Onderzoek maakt AI betrouwbaarder bij veranderende data
Machine learning kan veel beter omgaan met veranderende en onvolledige gegevens dan tot nu toe werd aangenomen. Dat blijkt uit onderzoek van datawetenschapper Luis Silvestrin, die nieuwe methoden ontwikkelde om tijdreeksen van sensordata – zoals metingen uit machines of medische apparatuur – betrouwbaarder te analyseren.
In de praktijk veranderen dit soort gegevens voortdurend. Sensoren worden aangepast, omstandigheden wisselen en belangrijke signalen, zoals storingen of medische complicaties, komen vaak maar zelden voor. Volgens Silvestrin schieten standaardmethoden voor machine learning daardoor regelmatig tekort. Ze gaan er impliciet van uit dat data stabiel blijft, terwijl dat in werkelijkheid zelden het geval is.
Het onderzoek laat zien dat er wél bruikbare voorspellingen mogelijk blijven, mits algoritmes expliciet rekening houden met die veranderlijkheid. Silvestrin ontwikkelde technieken die beter omgaan met beperkte en evoluerende datasets. Deze methoden bleken effectief in onder meer industriële toepassingen en de gezondheidszorg.
Minder storingen en betere zorgbeslissingen
De maatschappelijke impact van deze bevindingen kan groot zijn. In de industrie kunnen bedrijven met de nieuwe aanpak eerder afwijkingen in machines detecteren, nog voordat storingen optreden. Dat bespaart kosten en voorkomt stilstand. Een concreet voorbeeld is een waarschuwingssysteem voor oververhitting van motoren in transportbanden. De nieuwe methoden helpen om zeldzame problemen niet te missen, terwijl ze tegelijkertijd het aantal valse alarmen beperken.
Ook in ziekenhuizen biedt dit kansen. Artsen moeten vaak beslissingen nemen op basis van beperkte en voortdurend veranderende patiëntgegevens. De nieuwe technieken kunnen bijvoorbeeld ondersteunen bij het bepalen van het juiste moment om een beademingsbuis te verwijderen op de intensive care, zelfs wanneer er nog weinig nieuwe data beschikbaar is.
AI die meebeweegt met de werkelijkheid
De kern van het onderzoek is dat kunstmatige intelligentie beter werkt als systemen zich aanpassen aan verandering, in plaats van uit te gaan van een stabiele wereld. Dat is relevant in een tijd waarin steeds meer beslissingen afhangen van data die onvolledig, ruisgevoelig en dynamisch zijn.
Sommige toepassingen van de nieuwe methoden zijn al direct inzetbaar, omdat ze getest zijn in realistische omgevingen. Voor bredere toepassing is wel verdere validatie nodig, afhankelijk van de specifieke sector.
Het onderzoek sluit daarmee aan bij grotere maatschappelijke ontwikkelingen, zoals de opkomst van slimme zorgsystemen, betrouwbaardere industrie en de groeiende rol van AI in complexe, realistische situaties.
Meer informatie over het proefschrift
