Description du projet
De l’IA basée sur les données à l’IA basée sur les modèles: l’apprentissage de la représentation à des fins de planification
Les deux principaux axes de recherche en IA gravitent autour de deux conceptions: celle d’apprenants basés sur les données, c’est-à-dire capables de déduire des comportements et des fonctions à partir de l’expérience et des données, et celle d’apprenants basés sur les modèles, c’est-à-dire capables de se confronter à des modèles difficiles à maîtriser comme le SAT, la planification classique et les réseaux bayésiens. Les apprenants, et en particulier les apprenants profonds, bien qu’ils connaissent un succès considérable, aboutissent à des boîtes noires inflexibles. Les résolveurs, quant à eux, ont besoin de modèles qui se révèlent difficiles à construire manuellement. Le projet RLeap, financé par l’UE, a pour objectif d’intégrer les apprenants et les résolveurs dans le contexte de la planification, en abordant et en résolvant le problème de l’apprentissage des représentations symboliques de premier ordre à partir des seules perceptions brutes. Le projet est susceptible de faire une véritable différence dans la manière dont l’IA générale, explicable et fiable peut être comprise et appliquée.
Objectif
Two of the main research threads in AI revolve around the development of data-based learners capable of inferring behavior and functions from experience and data, and model-based solvers capable of tackling well-defined but intractable models like SAT, classical planning, and Bayesian networks. Learners, and in particular deep learners, have achieved considerable success but result in black boxes that do not have the flexibility, transparency, and generality of their model-based counterparts. Solvers, on the other hand, require models which are hard to build by hand. RLeap is aimed at achieving an integration of learners and solvers in the context of planning by addressing and solving the problem of learning first-order planning representations from raw perceptions alone without using any prior symbolic knowledge. The ability to construct first-order symbolic representations and using them for expressing, communicating, achieving, and recognizing goals is a main component of human intelligence and a fundamental, open research problem in AI. The success of RLeap requires the development of radically new ideas and methods that will build on those of a number of related areas that include planning, learning, knowledge representation, combinatorial optimization and SAT. The approach to be pursued is based on a clear separation between learning the symbolic representations themselves, that is cast as a combinatorial problem, and learning the interpretations of those representations, that is cast as a supervised learning problem from targets obtained from the first part. RLeap will address both problems, not just in the planning setting but in the generalized planning setting as well where plans are general strategies. The project can make a significant difference in how general, explainable, and trustworthy AI can be understood and achieved. The PI has made key contribution to the main themes of the project that make him uniquely qualified to carry it forward.
Champ scientifique
Programme(s)
Thème(s)
Régime de financement
ERC-ADG - Advanced GrantInstitution d’accueil
52062 Aachen
Allemagne