Reinforcement Learning: Implementierung – RL-Umgebungen entwerfen & umsetzen
Praxisworkshop zur Übertragung realer Problemstellungen in Reinforcement-Learning-Aufgaben sowie zur Entwicklung, Implementierung und Evaluation eigener RL-Umgebungen mit Python und Gym.
Wie lässt sich ein konkretes Problem aus der Praxis so formulieren, dass ein KI-Agent lernen kann, es zu lösen? Der Workshop „Reinforcement Learning: Implementierung – RL-Umgebungen entwerfen & umsetzen“ des KI-Servicezentrums Berlin-Brandenburg am Hasso-Plattner-Institut vermittelt den praktischen Arbeitsprozess von der Problemstellung bis zur Entwicklung einer eigenen Reinforcement-Learning-Umgebung.
Anhand eines einfachen Anwendungsbeispiels, etwa der Steuerung eines Energiespeichers, lernen die Teilnehmenden, wie eine Aufgabe für Reinforcement Learning strukturiert wird. Dabei geht es zunächst darum, einzuschätzen, ob RL für die jeweilige Problemstellung geeignet ist. Anschließend werden Zustände, mögliche Aktionen und Belohnungssignale definiert und eine entsprechende Umgebung mit der Python-Bibliothek Gym umgesetzt.
Ein weiterer Schwerpunkt liegt auf der Überprüfung und Anpassung des gewählten Ansatzes. Ziel ist es, den gesamten Entwicklungsprozess kennenzulernen und die gewonnenen Kenntnisse auf eigene Problemstellungen übertragen zu können. Der Workshop richtet sich an Teilnehmende, die bereits über grundlegende Kenntnisse in Python und Reinforcement Learning verfügen und diese praktisch vertiefen möchten.
- Datum: 16. Dezember 2026
- Uhrzeit: 10:00–13:00 Uhr
- Ort: Hasso-Plattner-Institut, Prof.-Dr.-Helmert-Straße 2–3, 14482 Potsdam
- Veranstalter: KI-Servicezentrum Berlin-Brandenburg am HPI
- Teilnahme: Kostenfrei, verbindliche Anmeldung über Eventbrite
- Sprache: Deutsch
- Zielgruppe: Entwickler:innen, Studierende, Forschende und KI-Anwender:innen mit Grundkenntnissen in Python und Reinforcement Learning
- Fokus: Reinforcement Learning, Entwicklung von RL-Umgebungen, Agent-Umgebungs-Interaktion, Zustände, Aktionen, Belohnungssignale und Python
- Praxisanteil: Entwurf und Implementierung einer RL-Umgebung mit der Python-Bibliothek Gym, beispielsweise anhand der Steuerung eines Energiespeichers
- Lernziele: Eignung von RL einschätzen, Aufgaben formulieren, Umgebungen implementieren sowie Ansätze überprüfen und anpassen
- Vorkenntnisse: Grundkenntnisse in Python und Reinforcement Learning; Begriffe wie Agent, Zustand, Aktion, Belohnung und Strategie sollten bekannt sein
- Mitbringen: Eigener Laptop
- Hinweis: Während der Veranstaltung werden Foto-, Ton- und Filmaufnahmen erstellt