Wie können KI-Systeme ihr erlerntes Verhalten besser auf neue, bislang unbekannte Situationen übertragen? Mit dieser Frage beschäftigt sich Dr. André Biedenkapp künftig am Karlsruher Institut für Technologie (KIT). Für seine Forschung zur besseren Generalisierbarkeit von Reinforcement‑Learning‑Verfahren hat er erfolgreich eine Emmy Noether-Gruppe der Deutschen Forschungsgemeinschaft (DFG) eingeworben und erhält dafür in den kommenden drei Jahren rund 1,2 Millionen Euro. Nach erfolgreicher Zwischenevaluation nach den ersten drei Jahren stellt die DFG für weitere drei Jahre rund 920 000 Euro in Aussicht.
„Die Emmy Noether‑Förderung ermöglicht herausragenden Nachwuchsforschenden frühzeitig wissenschaftliche Eigenständigkeit“, sagt Professor Stefan Hinz, Vice Provost Wissenschaftlicher Nachwuchs des KIT. „Mit seinen Arbeiten zur Weiterentwicklung lernfähiger KI‑Systeme steht Dr. André Biedenkapp beispielhaft für exzellente junge Forschung am KIT.“
Reinforcement Learning (RL) ist ein Lernparadigma der Künstlichen Intelligenz (KI), bei dem ein KI-Agent durch Ausprobieren lernt, wie er sich in einer vorgegebenen Umgebung verhalten soll. Rückmeldungen in Form von Belohnungen helfen dem System dabei, wünschenswertes Verhalten zu wiederholen und ungünstiges zu vermeiden. Diese Methode ist besonders leistungsfähig für Probleme, bei denen Entscheidungen sequenziell getroffen werden müssen – etwa in der Robotik, der Logistik oder der Ressourcensteuerung.
Ein zentrales Problem klassischer RL-Ansätze besteht jedoch darin, dass die erlernten Strategien häufig stark auf die jeweilige Trainingsumgebung zugeschnitten sind. Schon geringe Veränderungen können dazu führen, dass der KI-Agent nicht mehr weiß, wie er sich sinnvoll verhalten soll. „Heute funktionieren RL-Agenten hervorragend unter den Bedingungen, für die sie trainiert wurden – stoßen aber schnell an ihre Grenzen, wenn sich diese ändern“, sagt Dr. André Biedenkapp. Bis August 2026 ist er an der Universität Freiburg tätig. Ab September 2026 startet er am Institut für Anthropomatik und Robotik des KIT mit der neu eingeworbenen Emmy Noether-Gruppe „Von mittelmäßigen zu meisterhaften Generalisten: Die Macht des Kontexts im RL“ der DFG.
Mehr Kontext für robustere Lernverfahren
An diesem Punkt setzt die Emmy Noether-Gruppe an: Ziel ist es, Trainingsverfahren für RL so zu erweitern, dass Künstliche Intelligenzen robuster und anpassungsfähiger werden. Dazu berücksichtigt das Team rund um Biedenkapp zusätzliche Informationen über die jeweilige Umgebung oder Welt, in der der Agent agiert. Auf diese Weise soll die KI lernen, welches Verhalten in welcher Situation besonders geeignet ist – und dieses Wissen auch auf ähnliche, unbekannte Situationen übertragen können.
Langfristig könnte dieser Ansatz ein entscheidender Schritt sein, RL stärker in realen Anwendungen einzusetzen. Bislang sind viele RL-basierte KI-Systeme auf hochpräzise Simulatoren angewiesen, die reale Umgebungen möglichst exakt nachbilden. Solche Simulatoren sind jedoch aufwendig, teuer und für komplexe Szenarien kaum realisierbar. „Wenn RL-basierte Systeme besser generalisieren, wird es weniger entscheidend, jede mögliche Situation perfekt zu simulieren. Das würde die Anwendungsmöglichkeiten dieser Technologie erheblich erweitern“, so Biedenkapp.
Zum Emmy Noether-Programm
Das Emmy Noether-Programm eröffnet herausragend qualifizierten Wissenschaftlerinnen und Wissenschaftlern in frühen Karrierephasen die Möglichkeit, sich durch die eigenverantwortliche Leitung einer Gruppe über einen Zeitraum von sechs Jahren für eine Hochschulprofessur zu qualifizieren. (swi)