Das Projekt Multi-Level Abstractions and Causal Modeling for Enhanced Reinforcement Learning (MAC-MERLin) zielt darauf ab, durch die Nutzung von Multi-Level-Abstraktionen in Kombination mit kausaler Modellierung etabliertes Experten- und Domänenwissen in künstliche neuronale Netze zu integrieren. Aufbauend auf den etablierten Konzepten von Kausalität und Abstraktion wird MAC-MERLin die Interpretierbarkeit von Deep Reinforcement Learning (DRL)-Agenten verbessern und sie enger an das menschliche Verständnis und die Erkenntnisse von Experten angleichen, während sie gleichzeitig robuster, besser in der Lage sind, über verschiedene Umgebungen hinweg zu verallgemeinern, und besser auf die Komplexität der realen Welt abgestimmt sind. Das Vorhaben adressiert vier grundlegende Herausforderungen, durch die sich aktuell der praktische Einsatz von künstlichen neuronalen Netzen für Entscheidungsprozesse sehr schwierig gestaltet: die Modellierung, die Robustheit der DRL-Agenten, ihre Fähigkeit zur Verallgemeinerung auf neue Umgebungen und ihre Interpretierbarkeit.
Als bedeutender Fortschritt auf dem Weg zu einer widerstandsfähigeren und anpassungsfähigeren DRL-Technologie kann MAC-MERLin weitreichende Auswirkungen auf verschiedene Sektoren haben, darunter intelligente Städte und Stromnetze, intelligente Versorgungsketten und Produktionssysteme, autonomes Fahren, Arzneimittelforschung, medizinische Behandlung und Biotechnik. Indem MAC-MERLin die Lücke zwischen den theoretischen und praktischen Aspekten von DRL schließt, leistet es einen vielversprechenden Beitrag zum kontinuierlichen Wachstum der künstlichen Intelligenz und ihren potenziellen Auswirkungen auf die Gesellschaft.
