Het herscheppen van het vermogen van de menselijke geest om patronen en relaties af te leiden uit complexe gebeurtenissen zou kunnen leiden tot een universeel model van kunstmatige intelligentie.

Een grote uitdaging voor kunstmatige intelligentie (AI) is het vermogen om oppervlakkige fenomenen uit het verleden te zien en de onderliggende causale processen te raden. Nieuw onderzoek door KAUST en een internationaal team van vooraanstaande specialisten heeft een nieuwe benadering opgeleverd die verder gaat dan oppervlakkige patroondetectie.

Mensen hebben een buitengewoon verfijnd gevoel voor intuïtie of gevolgtrekkingen dat ons het inzicht geeft, bijvoorbeeld, om te begrijpen dat een paarse appel een rode appel kan zijn verlicht met blauw licht. Dit gevoel is zo sterk ontwikkeld bij de mens dat we ook geneigd zijn patronen en relaties te zien waar die niet bestaan, aanleiding geven tot onze neiging tot bijgeloof.

Dit soort inzicht is zo'n uitdaging om in AI te codificeren dat onderzoekers nog steeds aan het uitzoeken zijn waar ze moeten beginnen:toch vertegenwoordigt het een van de meest fundamentele verschillen tussen natuurlijk en machinaal denken.

Vijf jaar geleden, een samenwerking tussen aan KAUST gelieerde onderzoekers Hector Zenil en Jesper Tegnér, samen met Narsis Kiani en Allan Zea van het Zweedse Karolinska Institutet, begon algoritmische informatietheorie aan te passen aan netwerk- en systeembiologie om fundamentele problemen in genomica en moleculaire circuits aan te pakken. Die samenwerking leidde tot de ontwikkeling van een algoritmische benadering voor het afleiden van causale processen die de basis zouden kunnen vormen voor een universeel model van AI.

"Machine learning en AI worden alomtegenwoordig in de industrie, wetenschap en samenleving, ", zegt KAUST-professor Tegnér. "Ondanks de recente vooruitgang, we zijn nog ver verwijderd van het bereiken van machine-intelligentie voor algemene doeleinden met het vermogen om te redeneren en te leren over verschillende taken heen. Een deel van de uitdaging is om verder te gaan dan oppervlakkige patroondetectie naar technieken die de ontdekking mogelijk maken van de onderliggende causale mechanismen die de patronen produceren."

Deze causale ontvlechting, echter, wordt zeer uitdagend wanneer verschillende processen met elkaar verweven zijn, zoals vaak het geval is in moleculaire en genomische gegevens. "Ons werk identificeert de delen van de gegevens die causaal gerelateerd zijn, het verwijderen van de valse correlaties en identificeert vervolgens de verschillende causale mechanismen die betrokken zijn bij het produceren van de waargenomen gegevens, ’ zegt Tegner.

De methode is gebaseerd op een goed gedefinieerd wiskundig concept van algoritmische informatiewaarschijnlijkheid als basis voor een optimale inferentiemachine. Het belangrijkste verschil met eerdere benaderingen, echter, is de omschakeling van een waarnemersgerichte kijk op het probleem naar een objectieve analyse van de verschijnselen op basis van afwijkingen van willekeur.

"We gebruiken algoritmische complexiteit om verschillende op elkaar inwerkende programma's te isoleren, en zoek vervolgens naar de reeks programma's die de waarnemingen zouden kunnen genereren, ’ zegt Tegner.

Het team demonstreerde hun methode door deze toe te passen op de interactie van meerdere computercodes. Het algoritme vindt de kortste combinatie van programma's die de ingewikkelde uitvoerreeks van enen en nullen kunnen construeren.

"Deze techniek kan de huidige machine learning-methoden uitrusten met geavanceerde complementaire vaardigheden om beter om te gaan met abstractie, gevolgtrekkingen en concepten, zoals oorzaak en gevolg, dat andere methoden, inclusief diep leren, kan momenteel niet omgaan, ' zegt Zenil.