I sistemi di intelligenza artificiale sono intelligenti. Ad esempio, possono riconoscere i modelli meglio degli umani. Eppure gli esseri umani sono ancora molto necessari. Come puoi guidare meglio quei sistemi di intelligenza artificiale? Il docente LIACS Jan van Rijn ha scritto un libro su questo insieme a un certo numero di colleghi. Gli abbiamo fatto alcune domande.

Cosa c'è nel libro ea chi è destinato?

Questo libro tratta i diversi aspetti del metalearning. Metalearning significa conoscere il processo di apprendimento, supporta gli esperti di informatica per gestire al meglio il processo di apprendimento dei sistemi di IA. Il libro ha lo scopo di fornire ai colleghi del settore una visione unificata delle attuali tecniche nel campo del metalearning. Poiché è liberamente accessibile, viene utilizzato anche come materiale didattico nei master.

Quale problema risolve il metalearning?

Van Rijn:I sistemi di intelligenza artificiale sono più bravi a riconoscere i modelli rispetto agli umani. Devono quindi essere soddisfatte alcune condizioni. Ad esempio, devono esserci dati sufficienti di buona qualità e devi scegliere un buon tipo di modello.

Tipi di modelli ben noti nel campo della scienza dei dati includono reti neurali, alberi decisionali e cosiddetti processi gaussiani (un tipo di modello dalla matematica, ndr). Questi modelli possono riconoscere modelli nei dati. I tipi di modello hanno parametri diversi che controllano il processo di apprendimento. Tutti questi parametri devono essere scelti correttamente. Quando questa condizione è soddisfatta, spesso produce prestazioni eccellenti, ma quando non lo è, le prestazioni dei sistemi di intelligenza artificiale sono deludenti. Pertanto, l'esperienza umana rimane importante, per guidare il processo di apprendimento di quei sistemi.

Quale soluzione è stata trovata a questo problema?

Quindi esamini i processi di apprendimento precedenti e se puoi trasferire le lezioni da essi ai processi di apprendimento futuri. Ad esempio, puoi supportare l'esperto umano nella selezione di un tipo di modello o nella messa a punto dei parametri sopra menzionati.

Per cos'altro può essere utilizzato il metalearning?

Ad esempio, quando sono disponibili pochi dati. In alcuni casi è possibile trasferire dati da un dominio a un dominio in cui sono disponibili pochi dati. Questo può essere molto utile per applicazioni mediche, ad esempio, dove spesso mancano i dati.