Spørgsmål og svar:Sådan får AI-systemer til at lære bedre

Kunstige intelligenssystemer er smarte. De kan genkende mønstre bedre end for eksempel mennesker. Men der er stadig meget brug for mennesker. Hvordan kan du bedre styre disse AI-systemer? LIACS-underviser Jan van Rijn skrev en bog om dette sammen med en række kolleger. Vi stillede ham et par spørgsmål.

Hvad står der i bogen, og hvem er den beregnet til?

Denne bog handler om de forskellige aspekter af metallæring. Metallæring betyder at lære om læringsprocessen, det understøtter computereksperter til bedre at styre læringsprocessen i AI-systemer. Bogen har til formål at give kolleger på området et samlet syn på aktuelle teknikker inden for metallæring. Fordi det er frit tilgængeligt, bruges det også som undervisningsmateriale i masterkurser.

Hvilket problem løser metallæring?

Van Rijn:Kunstig intelligens-systemer er bedre til at genkende mønstre end mennesker. En række betingelser skal da være opfyldt. For eksempel skal der være tilstrækkelige data af god kvalitet, og du skal vælge en god modeltype.

Kendte modeltyper inden for datavidenskab omfatter neurale netværk, beslutningstræer og såkaldte gaussiske processer (en modeltype fra matematik, red.). Disse modeller kan genkende mønstre i data. Modeltyperne har forskellige parametre, der styrer læringsprocessen. Alle disse parametre skal vælges korrekt. Når denne betingelse er opfyldt, producerer den ofte fremragende ydeevne, men når den ikke er det, er ydeevnen af ​​AI-systemer skuffende. Derfor er menneskelig ekspertise fortsat vigtig, for at styre læringsprocessen i disse systemer.

Hvilken løsning er fundet på dette problem?

Herefter ser man på tidligere læreprocesser, og om man kan overføre erfaringer fra dem til fremtidige læreprocesser. For eksempel kan du støtte den menneskelige ekspert i at vælge en modeltype eller finjustere de ovennævnte parametre.

Hvad kan metalearning ellers bruges til?

For eksempel når der er få data til rådighed. I nogle tilfælde kan du overføre data fra et domæne til et domæne, hvor der er få data til rådighed. Dette kan være meget nyttigt til f.eks. medicinske applikationer, hvor der ofte mangler data.