Modulare Agenten steigern das KI-Lernen, verbessern Entscheidungsfindung und Anpassungsfähigkeit
- Modulare Multi-KI-Agentensysteme verbessern Lernen und Anpassungsfähigkeit bei KI-Entscheidungen.
- Sub-Agenten mit engen Zielen führen zu schnellerem Lernen und besserer Anpassung in sich ändernden Umgebungen.
- Der modulare Ansatz spiegelt wider, wie Menschen mit widersprüchlichen Bedürfnissen umgehen, und verbessert so die Entscheidungsfindung in KI-Lernsystemen.
Das Verständnis, wie und warum Menschen Entscheidungen treffen, wurde in verschiedenen Disziplinen umfassend untersucht. Forscher des Princeton Neuroscience Institute haben die Entscheidungsfindung im maschinellen Lernen erforscht und einen Ansatz vorgeschlagen, der die traditionellen Single-Agent-Prozesse verbessert. Ihre Studie zeigt verbesserte KI-Lernfähigkeiten und Anpassungsfähigkeit durch die Nutzung modularer Multi-KI-Agentensysteme.
Die Forscher führten eine Studie durch, die Lernansätze im Verstärkungslernen (Reinforcement Learning) in Single-KI-Agentensystemen und modularen Multi-KI-Agentensystemen verglichen. Die Agenten wurden in einem Überlebensspiel auf einem zweidimensionalen Raster trainiert, in dem sie nach versteckten Ressourcen suchten und versuchten, ausreichende Versorgungsniveaus aufrechtzuerhalten.
Single-Agent vs. Modular-Agent-Ansatz
Im Single-Agent-Ansatz bewertete ein einheitliches Gehirn jeden Schritt einzeln, lernte durch Versuch und Irrtum und bestimmte die besten Lösungen. Der modulare Agent hingegen integrierte Eingaben von Sub-Agenten, die jeweils eng definierte Ziele und einzigartige Erfahrungen hatten. Die kollektiven Eingaben der Sub-Agenten wurden in einem einzigen Gehirn bewertet, was es dem Agenten ermöglichte, fundierte Entscheidungen zu treffen.
Prinzipien widersprüchlicher Bedürfnisse und Ziele
Die Forscher verglichen ihren Ansatz mit der langjährigen Debatte darüber, wie Individuen widersprüchliche Bedürfnisse und Ziele bewältigen. Diese Debatte ist in verschiedenen wissenschaftlichen Disziplinen verbreitet, einschließlich Neurowissenschaften, Psychologie, Wirtschaftswissenschaften, Soziologie und künstlicher Intelligenz. Das Design des modularen Agenten spiegelt den Wettbewerb zwischen mehreren modularen Agenten wider, ähnlich wie widersprüchliche Bedürfnisse in der menschlichen Entscheidungsfindung verwaltet werden.
Die Studienergebnisse zeigten, dass der modulare Agent den Single-Agent-Ansatz übertraf. Der modulare Agent lernte erheblich schneller und erzielte nach nur 5.000 Lernschritten bedeutende Fortschritte, im Vergleich zu den 30.000 Schritten des Single-Agenten. Modulare Agenten demonstrierten eine überlegene Aufrechterhaltung interner Variablen sowohl in statischen als auch in sich ändernden Umgebungen und hielten die Homöostase effektiver aufrecht. Die begrenzten Ziele der Sub-Agenten ermöglichten es ihnen, sich schneller an umweltbedingte Herausforderungen anzupassen.
Erkundung und Anpassung im KI-Lernen
Die Aktionen, die von einem Sub-Agenten bestimmt wurden, dienten als Quelle der Erkundung für andere innerhalb des modularen Agenten. Dies erleichterte die Entdeckung wertvoller Aktionen, die in einem bestimmten Zustand sonst möglicherweise nicht gewählt worden wären. Im Gegensatz dazu kämpfte der monolithische Ansatz mit dem Fluch der Dimensionalität, der sich auf das exponentielle Wachstum der Optionen bezieht, wenn die Komplexität der Umgebung zunimmt. Die modularen Agenten, die als Spezialisten mit begrenzten Zielen agierten, konzentrierten sich auf kleinere individuelle Aufgaben und passten sich schnell an Umweltverschiebungen an.
Die Ergebnisse der Studie deuten darauf hin, dass die Gestaltung von Agenten in modularer Form, mit separaten Sub-Agenten, die für bestimmte Bedürfnisse zuständig sind, die Gesamtkapazität des Agenten zur Erfüllung seiner Ziele erheblich verbessert. Der modulare Ansatz verbessert nicht nur das KI-Lernen und die Entscheidungsfindung, sondern bietet auch Einblicke in die psychologischen Konflikte, die der menschlichen Psyche innewohnen.
Die Verwendung von modularen Agenten in KI-Systemen bietet einen effektiveren und anpassungsfähigeren Ansatz für Entscheidungsfindung und Lernen. Durch die Nutzung der Prinzipien widersprüchlicher Bedürfnisse und Ziele demonstrieren modulare Agenten eine verbesserte Anpassungsfähigkeit an sich ändernde Umgebungen. Die Ergebnisse tragen zu einem tieferen Verständnis menschlicher Entscheidungsprozesse bei und ebnen den Weg für intelligenteres und flexibles KI-Systeme in der Zukunft.
Weiterlesen hier: Zack Dulberg et al., Having multiple selves helps learning agents explore and adapt in complex changing worlds, Proceedings of the National Academy of Sciences (2023). DOI: 10.1073/pnas.2221180120
Die klügsten Krypto-Köpfe lesen bereits unseren Newsletter. Lust dabei? Mach mit.
Haftungsausschluss: Die bereitgestellten Informationen stellen keine Anlageberatung dar. Cryptopolitan.com übernimmt keine Haftung für Investitionen, die auf der Grundlage der auf dieser Seite bereitgestellten Informationen getätigt werden. Wir empfehlen dringend, vor jeder Anlageentscheidung unabhängige Recherchen durchzuführen und/oder einen qualifizierten Fachmann zu konsultieren.
John Palmer
John Murangiri kam mit Kenntnissen in Marktanalyse zu Cryptopolitan. John (auch bekannt als JP) hat an der Universität Nairobi einen Bachelorabschluss in Massenkommunikation und Medienstudien erworben. Er hat zuvor Crypto-Markt-Einblicke für InsideBitcoins.com und Metacoingraph beigesteuert.
