Hierarchische World Models - Multi-Scale Planung
Hierarchische World Models - Multi-Scale Planung
Einleitung
Hierarchische World Models / Multi-Scale beschreiben einen Forschungsansatz der Künstlichen Intelligenz, bei dem ein Agent nicht nur einzelne Datenpunkte verarbeitet, sondern ein mehrstufiges Modell der Welt lernt. Ein solches World Model soll vorhersagen, wie sich eine Umgebung verändert, wenn der Agent handelt. Für strategisches Planen ist das wichtig, weil viele reale Aufgaben nicht aus einer einzigen Entscheidung bestehen. Ein Roboter muss zum Beispiel nicht nur den nächsten Motorimpuls wählen, sondern auch ein Ziel erkennen, Teilziele bilden, Hindernisse einplanen, Risiken abschätzen und seine Strategie laufend anpassen.
{{#ev:youtube|https://www.youtube.com/watch?v=VmaaD8hOJ_E%7C500%7Ccenter}}
Das Video führt in die Frage ein, warum KI für langfristiges, robustes und strategisches Handeln Hierarchien braucht. Du lernst in diesem aiMOOC, weshalb rein flache Modelle bei langen Planungshorizonten schnell an Grenzen stoßen, was Multi-Scale in diesem Zusammenhang bedeutet und wie World Models, Reinforcement Learning, Abstraktion, Simulation und Strategisches Planen zusammenhängen.
Lernziele
Nach diesem aiMOOC kannst Du erklären, was ein World Model in der KI ist, warum strategisches Planen mehr als kurzfristige Reaktion verlangt und weshalb hierarchische Strukturen lange Handlungsfolgen beherrschbarer machen. Du kannst den Unterschied zwischen einer flachen Reiz-Reaktions-Architektur und einer mehrstufigen Planungsarchitektur beschreiben. Außerdem lernst Du, Chancen und Grenzen von simulierten Zukunftsentwürfen, temporaler Abstraktion und Zwischenzielen kritisch zu beurteilen.
Grundidee: Was ist ein World Model?
Ein World Model ist ein internes Modell, mit dem ein Agent Vorhersagen über seine Umgebung macht. Es kann Zustände, Objekte, Beziehungen, Bewegungen, mögliche Folgen von Aktionen und erwartbare Belohnungen repräsentieren. In der KI ist ein World Model besonders wichtig für modellbasiertes Reinforcement Learning, Robotik, autonomes Fahren, Spiele-KI, Simulation, Planung und zunehmend auch für multimodale Systeme, die Bilder, Sprache, Bewegung und physikalische Zusammenhänge verbinden.
Ein einfaches neuronales Netz kann Eingaben direkt auf Ausgaben abbilden. Ein World Model geht einen Schritt weiter: Es versucht zu lernen, was in der Welt passieren könnte. Es fragt also nicht nur: Welche Antwort ist jetzt passend?, sondern: Was wird wahrscheinlich geschehen, wenn ich diese Handlung ausführe? Damit wird KI von reiner Mustererkennung in Richtung Vorhersage, Handlungsplanung und Transferlernen erweitert.
Ein klassisches Beispiel sind die Arbeiten zu World Models im Reinforcement Learning. Dort lernt ein Agent zunächst eine komprimierte Repräsentation seiner Umgebung. Anschließend kann er in dieser gelernten Innenwelt mögliche Handlungsfolgen simulieren. Dieses Lernen in einer Art künstlicher Vorstellung ist nützlich, weil reale Experimente teuer, langsam, riskant oder nicht beliebig wiederholbar sein können.
Warum strategisches Planen schwierig ist
Strategisches Planen unterscheidet sich von kurzfristiger Reaktion. Wer strategisch plant, muss Ziele über längere Zeiträume verfolgen, Zwischenziele auswählen, Nebenwirkungen berücksichtigen und bei neuen Informationen umplanen. Für KI-Systeme entstehen dabei mehrere Schwierigkeiten.
- Langer Planungshorizont: Je weiter ein Ziel in der Zukunft liegt, desto mehr mögliche Handlungsfolgen müssen verglichen werden.
- Kombinatorische Explosion: Schon wenige Handlungsoptionen pro Schritt können zu einer riesigen Zahl möglicher Pläne führen.
- Spärliche Belohnung: Oft erhält der Agent erst spät eine klare Rückmeldung, ob eine Strategie erfolgreich war.
- Unsicherheit: Die Welt ist teilweise beobachtbar, verrauscht und dynamisch.
