Veranstaltungen und Meldungen bei uns

Anwendungen des maschinellen Lernens finden Einzug in unseren Alltag und bieten für das Gesundheitswesen eine Chance auf verbesserte Diagnosen und Behandlungen. Innerhalb des Projekts D4 wird an einem Reinforcement Learning Controller zur Blutzuckerregulierung bei Typ 1 Diabetespatienten geforscht. Eine künstliche Bauchspeicheldrüse kann Patienten durch die automatisierte Blutzuckerkontrolle entlassten und Blutzuckerschwankungen reduzieren. Reinforcement Learning bietet die Möglichkeit einer Closed-Loop Kontrolle mit personalisierter Insulinverabreichungen basierend auf Echtzeitdaten des Blutzuckerspiegels auf dessen Veränderungen frühzeitig reagiert werden kann. Die Forschung erfolgt in Simulationen mit virtuellen Patienten. Die Anwendung zeigt sowohl Chancen als auch Grenzen von Reinforcement Learning, komplexe medizinische Entscheidungsprozesse zu verbessern und individuelle Gesundheitsziele zu erreichen.
Beim maschinellen Lernen, einem Teilgebiet der künstlichen Intelligenz, werden Lösungswege nicht explizit programmiert, sondern anhand von Daten mit statistischen Methoden gelernt. Reinforcement Learning (bestärkendes Lernen) ist eine Form des maschinellen Lernens, bei der ein Agent durch Interaktion mit seiner Umgebung Entscheidungen trifft. Das Lernen erfolgt hierbei durch einen Trail-and-Error-Ansatz und dem Versuch der Maximierung einer Belohnung. Policy Iteration ist ein Verfahren der dynamischen Programmierung, bei dem der Agent schrittweise seine Entscheidungsstrategie verbessert, indem er abwechselnd seine Policy bewertet und basierend auf der Bewertung verbessert. In diesem Vortrag soll am Beispiel Policy Iteration vermittelt werden, wie die mathematischen Konzepte hinter Reinforcement Learning funktioniert.
Wie kann der Agent eigenständig lernen bessere Entscheidungen zu treffen?