TNO gaat in de komende vier jaar het toegepaste onderzoek versterken in artificiële intelligentie (ai). Naast bestaand onderzoek in autonome systemen zoals zelfrijdende voertuigen en de ondersteuning van personen bij het uitvoeren van taken (mens-machinesamenwerking), wordt uitgebreid naar life cycle management van ai. 'Data kunnen aangeven dat een voertuig sneller moet, maar de motor moet dat wel aankunnen.'
Frans van Ette, programmadirecteur bij TNO voor toegepaste ai, gaat dit aankondigen tijdens het evenement Appl.ai Splash in Jaarbeurs Utrecht, dat 6 oktober in aanvang neemt. ‘Begin volgend jaar komt er meer aandacht voor de verbetering van ai-systemen tijdens hun levensduur,’, zegt hij in een voorgesprek. ‘Het bijzondere van dergelijke systemen dat ze leren van de data waarmee ze worden gevoed. Systemen zijn adaptief te maken. Onderzocht wordt hoe je dat het beste kunt doen. Neem de ruimtevaart waar de werking van systemen aan boord van een satelliet via machine learning valt te verbeteren. Ook de batterijen van elektrische auto’s gaan dankzij ai langer mee door aanpassingen op basis van data.’
Data kunnen tot nieuwe inzichten leiden. Maar er is volgens Ette ook extra engineering nodig om te voorkomen dat het lerende systeem geen gekke dingen gaat doen. ‘Data kunnen bijvoorbeeld aangeven dat een voertuig sneller moet maar de motor moet dat wel aankunnen. In het tweede nieuwe programma komt daarom de engineering kant van lifecycle management erbij.
Regels van de ethiek
Verder moeten ai-systemen zich ook netjes gedragen volgens de regels van de ethiek. Ze moeten een bepaalde moraliteit meekrijgen. Bekend is het voorbeeld van een zelfrijdende auto die in een situatie terechtkomt waarbij deze uit twee kwaden moet kiezen: twee bejaarden aanrijden of een moeder met een baby. Als er geen tijd meer is voor een menselijke interventie is het de vraag hoe je die auto moet programmeren. Of moet het systeem überhaupt wel kiezen en het aan het toeval overlaten? In tijdkritische systemen zijn er ethische keuzes en juridische randvoorwaarden die we vooraf moeten inbouwen.’
In de afgelopen vier jaar is in Nederland aardig wat vooruitgang geboekt bij autonome systemen. ‘Deze zijn intelligenter, slimmer en zelfstandiger geworden. Denk aan de robothond die in een brandend gebouw zijn weg kan vinden, objecten kan herkennen en mensen kan redden. Maximale autonomie is hierbij het doel. Bij het tweede onderzoeksgebied, dat van de mens-machine-interactie, is de inzet van ai bij de individualisering van adviezen bij diabetes type 2 succesvol gebleken. Hoe meer data beschikbaar komen, des te meer een toegespitst advies is te geven. Een arts heeft weer andere informatie nodig dan een patiënt. De eerste wil informatie hebben over metabolismen en bloedwaarden, terwijl aan de laatste wordt verteld dat hij meer moet bewegen en gezonder moet eten. Maar al deze informatie komt uit hetzelfde doosje.’
Leerervaringen delen
Van Ette roept de Nederlandse ai-gemeenschap op zoveel mogelijk leerervaringen te delen. Hoe opener de communicatie hierover is, des te meer valt hiervan te leren. De ervaringen bij een project van Canon rond het voorspellen van onderhoud aan grote printersystemen kunnen bijvoorbeeld weer leerzaam zijn voor Rijkswaterstaat bij het onderhoud van dijken en bruggen.
De grote uitdaging om het concurrentievermogen van de Nederlandse industrie te verbeteren en innovatieve oplossingen te ontwikkelen die ons gezond en veilig houden, is dan ook het samenbrengen van ai-expertise en domeinkennis. Het evenement App.ai Splash geeft daar een aanzet toe.
