AI-systemer som lærer tolkbare regler fra upresise data

I løpet av de siste 20 årene har vi sett kunstig intelligens (AI)-systemer vinne mot profesjonelle spillere av strategisk-intensive spill som Chess og Go, og bistår beslutninger tatt i kjemiske, medisinske og ingeniørselskaper for å nevne noen. For noen applikasjoner er det kanskje ikke så relevant å fullt ut forstå hvorfor et AI-system produserte en bestemt utgang. Men når disse systemene brukes til å støtte beslutninger med høy innsats (f.eks. om lån skal godkjennes, eller om tiltalte skal varetekts avhengig av risikoen for gjenbrudd), er det viktig å forstå hvordan spådommer lages. Spesielt hvis regler utledes fra data, må systemene sikre at slike regler er rettferdige og kan stole på. Dessuten bør AI-systemer ha evnen til å takle forhold med uvitenhet. Vurder oppgaven med å bestemme hvilket politisk parti du skal stemme på ved neste valg. Blant mange innsatser krever det å tilegne seg kunnskap (potensielt motstridende) om ulike partier, resonnere om hvem som forventes å prestere best, og trekke en (usikker) konklusjon om hvilket parti man skal støtte. I dette arbeidet utvikler forfatteren algoritmer som lærer mønstre i form av menneskelige tolkbare regler fra upresise data. De lærte reglene kan også behandles av datamaskiner. Derfor kan AI-systemer utføre automatiserte resonneringsoppgaver fra slik innlært kunnskap. I tillegg gir forfatteren en formell studie om kompleksiteten til læringsoppgaver, og identifiserer forhold som garanterer at AI-agenten lærer riktig.

Personalia

Cosimo studerte informatikk ved universitetet i Trento og oppnådde deretter sin felles mastergrad i "Computational Logic" ved det tekniske universitetet i Dresden (Tyskland) og universitetet i Bolzano (Italia). Hans interesser for kunstig intelligens og spesielt maskinlæring begynte i løpet av det første året av bacheloren hans. Hans forskningsinteresser fokuserer på maskinlæringsalgoritmer som utstyrer systemer med intelligent oppførsel.