- Transferproblem: Eine Strategie, die in einer Situation funktioniert, soll möglichst auch in ähnlichen Situationen nutzbar sein.
- Fehlerfortpflanzung: Kleine Vorhersagefehler können sich bei langen Simulationen zu großen Planungsfehlern aufsummieren.
Ohne Hierarchie müsste ein Agent jede einzelne Handlung auf der niedrigsten Ebene planen. Das wäre so, als würdest Du beim Schreiben eines Aufsatzes jeden Muskelimpuls Deiner Finger strategisch vorausplanen. Menschen planen anders: Sie denken in Absichten, Abschnitten, Argumenten, Sätzen und erst zuletzt in konkreten Bewegungen. Genau diese mehrstufige Struktur ist für KI ein wichtiges Vorbild.
Hierarchie als Lösungsidee
Eine Hierarchie zerlegt ein komplexes Problem in Ebenen. Auf einer hohen Ebene stehen Ziele und Strategien. Auf mittleren Ebenen stehen Teilziele, Routinen und Optionen. Auf niedrigen Ebenen stehen konkrete Aktionen, Bewegungen oder Ausgaben. Dadurch kann ein KI-System lange Aufgaben in überschaubare Abschnitte gliedern.
In hierarchischem Reinforcement Learning wird häufig mit temporaler Abstraktion gearbeitet. Eine einzelne abstrakte Handlung kann aus vielen elementaren Aktionen bestehen. Statt jeden Schritt einzeln zu planen, wählt der Agent eine Fähigkeit wie gehe zur Tür, öffne den Schrank oder suche einen sicheren Weg. Solche Fähigkeiten werden auch Optionen, Skills oder Makroaktionen genannt.
Diese Idee hilft besonders dann, wenn ein Ziel nur über viele Zwischenschritte erreichbar ist. Ein Agent in einem Labyrinth muss nicht jede Bewegung einzeln als neues strategisches Problem betrachten. Er kann zunächst Teilziele wie zum Flur gelangen, Schlüssel finden oder Ausgang erreichen bilden. Dadurch wird Planung kürzer, verständlicher und oft daten-effizienter.
Multi-Scale: Denken auf mehreren Skalen
Multi-Scale bedeutet, dass ein System dieselbe Situation auf mehreren Skalen betrachtet. In der KI betrifft das vor allem Zeit, Raum, Abstraktion und Zielstruktur.
- Zeitliche Skala: Millisekunden für Motorsteuerung, Sekunden für Handlungen, Minuten für Aufgaben, Stunden oder Tage für Strategien.
- Räumliche Skala: Einzelne Pixel, Objekte, Räume, Karten, Regionen oder ganze Umgebungen.
- Abstraktionsebene: Sensordaten, Merkmale, Objekte, Beziehungen, Regeln, Ziele und Werte.
- Planungsebene: Sofortreaktion, lokale Navigation, Teilzielplanung und langfristige Strategie.
Ein hierarchisches World Model kann zum Beispiel auf niedriger Ebene Bewegungen vorhersagen, auf mittlerer Ebene Objektinteraktionen modellieren und auf hoher Ebene Zielzustände oder Risiken einschätzen. Für Robotik bedeutet das: Ein Roboter kann einerseits sehr genau greifen, andererseits aber auch planen, warum und wann er ein Objekt greifen soll.
Agent, Umwelt, Zustand, Aktion und Belohnung
Viele World-Model-Ansätze stehen in Verbindung mit Reinforcement Learning. Dabei interagiert ein Agent mit einer Umgebung. Der Agent beobachtet einen Zustand, wählt eine Aktion und erhält eine Belohnung. Ziel ist es, eine Strategie zu lernen, die langfristig möglichst gute Ergebnisse erzeugt.
Ein World Model ergänzt diesen Kreislauf um eine Vorhersagekomponente. Es versucht zu modellieren, wie der nächste Zustand und die Belohnung aussehen könnten. Dadurch kann ein Agent gedanklich vorausplanen. Er kann verschiedene Handlungspfade testen, ohne sie sofort in der realen Welt ausführen zu müssen. Das ist besonders wichtig bei gefährlichen, teuren oder seltenen Situationen.
Markov-Entscheidungsprozess und Planungsraum
Ein wichtiger formaler Hintergrund ist der Markov-Entscheidungsprozess. Er beschreibt Entscheidungsprobleme, bei denen Zustände, Aktionen, Übergänge und Belohnungen modelliert werden. In einfachen Fällen reicht der aktuelle Zustand aus, um die Zukunft probabilistisch zu beschreiben. Reale Umgebungen sind jedoch häufig komplexer: Sie sind teilweise beobachtbar, verändern sich, enthalten andere Akteure und besitzen verborgene Ursachen.
