Universiteit Tel Aviv onderzoekt AI en LM
Wetenschappelijke en andere onderzoekers aan de Universiteit van Tel Aviv zijn bezig met verschillende projecten rond lerende machines (LM) en kunstmatige intelligentie (AI).
Wat als verkeerslichten precies op het goede moment op rood of groen zouden springen? Wat als een robot de rommel van de kinderen zou kunnen opruimen? Wat als een stad treinverkeer in ‘real time’ in de gaten zou kunnen houden, en daarmee ongelukken zou kunnen voorkomen?
Dit zijn mogelijkheden die niet al te ver in de toekomst liggen volgens experts aan de Universiteit van Tel Aviv. Professor Amir Globerson vertelt: “Binnenkort gaat het niet alleen maar om zelf-rijdende auto’s of pratende apparaten. Apparaten zullen intelligente taken uitvoeren die ons helpen met ons dagelijks bestaan en die onze veiligheid zullen vergroten.”
AI houdt zich bezig met het ontwikkelen van apparaten die taken kunnen uitvoeren waarvoor menselijke intelligentie nodig is. ML gaat een stap verder en werkt aan het vermogen van deze appartaten om nieuwe dingen te leren waarvoor zij niet zijn geprogrammeerd. Complex, oftewel gestructureerd leren is een gebied van ML dat zich in het bijzonder bezighoudt met algoritmes die zijn gebaseerd op de structuur en functie van de hersenen, zogenaamde kunstmatige zenuwnetwerken. Volgens Globerson behoren AI en ML wereldwijd tot de belangrijkste gebieden van de technologie en hij verwacht dat zij een zeer grote rol zullen spelen in de meeste, of misschien wel alle nieuwe technologie in de komende tien jaar.
Globerson, een onderzoeker aan de Blavatnik School of Computer Science van de Universiteit van Tel Aviv, is hoofd van het nieuwe project van die universiteit, het Yandex Initiative for Machine Learning, dat bezig het aantal AI en ML cursussen daar uit te breiden en dat onderzoek op dit gebied ondersteunt. Yandex is de grootste technologie-onderneming in Rusland.
Globerson zelf onderzoekt theoretische vragen op het gebied van complex leren, zoals die waarom bepaalde algoritmen werken en hoe algoritmen ontworpen moeten worden om beter te presteren. In het bijzonder probeert hij te bepalen wat voor soort algoritmen nodig zouden zijn om apparaten te helpen menselijke spraak, taal en visuele aanwijzingen te begrijpen. Dit zou de kloof verkleinen tussen wat mensen en wat apparaten kunnen doen.
“Hoe zou het zijn als een robot naar een plaatje zou kijken en de relatie tussen de verschillende onderdelen ervan zou kunnen begrijpen?” vraagt Globerson. “Laten we zeggen dat deze robot de inhoud van een plaatje of complex beeld zou kunnen analyseren. Je zou bijvoorbeeld vragen ‘Waar zijn mijn sleutels?’ en de robot zou jouw sleutels herkennen, weten waar hij hen het laatst had gezien en jou zo helpen hen te vinden.” Hij denkt dat we dichtbij verwerkelijking van de droom zijn om apparaten te maken die zich als mensen kunnen gedragen en die zelfs beter zouden zijn dan mensen in het uitvoeren van taken die intelligentie vereisen.
