Machinaal leren in menselijke situaties
Reinforcement learning, een vorm van machinaal leren, heeft al veel succes behaald in gecontroleerde omgevingen. Met het onderzoek van Floris den Hengst, onderzoeker kunstmatige intelligentie, komt ook de toepassing op menselijke situaties een stap dichterbij.
Reinforcement learning (RL) draait om het opeenvolgend kiezen van acties aan de hand van een situatie. Deze acties moeten zo goed mogelijk zijn, en met een score wordt beoordeeld wat een goede actie was. Er is recentelijk veel aandacht voor RL. Zo werd het gebruikt om het ontwerp van computerchips te verbeteren, en kan het bijvoorbeeld de wereldkampioen schaken verslaan.
Menselijke omgevingen
Maar de successen van RL zijn in sterk gecontroleerde omgevingen behaald. Den Hengst onderzocht daarom wat er nodig is om RL beter te kunnen gebruiken in menselijke omgevingen. Hij stelt dat het een goed idee is om symbolische en subsymbolische AI te combineren.
Symbolisch en subsymbolisch
Symbolische AI maakt intelligente machines aan de hand van abstracte beschrijvingen die goed te begrijpelijk zijn voor mensen, en is goed in het verwerken van nieuwe kennis. Subsymbolische AI, zoals RL, maakt intelligente machines aan de hand van beschrijvingen die voor mensen niet begrijpelijk hoeven zijn. Dit werkt goed op ongestructureerde kennis zoals waarneming en beweging.
Combinatie
Den Hengst laat zien dat het combineren van beide vormen kan zorgen voor betere oplossingen op verschillende terreinen, zoals de optimale instellingen van beademingsapparaten op de IC en het verbeteren van een chatbot voor financiële producten.
Meer informatie over het proefschrift