Hierarchische World Models versuchen, diese Schwierigkeit zu entschärfen. Sie müssen nicht jede Einzelheit in voller Auflösung vorhersagen. Für langfristige Strategie reicht oft eine grobe Vorhersage: Wo befindet sich ein Ziel? Welche Ressource wird knapp? Welche Gefahr entsteht später? Für kurzfristige Kontrolle braucht der Agent dagegen feinere Informationen: Wie stark muss ein Motor reagieren? Wie schnell bewegt sich ein Objekt? Multi-Scale-Modelle verbinden diese Ebenen.
Architektur hierarchischer World Models
Eine mögliche Architektur besteht aus mehreren zusammenwirkenden Modulen. Die konkrete Umsetzung unterscheidet sich je nach Forschungsansatz, aber die Grundidee bleibt ähnlich.
- Encoder: Er verdichtet Beobachtungen wie Bilder, Sensordaten oder Sprache in eine kompakte Repräsentation.
- Latenter Raum: Er enthält abstrahierte Zustände, die für Vorhersage und Planung nützlich sind.
- Dynamikmodell: Es sagt voraus, wie sich Zustände durch Aktionen verändern.
- Belohnungsmodell: Es schätzt, welche Ergebnisse vorteilhaft oder problematisch sind.
- Planer: Er vergleicht mögliche Handlungsfolgen im Modell.
- Controller: Er setzt abstrakte Entscheidungen in konkrete Aktionen um.
- Hierarchischer Manager: Er wählt Ziele, Teilziele oder Optionen auf höherer Ebene aus.
- Skill-Modul: Es führt wiederverwendbare Routinen auf niedriger Ebene aus.
Entscheidend ist die Arbeitsteilung. Der hohe Planer denkt nicht in jedem Pixel und nicht in jeder Muskelbewegung. Er arbeitet mit verdichteten, semantisch relevanten Einheiten. Der niedrige Controller löst konkrete Detailprobleme. Genau dadurch wird langfristige Planung überhaupt praktikabel.
Beispiel: Roboter in einer Küche
Stell Dir einen Haushaltsroboter vor, der ein Glas Wasser holen soll. Eine flache Architektur müsste aus Kamerabildern direkt Motorbefehle ableiten und über viele Schritte hinweg erfolgreich bleiben. Eine hierarchische Architektur kann anders vorgehen.
- Strategische Ebene: Ziel verstehen: Bringe ein Glas Wasser zur Person.
- Taktische Ebene: Teilziele bilden: Glas finden, Wasserquelle erreichen, Glas füllen, sicher transportieren.
- Operative Ebene: Skills auswählen: greifen, navigieren, ausweichen, stabilisieren.
- Sensorimotorische Ebene: Bewegungen kontrollieren, Kollisionen vermeiden, Kraft dosieren.
Das World Model hilft dabei, Folgen zu simulieren: Was passiert, wenn der Roboter den direkten Weg nimmt? Ist ein Hindernis im Weg? Kann das Glas kippen? Ist ein anderer Weg sicherer? Hierarchie macht die Aufgabe nicht automatisch einfach, aber sie macht sie strukturierbar.
Lernen in der Vorstellung: Simulation und Imagination
Eine besondere Stärke von World Models ist die Möglichkeit, in einer gelernten Simulation zu üben. Der Agent kann verschiedene Aktionen ausprobieren, ohne reale Schäden zu verursachen. In der Forschung wird dies manchmal als Lernen in einer imaginären oder halluzinierten Umgebung beschrieben. Wichtig ist dabei: Diese Vorstellung ist kein echtes Bewusstsein. Es handelt sich um eine rechnerische Vorhersage im Modell.
{{#ev:youtube|https://www.youtube.com/watch?v=kSFjMely5q8%7C500%7Ccenter}}
Je besser das Modell die relevanten Zusammenhänge der Umgebung erfasst, desto nützlicher kann Simulation sein. Gleichzeitig entsteht ein Risiko: Wenn das World Model falsche Annahmen gelernt hat, kann der Agent im Modell gute, aber in der Realität schlechte Strategien finden. Deshalb müssen World Models mit echten Daten, realistischen Tests, Sicherheitsgrenzen und kritischer Evaluation verbunden werden.
