Hoe je AI-systemen beter kunt laten leren
Kunstmatige intelligentiesystemen zijn slim. Patronen herkennen kunnen ze bijvoorbeeld beter dan mensen. Toch blijft die mens nog hard nodig. Hoe kun je die AI-systemen beter sturen? LIACS- docent Jan van Rijn schreef er samen met een aantal collega’s een boek over. We stelden hem een paar vragen.
Wat staat erin het boek en voor wie is het bedoeld?
‘Dit boek gaat over de verschillende aspecten van metalearning. Metalearning betekent ‘leren over het leerproces’, het ondersteunt computerexperts om het leerproces van AI-systemen beter te sturen. Het boek is bedoeld om collega’s uit het vakgebied een uniform beeld te geven van de huidige technieken op het gebied van metalearning. Omdat het vrij toegankelijk is, wordt het ook als onderwijsmateriaal gebruikt in het master-onderwijs.’
Het boek is bedoeld om collega’s uit het vakgebied een uniform beeld te geven van de huidige technieken op het gebied van metalearning.
Welk probleem lost metalearning op?
Van Rijn: ‘Kunstmatige intelligentiesystemen zijn beter in patronen herkennen dan mensen. Dan moet er aan een aantal voorwaarden zijn voldaan. Zo moet er voldoende data van goede kwaliteit aanwezig zijn en je moet een goed “modeltype” kiezen.
Bekende modeltypes in het Data Science vakgebied zijn bijvoorbeeld neurale netwerken, beslisbomen en zogeheten Gaussiaanse processen (een model-type uit de wiskunde, red.). Deze modellen kunnen patronen in data herkennen. De model-types hebben verschillende parameters die het leerproces controleren. Al die parameters moet je correct kiezen. Wanneer aan deze voorwaarde is voldaan, levert dat vaak uitstekende prestaties op, maar wanneer dat niet het geval is, vallen de prestaties van AI-systemen tegen. Daarom blijft de menselijke expertise dus belangrijk, om het leerproces van die systemen te sturen.’
Welke oplossing is er bedacht voor dit probleem?
‘Je kijkt dan naar eerdere leerprocessen, en of je lessen daaruit kan overbrengen naar toekomstige leerprocessen. Zo kun je bijvoorbeeld de menselijke expert ondersteunen in het selecteren van een modeltype of het finetunen van de eerdergenoemde parameters.’
Waarvoor is metalearning nog meer te gebruiken?
‘Bijvoorbeeld wanneer er weinig data voor handen is. In sommige gevallen kun je data van het ene domein overbrengen naar een domein waar weinig data beschikbaar is. Dit kan heel handig zijn voor bijvoorbeeld medische applicaties, waar vaak een gebrek aan data is.’
Het boek Metalearning - Applications to Automated Machine Learning and Data Mining is geschreven door Pavel Brazdil (University of Porto), Jan N. van Rijn (Leiden University), Carlos Soares (University of Porto) en Joaquin Vanschoren (Tu Eindhoven), en Open Access verkrijgbaar. Het is de tweede editie van een boek dat in 2009 is uitgekomen, en is in termen van pagina's en onderwerpen ruim verdubbeld. Het boek is hier te downloaden.