Intelligente systemen

Het feit dat de maatschappij en de systemen die haar ondersteunen voortdurend complexer worden, vereist dat deze systemen 'intelligenter' worden, dat wil zeggen flexibeler, robuuster, adaptiever, meer autonoom, zodat de systemen zelf op adequate wijze kunnen omgaan met (onverwachte) veranderende omstandigheden, en de gebruiker meer aan de systemen zelf kan overlaten. De technieken die gebruikt worden bij het ontwerpen van deze 'intelligente systemen', komen voor een groot deel uit het deelgebied van de informatica dat men kunstmatige of artificiële intelligentie (AI) noemt. Dit is het wetenschapsgebied waarin men computersystemen tracht dingen te laten doen die, als ze door mensen gedaan worden, 'intelligent' worden genoemd. In de hieronder te noemen subthema's wordt aangegeven welke aspecten en deelgebieden van de AI hierbij een rol spelen.

 

Het doel van onderzoek in dit thema is om systemen te voorzien van 'intelligentie'. Hoewel hier op natuurlijke wijze een relatie is met de cognitiewetenschap, wordt deze vraag meestal vertaald naar het technische probleem van het construeren van complexe systemen die een grote mate van flexibiliteit en adaptiviteit vertonen. Hierbinnen zijn een aantal onderwerpen te benoemen: kunstmatige intelligentie, multi-agentsystemen en robotica, heuristische algoritmen, computationele logica, redeneersystemen, semantiek en biologisch geïnspireerde technieken.

 

De kunstmatige intelligentie is ongeveer even oud als mainstream computer science. Ze heeft zich over de jaren heen ontwikkeld in een groot aantal subdisciplines, zoals heuristisch zoeken, kennisrepresentatie en redeneermethoden, logica voor AI, planning, problem solving, spellen, kennissystemen, beslissingsondersteuning, machine learning, perceptie, patroonherkenning, natuurlijke- taalverwerking, robotica.

 

Het wordt in toenemende mate onderkend dat voor de uitvoering van complexe, intelligentie vereisende taken een gedistribueerde aanpak van groot belang is, zeker als de omgeving waarin deze taken moeten worden verricht dynamisch is. Dan zijn globale optimalisatietechnieken zoals bekend uit de operations research niet meer bruikbaar, en moet men kijken naar meer lokale optimalisatiemethoden, uitgevoerd door individuele agenten. Zo ontstond het onderzoeksgebied 'gedistribueerde AI' ofwel 'multi-agentsystemen'. Hierbij is het van primair belang hoe agenten die zelf in min of meerdere mate autonoom opereren ter verrichting van een taak, met elkaar kunnen worden gecoördineerd. Voor deze coördinatie zijn bijvoorbeeld communicatie en synchronisatie cruciaal. Doorgaans vindt communicatie plaats op een abstracter niveau dan in klassieke gedistribueerde computersystemen, zodat de zogenaamde agentcommunicatie een belangrijk subthema is geworden. Dit geldt ook voor agentmigratie: agentmigratie is meer dan low-level codemigratie. Nieuwe services zijn nodig om agenten te kunnen vinden of traceren. Nieuwe technologie is nodig bijvoorbeeld om identiteit van agenten te kunnen waarborgen. Multi-agentsystemen vereisen ook nieuwe ontwikkelmethoden. Voor een aantal van deze systemen is het verder noodzakelijk dat er rekening wordt gehouden met de interface tussen agenten en gebruikers. Vaak wordt daarbij de notie van een multi-agentsysteem dusdanig opgerekt dat deze ook menselijke gebruikers omvat, met alle gevolgen van dien.

 

Het agentparadigma heeft ook invloed op de robotica. Zo is er de trend waarbij robots met grotere autonomie en doelgericht moeten opereren in een omgeving waarin zich mogelijk ook andere robots bevinden. Zij moeten hiervoor dus cognitieve, agent-achtige eigenschappen hebben. Maar omdat robots nu eenmaal in een fysieke wereld gesitueerd zijn, is het essentieel om dit cognitieve aspect adequaat te integreren met perceptie.

