211service.com
Speeltijd is voorbij
Begin vorig jaar presteerde een computer in de game Go van wereldklasse, jaren voordat de meeste mensen dachten dat zo'n prestatie mogelijk zou zijn.
Dat is indrukwekkend, maar onze ambities zouden hoger moeten liggen. Informatica zou kunnen helpen om te voorzien in wat de wereld dringend nodig heeft: hulpmiddelen waarmee we allemaal verder kunnen reiken dan waartoe we dachten dat we in staat waren. Reinforcement learning, een integraal onderdeel van het Go-succes, kan dat proces versnellen (zie 10 Doorbraaktechnologieën: Reinforcement Learning).
Reinforcement learning is een manier om een computer door ervaring te laten leren om een reeks beslissingen te nemen die positieve resultaten opleveren, zelfs zonder enige voorkennis van hoe zijn acties zijn directe omgeving zullen beïnvloeden. Een op software gebaseerde bijlesdocent zou bijvoorbeeld zijn activiteiten aanpassen aan de manier waarop studenten na gebruik van toetsen presteren.
Emma Brunskill
Als we kunstmatige leermiddelen willen creëren met behulp van versterkend leren, hebben we algoritmen nodig die data slim zijn. We kunnen gegevens verzamelen van online onderwijssystemen en deze gebruiken om de agent te helpen de effectiviteit van verschillende onderwijsbenaderingen in te schatten. Als een student inlogt, moet het systeem hem dan een probleem geven om op te lossen? Of zou het beter zijn om te beginnen met een verklarende video? De gegevens kunnen hem helpen beslissen.
Maar in sommige gevallen zijn er niet genoeg gegevens, of niet de juiste soort gegevens, waardoor het een uitdaging is om systemen te ontwikkelen die goede beslissingen nemen. Het zou mooi zijn als we een systeem konden maken dat in de eerste plaats niet zoveel gegevens nodig had. En dat is precies waar mijn groep aan werkt: we ontwikkelen algoritmen voor het leren van versterking en statistische technieken om computers in staat te stellen goede suggesties te ontwikkelen terwijl ze minder gegevens gebruiken. We hebben nog veel werk te doen, maar we verkleinen de kloof tussen theorie en praktijk.
Uiteindelijk moeten we het niet allemaal aan de computers overlaten. Zogenaamd human-in-the-loop-versterkingsleren kan het proces versnellen, waardoor algoritmen kunnen redeneren over hun eigen beperkte prestaties en mensen kunnen bereiken voor hulp wanneer ze bijvoorbeeld het aantal mogelijke beslissingen willen uitbreiden. Mijn groep en onze medewerkers aan de Universiteit van Washington testen nu algoritmen voor een bijlessysteem dat kan zien of het huidige curriculum niet alle studenten in staat stelt om goed te leren, en vraagt vervolgens mensen om nieuwe hints aan het systeem toe te voegen. Dergelijke samenwerkingen tussen mens en computer kunnen studenten helpen te leren met benaderingen die we ons nog niet kunnen voorstellen. Deze visie van versterkend leren heeft kunstmatig intelligente agenten die opnieuw definiëren hoe uitstekende menselijke prestaties eruit zien - en ons allemaal in staat stellen dit te bereiken.
Emma Brunskill is een assistent-professor informatica aan de Stanford University .