Industrielle Agenten und Agenten-basiertes Lernen im technischen Kontext

Datenverarbeitungsprozesse werden immer komplexer hinsichtlich der Datenmenge, Datendimension und dem Zusammenhang der abgeleiteten Informationen mit den Eingangsdaten. Dieses wird bei sensorischen Messprozessen besonders deutlich, wo Messunsicherheiten, Kalibrierungsfehler, und Unzuverlässigkeit von Sensoren signifikanten Einfluss auf die Informationsgewinnung haben. Gerade im technischen und industriellen Kontext stellt die zunehmende Komplexität und Verteilung der Datenverarbeitung ein zunehmendes Problem dar. Häufig stehen hinter der Informationsableitung mathematische Modelle und Funktionen, die aber nicht immer vollständig sind. Geht es um die Gewinnung von Zustandsaussagen eines Systems oder um Adaption, können Lernverfahren eine Alternative darstellen. Traditionell werden Messdaten zentral gesammelt und ausgewertet. Es soll aufgezeigt werden, wie verteiltes Maschinelles Lernen mit mobilen Agenten und selbst-organisierenden Systemen einen signifikanten Beitrag zur Verbesserung der Datenverarbeitung in technischen und industriellen Systemen leisten kann, dieses sowohl hinsichtlich der Qualität der Aussagen von Schlussfolgerungen, der Effizienz als auch der Robustheit. Dieser Beitrag soll einen Überblick der verschiedenen Teilbereiche Lernen, Agenten und Architekturen geben.