Generieke systemen voor artificiële intelligence (ai) die verschillende soorten problemen beter dan de mens kunnen oplossen, zijn nog verre toekomst. Het is zelfs maar de vraag of dit soort intelligente systemen die alle intellectuele taken van de mens kunnen overnemen, er ooit zullen komen.
Dit stelt Mark Winands, hoogleraar Machine Reasoning aan de Universiteit van Maastricht. Hij ging vorige week tijdens zijn inaugurele rede uitgebreid in op de mogelijkheden van generieke redeneermethoden. Die zijn er zeker. De universiteit heeft al wat redenerende machines in de praktijk beproefd, onder meer bij het ontwerpen van de inrichting van gebouwen. De Limburger, verbonden aan het Department of Advanced Computing Sciences, wil echter niet spreken van een hype.
Machinaal redeneren, een nieuwe categorie ai-techniek die zich onderscheidt van machine leren, kan ‘een eindje weg redeneren’ maar is bij lange na niet zo slim als de mens. Improviseren valt dit soort systemen zwaar, laat Winands weten. Met onvoorziene omstandigheden waarbij de gevolgen onbekend zijn, kan dit soort ai niet goed omgaan.
Tekortkomingen
Volgens Winands kan machinaal redeneren ons wel helpen een aantal tekortkomingen van machine learning te overwinnen zoals het onvermogen om niet vooraf bepaalde problemen op te lossen. Ook faalt machine learning als er te weinig data zijn. Deze techniek werkt ook minder goed als data worden aangeboden die vallen buiten de distributie waarop de algoritmen zijn getraind. Machine leren mist het vermogen om te generaliseren en iets met eerder opgedane ervaringen in andere situaties te doen.
Bij machinaal redeneren komt daarentegen wel abstract denken om de hoek kijken. Geprobeerd wordt de computer als een mens te laten denken en voort te borduren op eerder verworven kennis. Algoritmen worden gebruikt om efficiënt te zoeken in algemene oplossingsruimten.
Winands richt zich met name op geautomatiseerde besluitvormingsprocessen. Hij ontwikkelt rationeel handelende computerprogramma’s, die zelfstandig kunnen doordenken wat de consequenties van een besluit zijn. In zijn inaugurele rede stond de redeneermethode Monte Carlo Tree Search (MCTS) centraal. Deze methode wordt de laatste jaren steeds meer toegepast bij optimalisatie en planning. Het willekeurige element is de sleutel tot het succes geweest. De hoogleraar legde uit hoe deze werkwijze aansluit bij nieuwe ontwikkelingen op het gebied van ai. Een ai-systeem kan veel scenario’s op basis van de wensen van een gebruiker doorrekenen.
