Opis projektu
Sztuczna inteligencja oparta nie na danych, lecz na modelu – wykorzystanie metod uczących się reprezentacji do celów planowania
W badaniach nad sztuczną inteligencją dominują obecnie dwa wątki: algorytmy uczenia maszynowego oparte na danych, potrafiące wyciągać wnioski na temat zachowania i funkcji na podstawie doświadczenia i danych, oraz algorytmy rozwiązywania problemów oparte na modelu, potrafiące rozwikłać trudne modele, takie jak SAT, planowanie klasyczne i sieci bayesowskie. Algorytmy uczenia, w szczególności uczenia głębokiego, okazały się sporym sukcesem, lecz jednocześnie wytworzyły problem nieelastycznych czarnych skrzynek. Z drugiej strony algorytmy rozwiązywania problemów wymagają modeli, które trudno jest zbudować ręcznie. Celem finansowanego ze środków UE projektu RLeap jest doprowadzenie do integracji obu tych wątków w kontekście planowania poprzez rozwiązanie problemu uczenia się reprezentacji symbolicznych pierwszego rzędu na podstawie samych spostrzeżeń. Projekt może zmienić sposób rozumienia i budowania ogólnej, zrozumiałej i wiarygodnej sztucznej inteligencji.
Cel
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.
Dziedzina nauki
Słowa kluczowe
Program(-y)
Temat(-y)
System finansowania
ERC-ADG - Advanced GrantInstytucja przyjmująca
52062 Aachen
Niemcy