Eines der großen Versprechen der digitalen Transformation ist es, unseren Daten mithilfe von Algorithmen neue Erkenntnisse und Handlungsweisungen zu entlocken. Dies soll dann zu besseren Prozessen, Produkten und neuen Geschäftsmodellen führen. Aber wie so oft ist das leichter gesagt als getan.

Unser Team hat sich Gedanken dazu gemacht, wie man vernetzten Team dazu  verhelfen kann, Ihr wissen noch besser auszutauschen. In unserem E-Book zeigen  wir Ihnen wie keeeb dabei hilft die Datenflut unter Kontrolle zu bringen und  Ihre Effizienz nachhaltig zu steigern!

Ein vielversprechender Lösungsansatz kommt aus dem Gebiet des Deep Reinforcement Learning.

Deep Reinforcement Learning kombiniert Deep Neural Networks, die sich durch das Erkennen von Mustern in großen Datenmengen auszeichnen, mit Reinforcement Learning, bei dem das Lernen an ein Belohnungssignal geknüpft ist, wie z. B. das Gewinnen eines Spiels wie bei Go oder das Erreichen einer hohen Punktzahl wie bei dem Spiel Super Mario Bros.

Im März 2016 gewann das auf diesen Prinzipien basierende Computerprogramm AlphaGo 4:1 gegen den 18-fachen Go-Champion Lee Sedol. Seitdem hat sich in diesem Feld viel getan und es wurden immer bessere Programme entwickelt und veröffentlicht.

Die neuste Version dieser Programme heißt MuZero. MuZero übertrifft die Leistung von AlphaZero in den Spielen Schach und Shogi (eine japanische Variante des Schachspiels), verbesserte seine Leistung in Go (womit es einen neuen Weltrekord aufstellte) und übertraf den Stand der Technik bei der Arcade Learning Environment Challenge. Hierbei geht es darum, wie gut MuZero eine Auswahl von 57 Atari-Spielen beherrscht. Es dominiert sie alle.

Es ist mehrfach bewiesen, dass Programme dieser Art übermenschliche Ergebnisse bei komplexesten Spielen erreichen können. Aber können wir diese Programme auch für die Lösung geschäftlicher Probleme nutzen?

63 Millionen Dollar pro Jahr.

Diese Frage stellte sich auch ein gemeinsames Forschungsteam von Exelon und dem weltbekannten MIT. Exelon mit Sitz in Chicago besitzt und betreibt 21 Kernreaktoren in den Vereinigten Staaten. Die zu klärende Fragestellung lautete: “Können wir Deep Neural Networks und Deep Reinforcement Learning nutzen, um damit das Design von Atomreaktoren zu verbessern und so Kosten einsparen?“.

Einer der besten Wege, um bei dieser Art der Energiegewinnung Kosten zu sparen, liegt tief im Reaktorkern. Wenn die Brennstäbe ideal platziert sind, verbrennen sie weniger Brennstoff und benötigen weniger Wartung. Durch jahrzehntelange Entwicklung haben Atomingenieure gelernt, immer bessere Layouts zu entwerfen, aber nun sollte eine Künstliche Intelligenz der Optimierung einen neuen Schub geben.

Indem der Designprozess in ein Spiel transformiert wurde, konnten die Forscher das Äquivalent von 36.000 Simulationen durchführen, um die optimalen Konfigurationen zu finden. Die Lebensdauer der Brennstäbe in einer Baugruppe konnte damit um etwa 5 Prozent verlängert werden, was bei einer Übertragung auf den gesamten Reaktor Einsparungen in Höhe von 3 Millionen US-Dollar pro Jahr bedeutet. Für die 21 Reaktoren, die Exelon betreibt, sind das 63 Millionen Dollar pro Jahr.

In diesem von der KI entworfenenLayout für einen Siedewasserreaktor sind die Brennstäbe ideal um zwei festeWasserstäbe herum angeordnet, um effizienter zu brennen. MIT-Forscher führtendas Äquivalent von 36.000 Simulationen durch, um die optimalen Konfigurationenzu finden, die die Lebensdauer der Stäbe in einer Baugruppe um etwa 5 Prozentverlängern könnten, was bei einer Übertragung auf den gesamten ReaktorEinsparungen von 3 Millionen Dollar pro Jahr bedeuten würde. Die Farbenentsprechen den unterschiedlichen Mengen an Uran und Gadoliniumoxid in jedemStab. Quelle: Majdi Radaideh/MIT

Wir brauchen neue Übersetzer.

Dieses Beispiel macht deutlich, dass neue Technologien meist eine Übersetzung oder Transformation erfordern, um sie für uns nutzbar zu machen. Im beschriebenen Fall ist das die Fähigkeit, unsere Fragestellung als Spiel zu formulieren. Ohne diese Übersetzungsarbeit können wir nicht erwarten, dass wir die Vorteile neuen Technologien nutzen können.  

Im Keeeb Lab arbeiten wir immer daran, neuen Funktionen zu entdecken und in zukünftigen Produktversionen verfügbar zu machen. Zum Beispiel berechnen wir anhand von userspezifischen Triggern den persönlichen Wissenstand zu verschiedenen Themengebieten, um noch passendere Suchergebnisse zu präsentieren.

Hierfür trainieren wir unseren Agenten, der die Position der verschiedenen Themengebiete zueinander berechnet und mit jeder günstigen Positionsveränderung mehr Punkte verdient, basierend auf wissenschaftlich ermittelten Bedingungen und Regeln.

Wenn man jetzt einen Kollegen sucht, um einige Fragen zu besprechen, dann findet Keeeb auch jemanden, der mehr über das Thema weiß als man selbst. Das steigert nicht nur die effektivere Zusammenarbeit untereinander, sondern auch die Wertschätzung füreinander.

Wenn Sie mehr darüber erfahren wollen, wie gut Sie die Keeeb Technologie bereits heute in Ihrer Arbeit unterstützen kann, dann buchen Sie unter https://www.keeeb.com/de/demo jederzeit eine kurze Live-Demo.

Referenz: "Physics-informed reinforcement learning optimization of nuclear assembly design" von Majdi I. Radaideh, Isaac Wolverton, Joshua Joseph, James J. Tusar, Uuganbayar Otgonbaatar, Nicholas Roy, Benoit Forget und Koroush Shirvan, 5. Dezember 2020, Nuclear Engineering and Design.

DOI: 10.1016/j.nucengdes.2020.110966

Hier das E-Book zum Teambuidling herunterladen!