gelungen, die antizipative Verhaltenssteuerung zu einem Lernalgorithmus weiterzuentwickeln - zu einem Computerprogramm also, das selbständig lernen kann. Es trägt den Namen "antizipative Classifier Systems" und ermöglicht es beispielsweise, das Lernverhalten von Ratten auf dem Computer zu simulieren.
Dr. Stolzmann erläutert dazu ein entsprechendes Experiment, das John Seward 1949 durchgeführt hat: Dieser ließ eine Ratte in einem einfachen, T-förmigen Labyrinth umherlaufen, an dessen einem Ende sich eine schwarze, am anderen eine weiße Zielbox befand. Nach einiger Zeit verfrachtete er das Tier in seinen Käfig, wo es 24 Stunden lang nicht gefüttert wurde. Dann wurde es in die schwarze Zielbox gesetzt, wo es, anders als am Vortag, Futter fand, von dem es kurz fressen durfte. Nun setzte Seward die Ratte an den Eingang des Labyrinths. Von dort konnte sie weder die schwarze noch die weiße Zielbox sehen und auch das Futter nicht riechen. Dennoch: 28 von 32 Ratten liefen direkt zur schwarzen Box. Also hatten die Nager tags zuvor gelernt, sich in dem Labyrinth zurechtzufinden.
Dieses Experiment hat Dr. Stolzmann mit den antizipativen Classifier Systems 320 Mal auf dem Computer simuliert: In 260 Fällen wählte der Lernalgorithmus den Weg zur schwarzen Zielbox, verhielt sich also ähnlich wie die Ratten.
Als nächstes ist geplant, antizipative Classifier Systems zur Steuerung kleiner mobiler Roboter zu verwenden. Zwar sind in der Industrie bereits Roboter im Einsatz, die sich scheinbar intelligent verhalten, indem sie beispielsweise Autos zusammenbauen. Doch ein wichtiger Aspekt intelligenten Verhaltens fehlt diesen Robotern meistens: Sie sind nicht oder nur begrenzt lernfähig. In seinem von der Deutschen Forschungsgemeinschaft (DFG) geförderten Projekt solle nun gezeigt werden, so Prof. Hoffmann, dass Roboter mittels antizipativer Verhaltenssteuerung prinzipiell in der Lage sind, aufgrund eigener Erfahrungen selbständig zu lernen.
Das Projekt zielt außerdem darauf ab, weitere Befunde aus der kognitiven Psychologie in den Lernalgorithmus zu integrieren. Beispielsweise machen sich Menschen keine Gedanken darüber, welche Muskeln sie zu welchem Zeitpunkt beugen oder strecken müssen, wenn sie laufen wollen. Sie haben als Kinder das Laufen gelernt und führen dieses Verhalten seitdem aus, ohne darüber nachdenken zu müssen. Im Sinne einer derartigen Routinisierung oder Automatisierung sollen die antizipativen Classifier Systems künftig einmal Verhaltenssequenzen bilden können, die dann so ablaufen, dass sie nicht mehr oder kaum noch vom Programm kontrolliert werden müssen.
Eine weitere, wichtige menschliche Fähigkeit besteht darin, die Aufmerksamkeit auf diejenigen Merkmale zu richten, die für das Erreichen eines Ziels von Bedeutung sind: "Wenn wir in einem Raum das Licht einschalten wollen, so achten wir nur auf die Wand in der Nähe der Tür, um den Lichtschalter zu finden. Die Anordnung der Möbel spielt dabei keine Rolle", erläutert Prof. Hoffmann. Solche Auswahlmechanismen in Lernalgorithmen zu integrieren, sei eine auch für die Robotik interessante Aufgabe: Sobald nämlich ein Roboter verschiedene Tätigkeiten verrichten soll, wird er mit mehr Sensoren ausgestattet sein müssen als für eine einzige Aufgabe nötig wären. Dann wird es wichtig sein, dass der Roboter entscheiden kann, welche Informationen für das Bearbeiten seiner momentanen Aufgabe wichtig sind und welche nicht.
Weitere Informationen: Prof. Dr. Joachim Hoffmann, T (0931) 31-2645, Fax (0931) 31-2815, E-Mail: hoffmann@psychologie.uni-wuerzburg.de, Dr. Wolfgang Stolzmann, T (0931) 31-2176, Fax (0931) 31-2815, E-Mail: stolzmann@psychologie.uni-wuerzburg.de
Criteria of this press release:
Information technology, Psychology
transregional, national
Research projects
German
You can combine search terms with and, or and/or not, e.g. Philo not logy.
You can use brackets to separate combinations from each other, e.g. (Philo not logy) or (Psycho and logy).
Coherent groups of words will be located as complete phrases if you put them into quotation marks, e.g. “Federal Republic of Germany”.
You can also use the advanced search without entering search terms. It will then follow the criteria you have selected (e.g. country or subject area).
If you have not selected any criteria in a given category, the entire category will be searched (e.g. all subject areas or all countries).
