25/01/2022
Door Ad Spijkers
Nieuwe methode kan ook robots voor agrarische sector veiliger maken.
Het momenteel dominante type kunstmatige intelligentie, deep learning, kan zelfs de meest complexe problemen in onze wereld op een indrukwekkende manier oplossen. Maar diepgaande leertechnieken vereisen meestal een enorm aantal voorbeelden, samen met een oplossing die al door een leraar is geleverd om deze vaardigheden te leren. Als de eisen iets veranderen, zakt vaak de performance van deze systemen.
Bovendien is het meestal nauwelijks duidelijk hoe deep learning agenten tot hun oplossingsaanpak komen – hun oplossing is meestal niet begrijpelijk voor mensen, niet 'verklaarbaar'.
Nieuwe agent
Een team van de Universität Regensburg (UR) en de Hochschule Weihenstephan-Triesdorf (HSWT) heeft een intelligent middel ontwikkeld dat fundamenteel anders leert van deep learning-methoden. Het is gebaseerd op het voorbeeld van mensen.
Net als een spelend kind beïnvloedt de nu ontwikkelde agent zijn omgeving in eerste instantie op verschillende manieren. Hij gebruikt zijn reacties om een intuïtief begrip te krijgen van de effecten die zijn acties doorgaans hebben in verschillende situaties. Dit is een 'weergave' van een grote verscheidenheid aan oorzaken. Deze effectrelaties worden in expertkringen ook wel 'intuïtieve fysica' genoemd.
Eenmaal verworven, stelt deze 'intuïtie' de agent in staat zijn acties voor een breed scala aan taken van tevoren te plannen en – in extreme gevallen – om nieuwe problemen met succes op te lossen op de specificatie van slechts een enkel voorbeeld.
Prototype
De agent is nog steeds een kleinschalig prototype dat tot nu toe alleen in een beperkte omgeving is getest. De probleemklasse is beperkt tot acties die kunnen worden uitgevoerd met een rechtopstaande, beweegbare staaf: deze balanceren, zachtjes tegen een muur leunen, zo hard mogelijk tegen de muur slaan, laten slingeren, enz. Maar dit alleen heeft al aangetoond dat de nieuwe agent een bepaald gegeven probleem net zo goed oplost als bestaande methoden. Hij reageert echter ook vele malen flexibeler op nieuwe situaties en ook altijd de oplossing gevonden om ook te begrijpen. ('Verklaarbare Kunstmatige Intelligentie').
Flexibele, causaal werkende kunstmatige intelligentie zou onder meer een steeds grotere rol kunnen spelen bij groene vraagstukken, bijvoorbeeld bij veehouderij (flexibel gedrag) of bij de besturing van autonome bedrijfsvoertuigen (landbouwrobots, onverwachte obstakels).
Illustratie: UR/HSWT