Warum reine End-to-End-Systeme oft nicht reichen
Ein End-to-End-System lernt direkt von Eingabe zu Ausgabe. Das kann bei vielen Aufgaben sehr leistungsfähig sein, etwa bei Bilderkennung, Spracherkennung oder Textgenerierung. Für strategisches Planen entstehen jedoch Grenzen. Langfristige Ziele, erklärbare Zwischenentscheidungen, Sicherheitsprüfungen, Wiederverwendung von Skills und kausale Folgenabschätzung lassen sich nicht immer zuverlässig aus einer einzigen großen Abbildung ableiten.
Hierarchische Systeme bieten Vorteile. Sie können Teilprobleme getrennt trainieren, abstrakte Entscheidungen dokumentieren und wiederverwendbare Module einsetzen. Außerdem können sie auf unterschiedlichen Ebenen geprüft werden: Hat der hohe Planer ein sinnvolles Ziel gewählt? Ist das Teilziel erreichbar? Führt der Controller die Aktion sicher aus? Dadurch wird auch KI-Sicherheit besser diskutierbar.
Zusammenhang mit menschlichem Denken
Menschen planen meist hierarchisch. Wenn Du eine Reise organisierst, denkst Du nicht zuerst an jede einzelne Muskelbewegung. Du entscheidest zunächst Ziel, Zeitraum, Verkehrsmittel, Unterkunft und Budget. Danach planst Du konkrete Schritte. Erst ganz am Ende führst Du einzelne Handlungen aus. Ähnlich ist es beim Lernen, Programmieren, Sport, Musizieren oder Schreiben.
Diese Analogie ist nützlich, aber sie darf nicht übertrieben werden. KI-Systeme besitzen keine menschliche Erfahrung und kein Bewusstsein im menschlichen Sinn. Trotzdem zeigt das Beispiel, warum Abstraktion und Hierarchie für intelligente Planung plausibel sind. Sie reduzieren Komplexität, machen Ziele handhabbar und erlauben den Wechsel zwischen Überblick und Detail.
Chancen, Grenzen und Risiken
Hierarchische World Models können KI-Systeme effizienter, robuster und planungsfähiger machen. Sie können helfen, lange Handlungsketten zu strukturieren, Daten effizienter zu nutzen und Simulationen für seltene Situationen zu ermöglichen. Besonders relevant ist dies für Robotik, autonomes Fahren, Medizinische KI, Logistik, Industrie 4.0, Spieleentwicklung und wissenschaftliche Simulation.
Gleichzeitig bleiben zentrale Herausforderungen offen. Ein World Model kann unvollständig sein, Vorurteile aus Trainingsdaten übernehmen oder scheinbar plausible, aber falsche Zukunftsverläufe erzeugen. Hierarchien können falsche Zwischenziele stabilisieren. Ein hoher Planer kann ein Ziel wählen, das formal optimal, aber ethisch problematisch ist. Deshalb müssen solche Systeme mit Erklärbarkeit, Robustheit, Sicherheitsprüfung, menschlicher Aufsicht und klaren Grenzen entwickelt werden.
Merksätze
- World Model: Ein KI-System lernt ein internes Modell, um Folgen von Handlungen vorherzusagen.
- Strategisches Planen: Lange Ziele erfordern Teilziele, Abstraktion und Umgang mit Unsicherheit.
- Hierarchie: Komplexe Aufgaben werden in Ebenen von Zielen, Optionen, Skills und Aktionen zerlegt.
- Multi-Scale: Ein System betrachtet Zeit, Raum und Bedeutung auf mehreren Skalen.
- Simulation: Ein Agent kann Handlungsfolgen im Modell testen, muss aber reale Modellfehler berücksichtigen.
- KI-Sicherheit: Je mächtiger Planungssysteme werden, desto wichtiger sind Kontrolle, Evaluation und Verantwortlichkeit.
