Ga verder na de inhoud
AI: komt het verstand met de jaren?
Onderzoek

AI: komt het verstand met de jaren?

Onderzoekers van KU Leuven proberen AI-systemen flexibeler te maken en ervoor te zorgen dat ze écht intelligent worden.

7 minuten
16 augustus 2021

Slimme verkeerscamera’s die verkeerdelijk boetes uitschrijven, robots die een black-out krijgen na het leren van een simpel nieuw taakje of een zelfrijdende auto die in de gracht belandt omdat hij het concept ‘bocht’ niet kent. Het zijn enkele voorbeelden van artificiële intelligentie ‘met een minder dagje’. Onderzoekers van KU Leuven proberen AI-systemen flexibeler te maken en ervoor te zorgen dat ze écht intelligent (en foutloos) worden.

Het voorbije decennium hebben we rasse schreden gezet in de ontwikkeling van kunstmatige intelligentie, gaande van spraak- of gezichtsherkenning op smartphones tot autonoom vliegende drones of zelfrijdende auto’s. Ook aan KU Leuven gebeurt heel wat onderzoek naar AI. Professor Tinne Tuytelaars van de afdeling ESAT - PSI, Beeld- en Spraakverwerking werkt bijvoorbeeld al jarenlang rond computervisie. Zo’n twintig jaar geleden ontwikkelde ze voor haar doctoraat een algoritme om computers een blikje cola of andere eenvoudige voorwerpen te laten herkennen. Baanbrekend op dat moment, maar vandaag kunnen computeralgoritmes al héél wat meer.

“Binnen computervisie staan we qua beeldherkenning al ver”, zegt professor Tuytelaars. “Indien je over voldoende data beschikt, is het nu al perfect mogelijk om nummerplaten te identificeren of gezichten te herkennen op Facebookfoto’s of beelden van bewakingscamera’s. Of denk aan medische toepassingen: door medische data zoals röntgenfoto’s te analyseren kunnen computersystemen de dokter helpen bij het stellen van diagnoses of bij het opsporen van een tumor. Dat zijn stuk voor stuk evoluties van de laatste jaren.”

Volgens Tuytelaars is dat nog maar het topje van de ijsberg. “De grote uitdaging binnen mijn vakgebied is om computersystemen beelden te leren interpreteren zoals mensen dat kunnen. Hoewel we gigantische stappen hebben gezet, bevinden we ons wat dat betreft nog maar op een basisniveau. Computersystemen zijn momenteel goed in het uitvoeren van specifieke taken, maar die moet je wel nog apart gaan aanleren. Er is nog geen ‘overkoepelend systeem’ zoals bij de mens.”

AI zelfrijdende auto

Deep learning

Tuytelaars zoekt continu naar manieren om AI-systemen beter te maken. De technologie van de laatste jaren helpt haar een handje én levert de nodige tijdswinst op. “Waar we een computeralgoritme vroeger van A tot Z zélf moesten programmeren – wat voor complexe beelden een langdurig, omslachtig proces is –, maken we tegenwoordig gebruik van ‘deep learning’, een machine-learning-strategie geïnspireerd op de werking van het menselijke brein. Het komt erop neer dat we gigantische hoeveelheden data loslaten op een computersysteem en het ‘zelf’ die zaken laten leren die het nodig heeft om tot het gewenste resultaat te komen.”

Deep learning maakt gebruikt van ‘neurale netwerken’: digitale neuronen die met elkaar verbonden zijn en informatie aan elkaar doorgeven. Die netwerken bestaan uit verschillende, steeds dieper liggende lagen, die steeds complexere zaken kunnen herkennen.

Stel dat je een computersysteem wil leren om een kat of hond te herkennen in een afbeelding, dan voorzie je het systeem van duizenden afbeeldingen van katten en honden en ‘stuur’ je de afbeeldingen door de verschillende netwerklagen. De eerste laag zal bijvoorbeeld focussen op de randen van een afbeelding, terwijl de volgende op zoek gaat naar een kleur of bepaalde vorm. Op basis van al die parameters bepaalt het systeem of het een kat of een hond ziet.

“Om het gewenste resultaat te bekomen moeten we die systemen wel nog ‘trainen’, aan de hand van een soort feedbackloop”, vertelt Tuytelaars. “Het komt erop neer dat de computer telkens opnieuw dezelfde ‘denkoefening’ maakt, en moet vertellen of het een kat of hond ziet. Als we het systeem laten weten dat het antwoord fout is, begint het opnieuw, en past het zijn netwerk lichtjes aan, in de hoop zo wél tot het gewenste resultaat te komen. Bijvoorbeeld door bepaalde parameters meer te doen doorwegen bij de finale beslissing. Aan het eind van de rit weet het systeem aan welke voorwaarden een afbeelding van een hond of kat moet voldoen.”

AI grenscontrole

Catastrofaal vergeten

De deep learning-techniek werkt goed in laboratorium- of testomgeving, maar Tuytelaars wil de AI-systemen ook voldoende uitrusten voor de échte wereld.

