O+P Fluidtechnik 7-8/2023

INTERVIEW
Herr Makansi, Sie haben Ihre Ideen für ein Forschungsvorhaben
zur agentenbasierten Regelung und Steuerung von Fluidsystemen
bereits mehrfach einem Fachpublikum vorgestellt. Was ist
kurz gesagt der Kern Ihres Ansatzes? Wer sind die Agenten? Was
ist das Ziel?
Zustand
Agent
Handlungsregel
Aktion
Der Kern des angesprochenen Forschungsvorhabens ist, die
Potenziale der künstlichen Intelligenz zur Lösung komplexer
Regel- und Steueraufgaben für fluidtechnische Anwendungen
nutzbar zu machen. In diesem Kontext ist meistens auch von
Agenten die Rede. Damit sind Software-Agenten gemeint, die
gewissermaßen eigenständig, gemäß eines angelernten Verhaltens,
mit der Umgebung interagieren. Spannend ist hierbei, dass
das Anlernen dieser Agenten in Teilen den menschlichen Lernprozess
imitiert, indem einem Agenten durch Belohnung und
Bestrafung mitgeteilt wird, welches Verhalten von ihm gefordert
ist. Dieser Lern- bzw. Trainingsprozess läuft algorithmisch ab
und ist daher gut automatisierbar. Das Ziel ist, in einem teilautomatisierbaren
Entwicklungsprozess Agenten zu erhalten,
die eine hochperformante Maschinensteuerung ermöglichen.
T
p x
U
U
Reinforcement
Learning
Algorithmus
U
Umgebung
Optimierung
Belohnung
In der Vielzahl von Anwendungen, in der wir beeindruckende
Leistungen von Algorithmen und maschinellem Lernen bereits
gesehen haben - was wäre am ehesten mit Ihrem Ansatz
vergleichbar?
DER AGENT „LERNT“, WELCHE
AKTIONEN IN WELCHEN SITUA-
TIONEN AUSZUFÜHREN SIND
In der Tat findet maschinelles Lernen immer stärkeren Einzug
in vielfältigste Anwendungen, von Computerspielen über autonomes
Fahren bis hin zu Investmentplanung und Chatsystemen.
Auch wenn sie alle im Hintergrund auf ähnlichen Konzepten
basieren, gibt es doch anwendungsspezifische Eigenheiten,
wie etwa die Beschaffenheit und Verfügbarkeit der Daten
oder Anforderungen an die Zuverlässigkeit trainierter
Agenten. Im Bereich industrieller Anwendungen finden wir
meist die Situation vor, dass wir zum einen sicherheitstechnische
Rahmenbedingungen einhalten müssen und zum anderen
qualitativ hochwertige Daten eher rar sind. Hinsichtlich
der sicherheitstechnischen Ansprüche können wir viele Parallelen
zum autonomen Fahren finden. Wir können aus Sicherheits-
und Kostengründen die Agenten nicht einfach frei im
Feld, an realen Maschinen oder Fahrzeugen, üben lassen. Eine
mögliche Lösung, die wir im angestrebten Forschungsvorhaben
verfolgen wollen, besteht darin, die Agenten im Vorfeld
an Simulationsmodellen des Zielsystems vorzutrainieren, sodass
der Trainingsaufwand am realen System reduziert werden
kann. Darüber hinaus müssen wir für unsere fluidtechnischen
Anwendungen, ebenso wie beim autonomen Fahren, absichern,
dass trainierte Agenten keine Unfall- oder Gefahrensituationen
verursachen, um sie in Verkehr bringen zu können.
Dafür möchten wir in dem geplanten Projekt die aktuell in der
Umsetzung befindlichen rechtlichen Rahmenbedingungen,
wie die EU-Maschinenrichtlinie und den Vorschlag der Richtlinie
über KI-Haftung aufgreifen und unsere technischen Lösungen
danach ausrichten und auf Konformität prüfen.
01 Schematische Darstellung des Reinforcement Learning-
Prozesses mit der Rolle des Agenten
Es ist also keine Künstliche Intelligenz, die dahinter sitzt –
oder doch?
Der Ausdruck „Künstliche Intelligenz“ wird meist als Synonym
für allerlei Systeme verwendet, die mit maschinellem Lernen
arbeiten. Das ist auch naheliegend, da es Analogien zum
menschlichen Lernprozess gibt und die entsprechenden Systeme
auch meist darauf abzielen, menschenähnliches Verhalten
zu replizieren. Dahinter stecken dann aber doch im Wesentlichen
skalierbare mathematische Strukturen wie neuronale Netze
und dazu passende Optimierungsalgorithmen, die von Menschen
konfiguriert werden und mit von Menschen ausgewählten
Informationen gespeist werden. Folglich haben diese „künstlichen
Intelligenzen“ keine eigene Intelligenz, sondern können
lediglich Aufgaben innerhalb eines Rahmens ausführen, für den
sie programmiert wurden.
Was hat die agentenbasierte Regelung mit Condition Monitoring
gemeinsam und wo unterscheidet sie sich?
Die wahrscheinlich größte Gemeinsamkeit dieser beiden Techniken
ist, dass sie beide im Kontext von maschinellem Lernen
und industriellen Anwendungen Erwähnung finden. Ansonsten
besteht ein wesentlicher Unterschied zwischen den beiden
Techniken in ihrer Funktionsweise und ihren Zielen. Bei der
agentenbasierten Regelung ist das Ziel, dass ein Agent „erlernt“,
welche Aktionen in welchen Situationen auszuführen sind, um
ein von der Umgebung gewünschtes Verhalten herbeizuführen.
Dafür kommen Methoden des sogenannten Reinforcement
Learnings (deutsch: bestärkendes Lernen) zum Einsatz, bei
denen der Lernprozess auf Interaktion mit der Umgebung, also
gewissermaßen einem Trial-and-Error-Prinzip, beruht. Das Ziel
des Condition Monitorings ist hingegen, den Zustand eines Sys-
www.oup-fluidtechnik.de O+P Fluidtechnik 2023/07-08 23