Artificiell intelligens är smarta. De kan känna igen mönster bättre än människor, till exempel. Ändå behövs människor fortfarande väldigt mycket. Hur kan du bättre styra dessa AI-system? LIACS-föreläsaren Jan van Rijn skrev en bok om detta tillsammans med ett antal kollegor. Vi ställde några frågor till honom.

Vad står i boken och för vem är den avsedd?

Den här boken handlar om de olika aspekterna av metalearning. Metalearning innebär att lära sig om inlärningsprocessen, det stödjer datorexperter för att bättre hantera inlärningsprocessen för AI-system. Boken är avsedd att ge kollegor inom området en enhetlig bild av aktuella tekniker inom området metalearning. Eftersom det är fritt tillgängligt används det också som läromedel i masterkurser.

Vilket problem löser metalearning?

Van Rijn:System med artificiell intelligens är bättre på att känna igen mönster än människor. Ett antal villkor ska då vara uppfyllda. Till exempel måste det finnas tillräckligt med data av god kvalitet och du måste välja en bra modelltyp.

Välkända modelltyper inom datavetenskapsområdet inkluderar neurala nätverk, beslutsträd och så kallade gaussiska processer (en modelltyp från matematiken, red.). Dessa modeller kan känna igen mönster i data. Modelltyperna har olika parametrar som styr inlärningsprocessen. Alla dessa parametrar måste väljas korrekt. När detta villkor är uppfyllt ger det ofta utmärkta prestanda, men när det inte är det, är AI-systemens prestanda en besvikelse. Därför är mänsklig expertis fortfarande viktig för att styra inlärningsprocessen för dessa system.

Vilken lösning har hittats på det här problemet?

Man tittar sedan på tidigare lärprocesser, och om man kan överföra lärdomar från dem till framtida lärprocesser. Du kan till exempel stödja den mänskliga experten med att välja en modelltyp eller finjustera de ovan nämnda parametrarna.

Vad mer kan metalearning användas till?

Till exempel när det finns lite tillgänglig data. I vissa fall kan du överföra data från en domän till en domän där det finns lite tillgänglig data. Detta kan vara mycket användbart för medicinska tillämpningar, till exempel, där det ofta saknas data.