 

Omdat AI-problemen doorgaans geen praktisch berekenbare optimale oplossing hebben (intractability), worden vaak heuristische algoritmen gebruikt om (suboptimale) oplossingen te vinden. Deze maken gebruik van vuistregels die aangeven hoe veelbelovend een bepaalde toestand in de zoekruimte is. De meest veelbelovende toestand wordt door het algoritme nader geëxploreerd. De heuristische kennis wordt vaak weergegeven met behulp van een evaluatiefunctie, die met een getal weergeeft hoe veelbelovend de toestand is.

 

Zelflerende systemen zijn systemen die zich aanpassen en zo leren op grond van observaties van hun omgeving. Die omgeving wordt doorgaans beïnvloed door het eigen gedrag, zodat feedback mogelijk is. Dit leren kan supervised of unsupervised geschieden. In het eerste geval leert het systeem doordat de omgeving de correcte uitkomst bij gegeven input geeft. In het unsupervised geval krijgt het systeem geen enkele informatie over de correctheid van zijn uitkomsten. Ook zijn er tussengevallen, zoals in reinforcement learning, waarbij het systeem partiële informatie (een evaluatie) krijgt over het resultaat van zijn actie, maar niet wat de correcte actie zou zijn geweest.

 

Computationele logica betreft het terrein van computationele methoden en technieken in de logica, zoals automatische redeneermethoden. Hierbij valt te denken aan theorem provers en proof assistants voor diverse logica’s, en in het bijzonder aan logica’s en logische formalismen die gebruikt worden voor de verificatie van softwaresystemen. Momenteel zijn ook modelcheckers volop in de belangstelling waarmee bepaalde systeemeigenschappen automatisch kunnen worden nagegaan aan de hand van een berekeningsmodel van het systeem. Ook vallen onder het terrein van de computationele logica programmeermethoden (-technieken, -talen, -paradigma's) die gebaseerd zijn op logica en logische technieken, zoals (varianten van) het zogenaamde logisch programmeren, en (executeerbare) logica's ter specificatie en implementatie van intelligente systemen, zoals agentsystemen en (regelgebaseerde) kennissystemen (expert systems).

 

Behalve de hierboven genoemde op (klassieke) logica gebaseerde systemen zijn er ook redeneersystemen gebaseerd op niet-monotone logica (bijvoorbeeld defaultlogica), fuzzy logic en waarschijnlijkheidsrekening (zoals belief networks) voor het redeneren met onzekerheid.

 

Het gebied van de semantiek behelst de betekenis van symbolen. Hoewel de semantiek aldus betrekking heeft op elk symboolverwerkend systeem, is dit a fortiori het geval bij intelligente systemen, waar vaak een relatie moet worden gelegd tussen symbolen zoals deze door het systeem gebezigd of gemanipuleerd worden, en objecten in de echte wereld. Het is veelal van groot belang om de rol van de symbolentaal zelf en deze relatie met de objecten precies te begrijpen en formeel te beschrijven. Voor robotische systemen is dit bekend als het symbol grounding problem, maar ook doen zich vergelijkbare problemen voor bij systemen die opereren in een virtuele wereld zoals cyberspace (het web) en in virtual reality-omgevingen. Gebieden waarin de semantiek een grote rol speelt zijn onder meer het semantic web en heterogene multi-agentsystemen, waarin de agents niet alle dezelfde taal spreken (ontologie gebruiken).

 

Voor het construeren van intelligente systemen worden steeds meer concepten en technieken gebruikt die geïnspireerd zijn door biologische processen. Hierbij speelt symbolische kennisrepresentatie vaak geen of een ondergeschikte rol. Zo zijn er de artificiële neurale netwerken (ANN’s) die afgeleid zijn van de werking van de hersenen en gebruikt worden voor de implementatie van (supervised en unsupervised) leermechanismen. Verder zijn er de zogenaamde evolutionaire of genetische methoden, die geïnspireerd zijn door evolutionaire processen in de natuur. Hierbij worden door middel van de principes van ‘survival of the fittest’, selectie, mutatie en recombinatie populaties van kandidaatoplossingen voor een bepaald probleem gegenereerd, veranderd en verbeterd.

