Modellbasiertes Reinforcement Learning ist ein Begriff, der besonders in den Bereichen Künstliche Intelligenz, Automatisierung und Industrie und Fabrik 4.0 zuhause ist. Hier geht es darum, dass Maschinen oder Computerprogramme lernen, eigenständig Entscheidungen zu treffen – und zwar anhand eines internen Modells der Umgebung.
Im Unterschied zu anderen Methoden des maschinellen Lernens beobachtet modellbasiertes Reinforcement Learning nicht nur die echten Ergebnisse seiner Entscheidungen, sondern baut sich ein eigenes „Modell der Welt“ auf. Anhand dieses Modells kann es Handlungen vorher ausprobieren, bevor es sie wirklich ausführt. Dadurch kann das System schneller und effizienter lernen, weil nicht jede Möglichkeit im echten Leben getestet werden muss.
Ein anschauliches Beispiel: Stellen Sie sich einen Roboter in einer Fabrik vor, der lernen soll, Pakete so effizient wie möglich zu stapeln. Mit modellbasiertem Reinforcement Learning baut der Roboter zunächst eine Vorstellung davon auf, wie sich Pakete beim Stapeln verhalten. Er kann verschiedene Strategien im Modell durchspielen und herausfinden, welche am besten funktioniert. Erst, wenn er eine gute Methode gefunden hat, setzt er diese im echten Leben um. Das spart Zeit, Ressourcen und reduziert Fehler.
Deutsch 
English (UK)