Vom Forschungscampus ins KI-Business: KI, symbolisches Denken und datengetriebene Lösungen.

Henri Rößler adressiert eine zentrale Herausforderung moderner KI-Agenten: Damit Reinforcement-Learning (RL)-Agenten komplexere, abstrakte Aufgaben meistern, reicht es nicht, nur rohe Sensordaten zu verarbeiten. Vielmehr müssen sie relationale Konzepte verstehen, also wie mehrere Objekte miteinander in Verbindung stehen - zum Beispiel, ob sich ein Objekt „links von“ einem anderen befindet. Dies ermöglicht es den Agenten, ihre Entscheidungen auf Basis von logischen Regeln, und damit für den Menschen nachvollziehbar und transparent zu treffen. Die dafür nötigen relationalen Konzepte werden in vielen Systemen jedoch heute noch von Menschen per Hand definiert, was stark einschränkt, wie flexibel und universell der Agent in neuen Umgebungen agieren kann.

Vorgeschlagen wird ein neuartiges Framework, in dem relationale Konzepte durch Interaktion mit der Umgebung erlernt werden. Ergänzend kommen große Sprachmodelle (Large Language Models, LLMs) als „schwache Supervisoren“ zum Einsatz, um seltene Belohnungssignale (sparse rewards) zu ergänzen und das Konzeptlernen zu unterstützen.

Für die Evaluation seines Ansatzes hat Henri Rößler mit klassischen Atari-Umgebungen gearbeitet — konkret mit Kangaroo und Seaquest. In diesen Experimenten konnte er zeigen:

• Seine Agenten erreichen eine vergleichbare oder sogar bessere Leistung als Logikagenten, die mit manuell definierten relationalen Konzepten arbeiten.
• Sein System mildert das Problem der Konzept-Fehlausrichtung („concept misalignment“), insbesondere in Umgebungen, in denen ein Konzept nicht eindeutig einem Objekt zugeordnet werden kann.

Darüber hinaus enthält seine Arbeit eine ausführliche Analyse, in der er Grenzen seines Ansatzes auslotet, über mögliche Verbesserungen spricht und Perspektiven für die Zukunft aufzeigt.

• Symbolisch + Subsymbolisch: Accso setzt in vielen Projekten auf eine Kombination aus datengetriebenen KI-Methoden und erklärbaren, regelbasierten Ansätzen. Henri Rößlers Arbeit zeigt, wie man neuro-symbolische Systeme noch flexibler und intelligenter gestalten kann — ein direkt nutzbarer Forschungsbeitrag.
   
• Schwaches Supervision durch LLMs: Der Einsatz von Sprachmodellen, um Lernprozesse zu unterstützen, deckt sich mit aktuellen Trends in der KI-Strategie.
   
• Transfer zu realen Anwendungen: Wenn Agenten relationales Wissen selbstständig lernen, lassen sich solche Konzepte in verschiedensten KI-Lösungen einsetzen — von autonomen Systemen über intelligente Prozesssteuerung bis hin zu digitalen Assistenten, die nicht nur Muster erkennen, sondern die Beziehungen zwischen Entitäten verstehen.
   
• Forschungsnähe & Innovationskultur: Die Veröffentlichung und Anwendung solcher akademischer Arbeiten zeigt, dass Accso nicht nur Technologie einsetzt, sondern aktiv mitprägt. So stärken wir unsere Innovationsfähigkeit und bleiben Vorreiter in der KI-Landschaft.

• Erweiterung auf komplexere Umgebungen: Dieser Ansatz könnte auf realweltlichere Szenarien ausgeweitet werden – zum Beispiel in Produktionsumgebungen, Logistik oder Robotik, wo Objekte sehr viele verschiedene Relationen haben.
   
• Stärkere Integration in Unternehmens-KI-Projekte: Accso könnte das Framework nutzen, um eigene neuro-symbolische Agenten zu bauen, die in Geschäftsprozessen relationales Wissen verarbeiten (z. B. Objekte in einer Lieferkette, Verknüpfungen zwischen Kunden-Entitäten).
   
• Responsible AI & Erklärbarkeit: Da die Konzepte logisch repräsentiert werden, können Entscheidungen von Agenten nachvollziehbarer gemacht werden – das ist besonders relevant für Governance, Compliance und Vertrauen bei KI-Anwendungen.