  

 

De grote uitdagingen op de lange termijn van intelligente systemen zijn de samenwerking tussen deze slimmer, adaptiever en autonomer wordende systemen en de mensen die ze gebruiken. Allereerst zal moeten worden opgelost of en hoe diverse systemen met hun bijbehorende meer of minder intelligente technieken (o.a. symbolisch, subsymbolisch) kunnen worden gekoppeld en geïntegreerd. Echter, we kunnen slimmere systemen maken en die integreren met bestaande systemen en infrastructuur, maar uiteindelijk moeten deze systemen meerwaarde opleveren voor de mensen die ze gebruiken. Dit betekent dat de organisatie waarin die systemen worden gebruikt, zich zal moeten aanpassen aan het gebruik van dit soort systemen. Andersom zullen intelligente systemen zich van hun (sociale) omgeving bewust moeten zijn om de oplossingen die ze vinden goed in te kunnen bedden. Belangrijk thema wordt dus (kunstmatige) sociale intelligentie met communicatie en coördinatie als belangrijke sleutelwoorden.

 

Uitdagingen op middellange termijn

De theorie en methodologie om intelligente systemen te bouwen zal verder uitgewerkt moeten worden om te zien waar de intelligentie van een systeem gestopt moet worden. Koppelen van ontologieën uit verschillende domeinen zal een zeer belangrijk aandachtspunt worden. Goed gefundeerde theorie en implementatie op basis hiervan die ook praktisch (bij bedrijven) realiseerbaar is zal een grote sprong voorwaarts betekenen in de intelligente combinatie van allerlei "slimme" systemen.

 

Uitdagingen op korte termijn

Korte-termijnresultaten kunnen bereikt worden op het gebied van de koppeling van agents aan bestaande toepassingen zodat deze intelligent kunnen worden gemaakt. De agents kunnen met de toepassingen samenwerken, maar ook met andere agents om zodoende zeer flexibel en intelligent systemen te koppelen. Het duidelijkst is de koppeling van agents aan webservices. Hierdoor zal het mogelijk zijn om webservices on-the-fly te koppelen (in plaats van statisch zoals nu gebeurt). Een andere resultaat op korte termijn is het ontsluiten van grote bibliotheken van formele kennis, waarbij de opgeslagen kennis, door middel van extractie en rendering, toegankelijk wordt voor de gebruiker.

  

Maatschappelijke Toepassingen

Er zijn legio toepassingen van dit soort systemen, bijvoorbeeld multi-robotsystemen (“High tech-systemen en materialen”), e-commerce-systemen voor veilingen en prijsonderhandelingen, de ondersteuning van menselijke organisaties (“Financiële dienstverlening en handel”), allerlei verkeersregelingssystemen (voor wegverkeer, trein en luchtvaart), logistieke systemen voor vervoer en transport (“Mobiliteit”), het gebruik van agents in gaming en visualisatietechnieken, intelligent speelgoed voor kinderen (“Creatieve industrie”), gedistribueerde systemen die de omgeving waarnemen en zelf terugkoppeling geven of de bewaking waarschuwen bij ongewenst gedrag (“Veiligheid”), 'companions' die ouderen min of meer zelfstandig monitoren (“Zorg”), ambient intelligence of home intelligence, rampenbestrijding (inzet van robots en sensorsuites bij rampen en het creëren van de situation awereness voor commando- en regelkamers).

  

S. Russell & P. Norvig. Artificial Intelligence: A Modern Approach, Prentice-Hall, Englewood Cliffs, 1995.

 

M.J. Wooldridge. An Introduction to MultiAgent Systems, Wiley, Chichester, 2002.

 

R. Brachman and Z. Lemnios. DARPA's New Cognitive Systems Vision: http://www.cra.org/CRN/articles/nov02/darpa.html.

 

A. Robinson and A. Voronkov, eds. Handbook of Automated Reasoning, volumes I and II, North-Holland/Elsevier, 2001.