Weiterführende Quellen und OER
- David Ha und Jürgen Schmidhuber: World Models
- Sutton, Precup und Singh: Options und temporale Abstraktion
- Thomas G. Dietterich: MAXQ Hierarchical Reinforcement Learning
- Yann LeCun: A Path Towards Autonomous Machine Intelligence
- Wikipedia: Bestärkendes Lernen
- Wikipedia: World Model in Artificial Intelligence
Interaktive Aufgaben
Quiz: Teste Dein Wissen
Was beschreibt ein World Model in der KI? (Ein internes Modell zur Vorhersage von Zuständen und Folgen) (!Eine Liste fest programmierter Befehle) (!Eine reine Datensammlung ohne Vorhersagefunktion) (!Ein Bildschirmdesign für Roboter)
Warum helfen Hierarchien beim strategischen Planen? (Sie zerlegen lange Aufgaben in überschaubare Ebenen) (!Sie ersetzen jede Form von Lernen) (!Sie verhindern grundsätzlich alle Fehler) (!Sie machen Sensordaten überflüssig)
Was bedeutet temporale Abstraktion? (Mehrere Einzelschritte werden zu einer länger wirkenden Handlung zusammengefasst) (!Eine Uhr wird als Trainingsdatensatz verwendet) (!Alle Aktionen werden gleichzeitig ausgeführt) (!Zeit wird im Modell vollständig ignoriert)
Welche Rolle hat ein Agent im Reinforcement Learning? (Er wählt Aktionen und lernt aus Rückmeldungen der Umgebung) (!Er ist nur ein passiver Datenspeicher) (!Er löscht die Umgebung nach jeder Entscheidung) (!Er erzeugt ausschließlich Bilder ohne Zielbezug)
Warum sind flache Planungsansätze bei langen Aufgaben oft problematisch? (Die Zahl möglicher Handlungsfolgen wächst sehr schnell) (!Sie besitzen immer zu viele Hierarchieebenen) (!Sie benötigen keine Daten) (!Sie können nur einfache Texte übersetzen)
Was ist ein Subgoal? (Ein Zwischenziel auf dem Weg zu einem größeren Ziel) (!Ein zufälliger Fehler im Trainingsprozess) (!Eine Belohnung ohne Handlung) (!Ein einzelner Pixel in einem Bild)
Was bedeutet Lernen in Imagination bei World Models? (Ein Agent testet mögliche Handlungsfolgen in einer gelernten Simulation) (!Ein Agent hört vollständig auf zu lernen) (!Ein Modell nutzt nur handgeschriebene Regeln) (!Eine KI plant ohne jede Vorhersage)
Welche Gefahr entsteht durch ein fehlerhaftes World Model? (Pläne können auf falschen Vorhersagen beruhen) (!Das System wird automatisch perfekt erklärbar) (!Alle Belohnungen werden wahr) (!Die Umgebung wird vollständig deterministisch)
Was leisten Optionen oder Skills in hierarchischen Systemen? (Sie bilden wiederverwendbare länger dauernde Handlungsmuster) (!Sie verhindern jede Form von Exploration) (!Sie sind ausschließlich Textausgaben) (!Sie löschen den Planungsraum)
Was ist ein wichtiges Kriterium für ein gutes hierarchisches World Model? (Die geplanten Handlungen funktionieren robust in relevanten Tests) (!Das Modell ist möglichst unüberprüfbar) (!Das Modell nutzt keine Zustände) (!Das Modell hat keine Beziehung zu realen Aufgaben)
Memory
| World Model | internes Vorhersagemodell |
| Agent | handelndes System |
| Policy | gelernte Strategie |
| Subgoal | Zwischenziel |
| Option | abstrakte Handlung |
| Latenter Raum | komprimierte Repräsentation |
| Planner | Auswahl möglicher Handlungsfolgen |
| Reward | Rückmeldung für Lernen |
Drag and Drop
| Ordne die richtigen Begriffe zu. | Thema |
|---|---|
| Strategische Ebene | langfristige Zielauswahl |
| Taktische Ebene | Planung von Zwischenzielen |
| Operative Ebene | Auswahl konkreter Skills |
| Sensorische Ebene | Verarbeitung direkter Beobachtungen |
| Belohnungssignal | Rückmeldung über Erfolg |
| World Model | Vorhersage möglicher Folgen |
Kreuzworträtsel
| Simulation | Wie nennt man eine künstlich erzeugte Umgebung, in der mögliche Folgen getestet werden? |
| Planung | Welcher Prozess vergleicht mögliche Handlungsfolgen vor der Ausführung? |
| Hierarchie | Wie heißt eine geordnete Struktur aus mehreren Ebenen? |
| Abstraktion | Wie nennt man das Weglassen unwichtiger Details zugunsten relevanter Merkmale? |
| Agent | Wie heißt das handelnde System im Reinforcement Learning? |
| Belohnung | Welche Rückmeldung zeigt einem lernenden System, ob ein Ergebnis nützlich war? |
LearningApps
Lückentext
Offene Aufgaben
Leicht
- Begriffsnetz: Erstelle eine Mindmap zu den Begriffen World Model, Agent, Umgebung, Aktion, Belohnung, Hierarchie und Planung.
