Sleutel tot AI-innovatie: mens-AI-interactie

Claudia Hauff

Frans Oliehoek

De TU Delft doet veel fundamenteel onderzoek op het gebied van AI. Belangrijke thema’s zijn het verbeteren van slimme systemen voor informatievergaring en besluitvorming in complexe omgevingen. Onderzoekers Claudia Hauff en Frans Oliehoek vertellen over de uitdagingen in hun vakgebied.

Dr. Claudia Hauff, universitair hoofddocent, is leider van het Lambda-Lab in Delft. Daar staat information retrieval centraal: onderzoek naar strategieën om optimaal informatie op te halen. Hauff probeert bijvoorbeeld de resultaten van zoekopdrachten te verbeteren via de interactie tussen de gebruiker en een slim zoeksysteem. Hauff: "Denk aan Siri of Google Voice, maar dan beter. Systemen die uit opeenvolgende zoekopdrachten oppikken wat de gebruiker echt nodig heeft, en dat een volgende keer beter doen."

Machine Learning AI

Leerprocessen ondersteunen

 

Hauff ontwikkelt ook slimme systemen die leerprocessen ondersteunen. Daarvoor gaat ze onder andere na welke eigenschappen van een leerproces erop wijzen dat de gebruiker leert. En welke vaardigheden het algoritme dan nodig heeft om leren te bevorderen. Hauff: "Mensen onthouden bijvoorbeeld beter als ze na afloop van een zoekopdracht vragen maken. Wij onderzoeken hoe een systeem relevante vragen kan bedenken en aanbieden."

Hauffs ambitie is om in de toekomst information retrieval te combineren met het optimaliseren van leerprocessen. De toepassingen zijn breed. Hauff: "Van een zorgverlener die op de werkvloer leert via een voice-systeem. Tot een boer die op het veld iets opzoekt, waarna het AI-systeem de gewasverzorging aanpast."

 

Trainingsdata

 

De slimme systemen werken op basis van machine learning: algortimen die leren uit trainingsdata (zie kader). Hauff gebruikt vooral een bepaald type: deep-learning. Maar voldoende data vinden is een uitdaging, vertelt Hauff. "Uit data van online zoekmachines kunnen we leren hoe mensen zoeken en daarmee slimme systemen trainen. Maar die data zijn niet openbaar." Hauff werkt daarom met een andere databron, dicht bij huis. De TU Delft biedt namelijk meer dan tachtig toegankelijke online cursussen, waaraan ruim 2 miljoen mensen deelnemen. Hauff voert daarin interventies uit. "We leggen bijvoorbeeld vragen voor na een les, of tonen resultaten van andere deelnemers. En kijken dan hoe het gedrag verandert. Dat is trainingsdata voor onze deep-learningsystemen."

 

Verkeerssimulaties

 

Ook in het onderzoek van universitair hoofddocent dr. Frans Oliehoek staan interacties centraal, maar dan die tussen AI en mens én tussen slimme systemen onderling. Oliehoek leidt het project INFLUENCE, dat interactief leren, besluitvorming en abstractie onderzoekt in complexe situaties met onzekerheden. Denk bijvoorbeeld aan verkeerssimulaties waaraan meerdere slimme systemen meedoen. Oliehoek is ook betrokken bij ELLIS-Delft (zie kader). "Hauff en ik hebben een gezamenlijke doel: de interactie tussen mens en systeem ondersteunen."

Een zelfrijdende auto laten beslissen op een kruispunt, dat lukt de huidige slimme systemen wel in simulaties. Maar de algoritmes die Oliehoek ontwikkelt, richten zich op een grotere schaal. "Denk niet aan data van één kruispunt maar aan alle verkeersdata in een stad. Duizenden variabelen. Dat willen we kunnen managen." Via reinforcement learning (zie kader) leert Oliehoek slimme systemen om een reeks beslissingen te nemen, waardoor ze abstracter kunnen denken. Oliehoek: "Daardoor kunnen zelfrijdende auto's omgaan met onzekerheden, zoals het effect van regen op de wegligging. Of anticiperen op andere slimme systemen. De simulaties zijn er om de fundamentele principes te toetsen."

 

Balanceren

 

De schaalvergroting is tevens de grote uitdaging. En dan vooral: systemen aanleren om te balanceren tussen de exploitatie van aanwezige kennis (volg de regel 'blijf op je rijbaan') en anderzijds de exploratie naar nieuwe kennis (probeer iets nieuws uit en leer ervan). En in complexe simulaties krijgt een systeem ook nog te maken met verwachtingen die andere systemen hebben. Oliehoek: "We ontwikkelen verschillende strategieën om systemen te leren hoe ze moeten omgaan met afwegingen, zoals resultaat op lange versus korte termijn."

Zulk fundamenteel onderzoek zorgt voor doorbraken en proofs of concepts voor lerende AI-systemen in complexe interactieve systemen zoals robots en zelfrijdende auto's. Daarin loopt Delft ver voor, ten opzichte van bijvoorbeeld techbedrijven. Oliehoek: "Veel doen ook AI-onderzoek, maar slechts een paar richten zich op mens-AI-interactie en dan voor computerspellen als Go. Delft is sterk in het nadenken over hoe je AI-systemen maatschappelijk kunt en ethisch moet gebruiken."

 

Terug naar overzicht

/* */