기존 강화학습의 환경 의존성 한계로 인해 일반화 가능한 AI 시스템 개발 필요성이 제기됨
- 강화학습(Reinforcement Learning, RL)은 시행착오와 보상 기반 피드백을 통해 에이전트가 환경에서의 행동을 학습하는 인공지능 방법
- 로보틱스, 물류, 자원 관리 등 순차적 의사결정이 필요한 문제에서 강력한 성능을 보임
- 그러나 기존 RL 시스템은 학습된 환경에 크게 의존하는 특성이 있어, 환경이 조금만 변해도 적절한 행동을 수행하지 못하는 한계 존재
KIT 연구진은 환경 맥락 정보를 활용하여 강화학습 모델의 적응성과 일반화 성능을 향상시키는 연구를 수행
- 카를스루에공대(KIT)의 Biedenkapp 박사는 강화학습의 일반화 성능 향상을 위한 연구를 수행할 예정
- 해당 연구는 독일연구재단(DFG)은 에미뇌터 프로그램의 지원을 받아 약 6년간 진행되며, 초기 3년간 120만 유로, 이후 평가를 거쳐 추가 92만 유로 지원 예정
- 연구 목표는 RL 학습 방법을 확장하여 보다 강건하고 적응적인 AI 시스템을 구현하는 것임
- 이를 위해 에이전트가 작동하는 환경 및 상황 등 추가적인 맥락 정보를 학습 과정에 포함하고, 상황별로 적절한 행동을 학습하도록 하며, 유사하지만 새로운 환경에도 적용 가능하도록 설계함
강화학습의 실제 적용 가능성을 확대하고 다양한 산업 분야에서 활용도를 높일 것으로 기대됨
- 본 연구는 강화학습 시스템이 다양한 환경에서 유연하게 작동할 수 있도록 하여 기존의 환경 의존성 문제를 완화
- 특히 정밀한 시뮬레이션에 대한 의존도를 낮출 가능성을 제시하며, 기존에는 실제 환경을 정밀하게 모사한 시뮬레이터가 필요했으나 비용과 구현 난이도가 높아 활용에 제한이 있었던 문제를 완화할 수 있음
- 일반화 성능이 향상될 경우, 모든 상황을 완벽히 시뮬레이션하지 않아도 되어 기술 적용 범위가 크게 확대될 것으로 기대됨
