Techblog

DeepDive: Multi-Agent Reinforcement Learning

Von Petra Meyer @wunderimalltag auf Twitter
16. Januar 2019

Jorrit Posor schreibt in unserem Bereich Data Science und Machine Learning über Multi-Agent Reinforcement Learning. Dahinter verbirgt sich das Problem, wie die Aktionen von mehreren Akteuren aufeinander abgestimmt werden können.

Im Video zeigt Jorrit das sehr plastisch am Beispiel einer verteilten Taxiflotte, die – von ihren verschiedenen Standorten aus – Fahrgäste an verschiedenen Plätzen abholen sollen.

Das skaliert das klassische Optimierungsproblem: Auf viele Agenten verteiles Entscheiden und Koordinieren ist skalierbarer als zentrales Entscheiden ohne Koordination. Machine Learning ermöglicht die statistische Generalisierung ähnlicher Situationen, was einen weiteren Skalierbarkeitsfaktor mit sich bringt. So werden größere und komplexere Szenarien handhabbar.

Im Video erfährst Du, wie Muti-Agent Reinforcement Learning das Problem löst.

Deutsch

Kommentare

Klingt spannend. Viel Erfolg, Jorrit!

Neuen Kommentar schreiben

Public Comment form

  • Zulässige HTML-Tags: <a> <em> <strong> <cite> <blockquote> <code> <ul> <ol> <li> <dl> <dt> <dd><p><h1><h2><h3>

Plain text

  • Keine HTML-Tags erlaubt.
  • Internet- und E-Mail-Adressen werden automatisch umgewandelt.
  • HTML - Zeilenumbrüche und Absätze werden automatisch erzeugt.

ME Landing Page Question