We are happy to announce that the OC-DDC will feature a Keynote from Jun.-Prof. Dr. Anthony Stein who leads the Department of Artificial Intelligence in Agricultural Engineering at the University of Hohenheim.

TITLE: Interpolations-gestütztes Lernen in Organic Computing Systemen

Heutige technische Systeme weisen oftmals bereits (Selbst-)Adaptions- und weitere, sogenannte Selbst-x-Eigenschaften auf, um den komplexitätsbedingten stetig wachsenden Anforderungen moderner Einsatzgebiete, wie beispielsweise dem (Industrial) Internet of Things oder intelligenten Verkehrsmanagementsystemen, gerecht zu werden. Die resultierenden Selbst-adaptiven Systeme (SAS) sollen hierdurch in die Lage versetzt werden, auf zur Entwurfszeit unvorhergesehene Systemzustände robust, d.h. ohne eine zu langanhaltende und starke Degradierung der Leistungsfähigkeit, und selbstständig zu reagieren. Um dieses autonome Verhalten zu erreichen, wird die Fähigkeit des Selbst-lernens daher heute als essentieller Bestandteil von SAS verstanden. Dadurch erlangen SAS die Fertigkeit, Wissen zur Laufzeit aufzubauen und basierend darauf selbstständig adäquate Reaktionen auf sich ändernde (Umwelt-)Gegebenheiten anzustoßen. Bestärkendes Lernen (engl. Reinforcement Learning) stellt hierbei ein sehr vielversprechendes Paradigma des maschinellen Lernens dar, da es sowohl neues Wissen zur Laufzeit akquiriert, als auch auf Basis von Feedback bestehendes Wissen fortlaufend bewertet. Der dadurch entstehende Wissensschatz eines selbst-lernenden SAS ist zunächst unvollständig und unterliegt naturgemäß kontinuierlicher Anpassung – mit anderen Worten: Wissenslücken treten zum Vorschein.

Dieser Vortrag widmet sich der wissenschaftlichen Fragestellung, wie SAS zur Systemlaufzeit mit lückenhaften Wissensbasen umgehen können, um negative Einflüsse auf die Leistungsfähigkeit abzumildern oder gar zu unterdrücken. Dreh- und Angelpunkte sind hierbei dabei das Erkennen und Schließen der Wissenslücken. Insbesondere werden für letzteren Aspekt Interpolationsmethoden für gestreute Daten in ein regelbasiertes, evolutionäres maschinelles Lernverfahren integriert, welches bereits in etlichen Echtweltszenarien eingesetzt wurde. Ein Ausblick auf aktuelle Forschungsbestrebungen weg von dem vorherrschenden reaktiven, hin zu einem proaktiven Wissensaufbau unter der Verwendung von Konzepten des Aktiven Lernens rundet den Vortrag ab und lässt Raum für anschließende Diskussionen.