Algoritme om snel te voorspellen krijgt subsidie

Met een plan voor een slimme rekenmethode om efficiënt beslissingen te nemen in onzekere situaties wint Johan Kwisthout een NWO TOP-subsidie van ruim € 200.000. Kwisthout is kunstmatige-intelligentie-onderzoeker van het Donders Instituut van de Radboud Universiteit.

Zijn onderzoek is onder meer van belang voor zelf-lerende robots en systemen die medici helpen om beslissingen te nemen, maar kan ook inzicht geven in hoe het brein onzekere informatie verwerkt.

Rekenen met grote hoeveelheden onzekere informatie kost vaak (te) veel rekentijd of het is zelfs (wiskundig bewezen) onmogelijk om een acceptabele nauwkeurigheid te bereiken binnen een redelijke tijd. ‘We weten vaak niet hoe goed onze benaderingen zijn, of hoe lang we moeten rekenen om gegarandeerd binnen bepaalde marges te blijven,’ zegt Johan Kwisthout. ‘Wat maakt nu precies dat sommige berekeningen wel, en andere niet goed benaderbaar zijn binnen redelijke tijd? Dit is een belangrijk probleem in de kunstmatige intelligentie, maar ook een probleem voor het begrijpen van ons eigen brein!’

Voorspelmachine

'Veel neurowetenschappers denken dat het brein dit probleem omzeilt door te werken met voorspellingen. Dus voordat we wat zien of horen, voorspelt het brein wat er zo dadelijk aan informatie binnen zal komen. Bijvoorbeeld via onze ogen of oren. Om vervolgens alleen de afwijkingen van wat we verwachtten verder te verwerken.’

Deze werkwijze ligt ook ten grondslag ligt aan het efficiënt representeren van een plaatje als jpg-bestand of muziek in mp3-formaat. De informatiestructuren en processen die het brein daarvoor gebruikt zijn op een abstract niveau vergelijkbaar met Bayesiaanse netwerken en het benaderen van berekeningen daaraan, zegt Kwisthout. ‘Maar als we niet goed weten onder welke voorwaarden die berekeningen snel of langzaam gaan en de werkelijkheid goed of slecht benaderen, weten we ook niet goed wat ons brein wel en niet goed kan verwerken.’

Foutmarge schatten

Kwisthout gaat een nieuwe wiskundige techniek gebruiken om deze benaderingen te onderzoeken, de zogeheten Fixed Error Randomized Tractability Analysis. Naast een beter wiskundig begrip, beter toepasbare algoritmen, en een beter inzicht in de informatie verwerkende capaciteit van ons brein, zal zijn onderzoek mogelijk ook beter begrip opleveren van bepaalde symptomen van bijvoorbeeld autisme en schizofrenie die voortkomen uit een verstoring van de informatieverwerking. ‘Ook effecten van het gebruik van hallucinerende middelen, zoals het anders waarnemen van de wereld, kunnen we hierdoor beter begrijpen. ’

Voor TOP Compartiment 2-subsidies zijn in totaal 47 aanvragen ingediend waarvan 11 aanvragen zijn gehonoreerd. Kwisthouts voorstel kreeg de eindkwalificatie 'excellent’.

 Zijn onderzoek is onder meer van belang voor zelf-lerende robots en systemen die medici helpen om beslissingen te nemen, maar kan ook inzicht geven in hoe het brein onzekere informatie verwerkt.

Rekenen met grote hoeveelheden onzekere informatie kost vaak (te) veel rekentijd of het is zelfs (wiskundig bewezen) onmogelijk om een acceptabele nauwkeurigheid te bereiken binnen een redelijke tijd. ‘We weten vaak niet hoe goed onze benaderingen zijn, of hoe lang we moeten rekenen om gegarandeerd binnen bepaalde marges te blijven,’ zegt Johan Kwisthout. ‘Wat maakt nu precies dat sommige berekeningen wel, en andere niet goed benaderbaar zijn binnen redelijke tijd? Dit is een belangrijk probleem in de kunstmatige intelligentie, maar ook een probleem voor het begrijpen van ons eigen brein!’

Voorspelmachine

‘Veel neurowetenschappers denken dat het brein dit probleem omzeilt door te werken met voorspellingen. Dus voordat we wat zien of horen, voorspelt het brein wat er zo dadelijk aan informatie binnen zal komen. Bijvoorbeeld via onze ogen of oren. Om vervolgens alleen de afwijkingen van wat we verwachtten verder te verwerken.’

Deze werkwijze ligt ook ten grondslag ligt aan het efficiënt representeren van een plaatje als jpg-bestand of muziek in mp3-formaat. De informatiestructuren en processen die het brein daarvoor gebruikt zijn op een abstract niveau vergelijkbaar met Bayesiaanse netwerken en het benaderen van berekeningen daaraan, zegt Kwisthout. ‘Maar als we niet goed weten onder welke voorwaarden die berekeningen snel of langzaam gaan en de werkelijkheid goed of slecht benaderen, weten we ook niet goed wat ons brein wel en niet goed kan verwerken.’

Foutmarge schatten

Kwisthout gaat een nieuwe wiskundige techniek gebruiken om deze benaderingen te onderzoeken, de zogeheten Fixed Error Randomized Tractability Analysis. Naast een beter wiskundig begrip, beter toepasbare algoritmen, en een beter inzicht in de informatie verwerkende capaciteit van ons brein, zal zijn onderzoek mogelijk ook beter begrip opleveren van bepaalde symptomen van bijvoorbeeld autisme en schizofrenie die voortkomen uit een verstoring van de informatieverwerking. ‘Ook effecten van het gebruik van hallucinerende middelen, zoals het anders waarnemen van de wereld, kunnen we hierdoor beter begrijpen. ’

Voor TOP Compartiment 2-subsidies zijn in totaal 47 aanvragen ingediend waarvan 11 aanvragen zijn gehonoreerd. Kwisthouts voorstel kreeg de eindkwalificatie 'excellent’.