“Een AI-systeem kan enkel uitvoeren wat het heeft geleerd, op basis van beschikbare data. Momenteel werken we als volgt: we verzamelen een dataset en trainen ons model op een deel van de data. Daarna testen we wat het model heeft geleerd op de rest van de data en als dat goed werkt, zijn we tevreden. Maar voor toepassingen die interageren met de echte wereld, levert dat soms problemen op. Een zelfrijdende auto die enkel maar geleerd heeft te rijden op een asfaltweg, kan in de war raken als de weg plots overgaat in een veld. Een ander probleem is ‘catastrophic forgetting’: als we een neuraal netwerk nieuwe taken gaan aanleren – bijvoorbeeld ‘autorijden in een veld’ – kan het zijn dat het eerder geleerde taken ‘vergeet’ of zaken door elkaar begint te slaan.”

Idealiter kan je AI-systemen voortdurend laten bijleren, zonder dat eerder geleerde taken worden vergeten. Continual learning, heet dat principe. Het is één van de grote uitdagingen binnen deep learning vandaag én de sleutel tot de volgende generatie van AI. Tuytelaars doet er zelf intensief onderzoek naar en focust ook op de praktijk.

“Momenteel zetten we een experiment op poten rond voorwerpdetectie”, vertelt ze. “Een zelfrijdende auto die getraind is om roodgekleurde bussen te herkennen bij mooi weer in stad A, willen we ook vlot laten leren hoe hij anderskleurige bussen moet herkennen als het regent in stad B. Het komt er dus op neer om een model te ontwikkelen dat heel makkelijk kan ‘veralgemenen’, dat vlot kan switchen tussen verschillende settings én dat zijn neuraal netwerk blijft uitbreiden met nieuwe voorbeelden. Dat moet ook, want in de praktijk zal je dat soort situaties veelvuldig tegenkomen.”

AI heeft nood aan een soort basislogica, waardoor systemen makkelijker kunnen veralgemenen, zonder dat je ze alles ‘from scratch’ moet aanleren.

Sprekende beelden

Tuytelaars is één van de gelukkigen die dit jaar een ERC Advanced Grant mochten ontvangen, een prestigieuze onderzoeksbeurs voor een periode van vijf jaar. Met die ERC-beurs wil ze haar onderzoek naar ‘continual learning’ verder uitwerken. “De technologie en algoritmes op punt stellen en die gebruiken voor een concrete toepassing”, vertelt ze. “De bedoeling is om een systeem te ontwikkelen dat automatisch audiobeschrijvingen genereert bij video’s, specifiek voor slechtzienden. Ik focus dus ook op de wisselwerking tussen beeld en taal, volgens mij een ander belangrijk aspect voor de ontwikkeling van betere AI-toepassingen.”

Het computersysteem moet in staat zijn om beelden van films of tv-series te analyseren en daar de juiste ‘tekst’ bij te leveren, genre: ‘Frank komt het café binnen’ of ‘Simonneke huilt’.

“Omdat openbare omroepen verplicht zijn om dergelijke audiobeschrijving te maken, beschikken we over heel wat data waarmee we aan de slag kunnen. Maar ook hier zijn er heel wat te overwinnen hordes. Het is belangrijk dat het systeem blijft bijleren en telkens de juiste connectie weet te maken, omdat je met verschillende soorten context zit die telkens een andere beschrijving vereisen. Een acteur kan in de ene soapserie bijvoorbeeld ‘Frank’ heten, en in de andere ‘Pol’. Dat blijven bijleren is ook belangrijk om te voorkomen dat het audiobeschrijvingssysteem gedateerd raakt.”

AI-systemen die worden getraind via ‘deep learning’ hebben soms problemen als ze interageren met de echte wereld. Een zelfrijdende auto die geleerd heeft te rijden op een asfaltweg, kan in de war raken als de weg overgaat in een veld.

Kruisbestuiving

Als Tuytelaars in haar opzet slaagt, staan we binnen vijf jaar weer een stapje dichter bij intelligente machines. Hoe denkt ze dat computervisiesystemen er over pakweg twintig jaar zullen uitzien?

“Dat is moeilijk te voorspellen. Momenteel gaat de evolutie snel, maar zal dat blijven duren? Of lopen we ergens op vast? De ontwikkeling van continual learning is belangrijk, maar we moeten ook zoeken naar combinaties van het leren uit data en meer ‘knowledge based reasoning’. Met dat laatste bedoel ik een soort basislogica, waardoor AI-systemen makkelijker kunnen veralgemenen, zonder dat je ze alles ‘from scratch’ moet aanleren. Zo zouden systemen sneller kunnen leren én betrouwbaarder worden.”

De wisselwerking tussen verschillende soorten AI-expertise is ook de opzet van het pas opgerichte KU Leuven-instituut Leuven.AI, vertelt Tuytelaars. “Aan KU Leuven werken heel wat onderzoeksgroepen rond verschillende AI-toepassingen, maar de technologie die wordt gebruikt is vaak hetzelfde. Het is dus niet onoverkomelijk om die verschillende toepassingen met elkaar samen te brengen en te zorgen voor meer kruisbestuiving. Dat zal de kans op doorbraken of nieuwe toepassingen alleen maar groter maken.”

(pjb)