6 belangrijke omgevingen voor artificiële intelligenties
Je kan artificiële intelligentie voor uiteenlopende toepassingen gebruiken, waardoor de software in verschillende types omgevingen moet kunnen functioneren. Sommige AI’s krijgen erg veel data te verwerken, terwijl andere robots te maken hebben met imperfecte informatie. Ook het type probleem dat de software moet oplossen, kan erg uiteenlopend zijn en de omgeving waarin AI’s werken kan doorheen de tijd veranderen. Iedere AI-omgeving brengt zijn eigen voor- en nadelen met zich mee die ervoor zorgen dat wetenschappers andere technieken moeten gebruiken om hun AI correct te laten functioneren.
1. Imperfecte informatie
Een voor de hand liggende parameter van een AI-omgeving is de hoeveelheid data waarover een artificiële intelligentie beschikt. Bij sommige toepassingen kent een robot alle mogelijke informatie om zijn taak te volbrengen, terwijl in andere gevallen slechts een deel van de info gekend is. Denk hierbij aan de schaak- en Go-spelende robots DeepBlue en AlphaGo. Te allen tijde zijn alle stukken op het bord zichtbaar, waardoor de software in theorie alle mogelijke zetten kan berekenen en de verschillende uitkomsten kan bekijken. Wanneer je een computer hebt die krachtig genoeg is om steeds alle zetten te berekenen, is het relatief eenvoudig om een algoritme te maken die grootmeesters kan verslaan.
Een pokerkampioen te slim af zijn, is daarentegen een stuk moeilijker. Bij poker beschik je immers over imperfecte informatie. Je weet niet welke kaarten er in het spel zijn, waardoor het moeilijk is voor een computeralgoritme om alle mogelijke zetten uit te rekenen en hier de beste uit te kiezen. Ook in de echte wereld beschik je niet over alle informatie. Hierdoor is het een erg interessante oefening om AI’s spellen als poker aan te leren, om zo een stap te zetten in de richting van robots die meedraaien in onze maatschappij.
2. Deterministisch
Een ander type omgeving waarmee artificiële intelligenties te maken krijgen, is de deterministische omgeving. Hierbij kan de uitkomst van een taak of gebeurtenis bepaald worden aan de hand van de huidige status. Wanneer je schaakt, kan je bijvoorbeeld steeds je pion van vakje A2 naar vakje A3 verplaatsen. Er is geen onzekerheid over het feit of dit wel zal lukken.
Wanneer een omgeving niet deterministisch is, dan is deze stochastisch. In deze omgevingen is er een zekere hoeveelheid willekeur, waardoor je nooit zeker bent van de uitkomst bij een bepaalde gebeurtenis. Denk hierbij aan een dobbelsteen. Je weet dat je steeds een getal tussen 1 en 6 zal gooien, maar welk getal je deze keer juist krijgt, is niet zeker. Eender welk spel dat gebruik maakt van een dobbelsteen, zoals bijvoorbeeld Monopoly of Yahtzee is bijgevolg stochastisch.
3. Dynamisch
In hoeverre een omgeving dynamisch is, wordt bepaald aan de hand van hoeveel van de relevante omgeving er verandert. Wanneer de omgeving nagenoeg gelijk blijft, spreken we van een statisch systeem. Denk hierbij aan een leeg kantoor met uitsluitend onbeweeglijke voorwerpen. Een robot kan zich hier steeds op dezelfde manier in voortbewegen, aangezien de ruimte niet verandert.
Wijzigt er daarentegen wel een belangrijk deel van de relevante omgeving, dan spreken we over een dynamisch systeem. Stel je voor dat er wel mensen in het kantoor zijn, die bovendien regelmatig voorwerpen verplaatsen. Indien de robot nog steeds dezelfde vaste routes zou nemen, zou hij al snel tegen een voorwerp of persoon botsen. Wetenschappers moeten een dynamisch model creëren voor de artificiële intelligentie om deze correct te laten reageren op een steeds veranderende omgeving.
4. Discreet
De hoeveelheid data die in een omgeving kan voorkomen, is eveneens een belangrijke parameter die AI-experts in hun achterhoofd moeten houden. Bij discrete omgevingen is er slechts een eindig aantal mogelijke gebeurtenissen die zich kunnen voordoen en waarop de software moet kunnen reageren. Schaken is hiervan een mooi voorbeeld. Je kan slechts een eindig aantal zetten doen alvorens het spel is afgelopen. Een AI kan hierdoor anticiperen op alle mogelijke zetten van zijn tegenstander.
Een zelfrijdende auto bevindt zich daarentegen in een omgeving met een oneindig aantal datapunten. De software van de wagen weet niet welke gebeurtenissen er zich kunnen voordoen en zijn omgeving verandert voortdurend. Dergelijke omgevingen worden continu genoemd.
5. Episodes
Wanneer een AI continu data verwerkt, hierop reageert en zijn besluiten laat afhangen van vorige gebeurtenissen, dan spreken we over een sequentiële omgeving. AI’s in sequentiële omgevingen hebben herinneringen nodig van voorgaande acties om te bepalen wat hun volgende actie zal zijn. Onze wereld is een sequentiële omgeving. We onthouden wat er in het verleden gebeurde en gebruiken deze kennis om op huidige gebeurtenissen correct te reageren.
De tegenpool van een sequentiële omgeving is een systeem dat episodes doorloopt. De AI reageert binnen een episode op een gebeurtenis en gebruikt hiervoor enkel info die beschikbaar is tijdens deze episode. Een voorbeeld van dit soort omgevingen is medische beeldvorming. Een artificiële intelligentie bekijkt de foto’s van een patiënt om te bepalen of deze ziek is. Wanneer het de volgende foto van een andere patiënt krijgt, beïnvloeden zijn voorgaande beslissingen de huidige beslissing niet. Elke foto staat op zich en vormt een aparte episode.
6. Competitief
Ten slotte houden wetenschappers eveneens rekening met de hoeveelheid artificiële intelligenties die in eenzelfde omgeving werken. Wanneer meerdere AI-entiteiten in eenzelfde omgeving werken, moeten ze rekening houden met elkaar. Voert de andere robot dezelfde taken uit en helpt hij mij, of verricht hij een andere taak in dezelfde omgeving en moet ik alleen werken aan mijn taak?
In een multi-agentomgeving kunnen de AI-entiteiten volledig los van elkaar werken, zonder dat ze elkaar beïnvloeden. Ook kunnen de agents samenwerken, waarbij hun taak sneller of beter wordt volbracht door de gedeelde rekenkracht en kennis. Zelfrijdende auto’s maken gebruik van samenwerkende AI’s. De voertuigen communiceren met elkaar om beter in te schatten wat de ander gaat doen. Ten slotte kan je een omgeving hebben waarin AI’s competitief zijn. Spelletjes waarin je twee computers tegen elkaar laat spelen, zijn hiervan een voorbeeld.
