Stell dir vor, Roboter könnten lernen, wie du es tust. Forschende haben herausgefunden, wie das möglich ist.
Stell dir vor, du bist in der Schule und lernst Mathe. Jeder Schüler hat unterschiedliche Stärken und Schwächen. Ein Roboter könnte das auch haben. Forschende haben herausgefunden, wie Roboter lernen können, ohne dass sie alle gleich sind. Sie haben auch herausgefunden, wie sie sicherstellen können, dass das Lernen nicht durch böswillige Angriffe gestört wird.
Was die Forschenden herausgefunden haben
Die Forschenden haben ein neues Verfahren entwickelt, das es Robotern ermöglicht, individuell zu lernen. Das bedeutet, dass jeder Roboter seine eigenen Modelle und Lösungen findet, die genau auf seine Aufgaben zugeschnitten sind. Gleichzeitig bleibt das Lernen sicher und kann nicht so leicht gestört werden. Sie haben gezeigt, dass dieses Verfahren in der Praxis gut funktioniert, sowohl bei künstlichen Aufgaben als auch bei echten Problemen.
Wie haben sie das gemacht?
Um das zu erreichen, haben die Forschenden zwei Methoden kombiniert. Die erste Methode ist ähnlich wie das Lernen in der Schule, wo man immer wieder kleine Schritte macht, um das Ziel zu erreichen. Die zweite Methode ist wie das Bilden von Meinungen in einer Gruppe. Wenn man sich mit Freunden austauscht, kann man seine Meinung ändern, aber man bleibt auch bei seiner eigenen Meinung. Diese beiden Methoden haben sie in einem Algorithmus vereint.
Warum ist das wichtig?
Dieses Verfahren ist wichtig, weil es Roboter und künstliche Intelligenz sicherer und effektiver macht. In der realen Welt gibt es viele Situationen, in denen Roboter lernen müssen, ohne dass sie von böswilligen Angriffen gestört werden. Zum Beispiel könnten Roboter in Krankenhäusern lernen, wie sie Patienten besser versorgen können, ohne dass ihre Lernprozesse gestört werden.
Du willst mehr über die Studie wissen?
Die Forschenden Luca Ballotta, Nicola Bastianello, Riccardo M. G. Ferrari und Karl H. Johansson haben diese spannenden Ergebnisse in ihrem Artikel „Personalized and Resilient Distributed Learning Through Opinion Dynamics“ veröffentlicht.