- Alltagsbeispiel: Beschreibe eine Alltagssituation, in der Du selbst hierarchisch planst, zum Beispiel Kochen, Reisen, Sport oder Lernen.
- Videoanalyse: Schaue das eingebettete Video und notiere fünf Aussagen, die erklären, warum KI für strategisches Planen mehrere Ebenen braucht.
- Skizze: Zeichne den Kreislauf aus Agent, Aktion, Umgebung, Zustand und Belohnung und ergänze, wo ein World Model eingefügt werden könnte.
Standard
- Fallstudie Robotik: Analysiere, welche Hierarchieebenen ein Küchenroboter benötigt, um ein Glas Wasser sicher zu bringen.
- Subgoal-Design: Entwickle für ein Labyrinthspiel sinnvolle Zwischenziele und erkläre, warum sie die Suche verkürzen.
- Vergleich End-to-End und Hierarchie: Vergleiche ein flaches End-to-End-System mit einer hierarchischen Architektur anhand von Planbarkeit, Erklärbarkeit und Fehlerkontrolle.
- Simulationsexperiment: Entwerfe ein kleines Gedankenexperiment, in dem ein Agent erst in einer Simulation übt und danach in einer realeren Umgebung getestet wird.
Schwer
- Hierarchische Architektur: Entwirf eine Architektur für ein Multi-Scale-World-Model mit Encoder, latentem Raum, Dynamikmodell, Planer, Skill-Modul und Controller.
- Fehleranalyse: Beschreibe ein Szenario, in dem ein fehlerhaftes World Model zu einem gefährlichen Plan führt, und entwickle Sicherheitsmaßnahmen.
- Ethik und Sicherheit: Diskutiere, welche Verantwortung Entwicklerinnen und Entwickler tragen, wenn KI-Systeme langfristige Strategien in realen Umgebungen planen.
- Forschungsfrage: Formuliere eine eigene Forschungsfrage zu hierarchischen World Models und skizziere, wie man sie experimentell untersuchen könnte.
|
|
Lernkontrolle
- Transferaufgabe Robotik: Erkläre an einem selbst gewählten Roboterbeispiel, warum ein World Model ohne Hierarchie bei langen Aufgaben an Grenzen stößt.
- Planungsanalyse: Zerlege eine komplexe Aufgabe aus Schule, Beruf oder Alltag in strategische, taktische und operative Ebene.
- Fehlerketten: Analysiere, wie sich ein kleiner Vorhersagefehler in einem World Model über mehrere Planungsschritte vergrößern kann.
- Vergleichsargumentation: Begründe, wann ein flaches neuronales Netz ausreichend sein könnte und wann ein hierarchisches World Model sinnvoller ist.
- Sicherheitsbewertung: Entwickle Kriterien, mit denen man prüfen kann, ob die Simulationen eines KI-Agenten realitätsnah genug für eine Anwendung sind.
- Kausales Denken: Erkläre, warum reine Korrelationen für strategisches Planen oft nicht reichen und welche Rolle kausale Annahmen spielen.
Lernnachweis
Für einen überzeugenden Lernnachweis zu diesem Thema solltest Du zeigen, dass Du zentrale Begriffe korrekt verwendest, Zusammenhänge erklären und eigene Beispiele entwickeln kannst. Wichtig ist nicht nur Faktenwissen, sondern die Fähigkeit, Planungsprobleme auf mehreren Ebenen zu analysieren. Ein guter Lernnachweis enthält eine klare Definition von World Model, Hierarchie, Multi-Scale, Agent, Policy, Option und Subgoal. Außerdem sollte er eine selbst entwickelte Fallstudie enthalten, in der Du eine komplexe Aufgabe hierarchisch zerlegst. Ergänze eine Skizze oder ein Diagramm, eine kurze Risikoanalyse und eine Begründung, wie das Modell getestet werden müsste. Besonders stark ist Dein Lernnachweis, wenn Du Chancen und Grenzen kritisch abwägst und ethische Fragen der KI-Sicherheit einbeziehst.
OERs zum Thema
Links
aiMOOC-Projekte
Schulfach+
|
|
aiMOOCs
aiMOOC Projekte
|
|
THE MONKEY DANCE
{{#ev:youtube | https://youtu.be/rFhZlg38Zf8?si=9KdMNZYRkRD81YTo%7C 500 | center}}
|
{{#ev:youtube | https://youtu.be/Ob7etf9QuBo?si=t_NBA71bWg3Rq3LI%7C 500 | center}}
|
|