Onderzoekers van de Australian National University (ANU) hebben een nieuw type intelligent systeem ontworpen op basis van deep learning dat kan leren om besluitvormingsproblemen op te lossen, inclusief problemen die complexer zijn dan het is getraind om op te lossen.

Deep learning is een populaire kunstmatige-intelligentietechniek voor taken zoals het maken van bijschriften om afbeeldingen te beschrijven, spraak omzetten in tekst en leren video- of bordspellen te spelen van alleen afbeeldingen.

Hoofdonderzoeker Sam Toyer zei dat het systeem, genaamd Action Schema Networks (ASNets), zou een robot hypothetisch in staat kunnen stellen om te leren navigeren op een verdieping met 10 kamers, en dan te kunnen zwerven op een verdieping met duizenden kamers.

"Het vermogen van ASNets om veel grotere problemen op te lossen is een game changer, " zei meneer Toyer, die ASNets ontwikkelde als onderdeel van zijn scriptie tijdens zijn Bachelor of Advanced Computing (Research &Development) aan de ANU en werd bekroond met een universiteitsmedaille.

"Met behulp van ons ASNet-gebaseerde systeem, we zouden mogelijk nieuwe cyberbeveiligingstoepassingen kunnen maken die systeemkwetsbaarheden vinden, of ontwerp nieuwe roboticasoftware om gespecialiseerde taken uit te voeren in geautomatiseerde magazijnen of onbemande ruimtemissies."

De heer Toyer zei dat intelligente systemen afhankelijk waren van geautomatiseerde planningstechnologie om beslissingen te nemen.

"Of het nu een Marsrover is die kiest waar hij foto's maakt, of een smart grid dat beslist hoe een storing kan worden geïsoleerd, je hebt een planningsalgoritme nodig om de beste manier van handelen te kiezen."

De heer Toyer zei dat sommige op deep learning gebaseerde systemen, inclusief AlphaGo, gebruikt om besluitvormingsproblemen op te lossen.

"AlphaGo, die bovenmenselijke vaardigheden verwierf in het spel Go, is een recent en bekend voorbeeld, " hij zei.

"Echter, systemen zoals AlphaGo kunnen het spel alleen spelen op een vaste bordgrootte.

"In tegenstelling tot, ASNets kunnen leren om problemen van variabele grootte op te lossen. Hierdoor leren ze snel wat ze moeten weten over kleine, gemakkelijke problemen, breng die kennis vervolgens rechtstreeks over naar veel grotere problemen zonder hertraining."

Mede-onderzoeker Dr. Felipe Trevizan van ANU en CSIRO's Data61 zei dat ASNet niet concurreerde met een tegenstander zoals AlphaGo dat doet.

"Liever, het is gespecialiseerd in het oplossen van problemen in dynamische en onzekere omgevingen, " hij zei.

Professor Sylvie Thiébaux, een van de ANU-academici die de scriptie van de heer Toyer begeleidt, zei dat het onderzoek een proof of concept was, die met de industrie verder zou kunnen worden ontwikkeld om te worden gebruikt in intelligente robotica om taken autonoom uit te voeren in een breed scala van omgevingen.

Ze zei dat het systeem leerde een spel te spelen om tot 35 blokken in een bepaalde formatie te rangschikken. slechts 25 opgaven gekregen met maximaal negen blokken als onderdeel van zijn training.

"We hebben ASNets een beschrijving van het spel gegeven, enkele voorbeelden van plannen voor eenvoudige problemen met een klein aantal blokken, en toen leerde het veel complexere problemen op te lossen, " zei professor Thiébaux van de ANU Research School of Computer Science.

Universitair hoofddocent Lexing Xie van de ANU Research School of Computer Science, die de scriptie van de heer Toyer co-superviseerde, zei dat ASNets een creatieve manier was om deep learning te gebruiken.

"Dit werk is het eerste dat ontwerpen leent voor visuele herkenning om besluitvormingsproblemen op te lossen die er van nature heel anders uitzien, maar logische structuren delen, " ze zei.