Nordmann har utviklet «drømmealgoritme»: – Jeg håper å kunne bruke den innenfor medisin

Algoritmen er utviklet ved universitetets senter for kunstig intelligens, CAIR, av doktorgradskandidat Per-Arne Andersen. Algoritmen har foreløpig fått navnet DVAE, som er en forkortelse for Dreaming Variational Autoencoder.

– Tanken med algoritmen er å forstå fiktive og reelle vyer. Det er meningen at den skal brukes i virkelige miljøer, forklarer Andersen.

Doktorgradskandidaten fra Agder forklarer at kunstig intelligens er basert på prinsippet om prøving og feiling, lik en mus som prøver å finne fram til osten i en labyrint.

– Musa lærer til slutt hvor osten er og da går den mot osten hele tiden. Man etterstreber en belønning og det krever mye trening før musa klarer å finne osten, forklarer han.

Dette prinsippet har CAIR-forskerne tatt et skritt videre.

– DVAE er basert på forsterkende læring. Den går rundt i miljøet og gjør observasjoner og lærer seg mekanikken i miljøet. Den gjør en handling og observerer, gjør en ny handling og observerer og lærer seg overgangen fra forrige observasjon til den neste. Etter hvert skal algoritmen kunne drømme opp en observasjon og selv finne ut hva som vil skje videre i spillet.

Kan forenkle kreftdiagnostikk

AI-spesialisten fra Agder ser flere praktiske muligheter med den nye algoritmen, men foreløpig har han bare testet den på spill. Algoritmen trenger bare å observere 30 prosent av et miljø i et spill for å kunne drømme opp minimum 30 prosent av det som gjenstår.

– Optimalt skal algoritmen kunne drømme opp 100 prosent, men det er veldig vanskelig, sier han.

Hvor mye algoritmen klarer å drømme fram er avhengig av hvor mye den får se av spillet på forhånd. I et spill han selv har utviklet til forskningsformål klarer algoritmen å drømme fram det meste.

– Men jeg har testet den på Sonic, som er mye mer avansert. Den klarer å lære 60 til 70 prosent av spillet etter å ha sett 40 prosent av mulige utfall, forteller han.

Målet er alltid hundre prosent, men samtidig er overlæring et problem. Da lærer algoritmen seg riktignok hele spillet, men får problemer med å lære neste spill.

– Jeg håper å kunne bruke den innenfor medisin. Bildegjenkjenning er et viktig område som blant annet brukes til å detektere kreft. Hvis algoritmen får en liten del av et datasett, så kan den brukes til å finne kreftsvulster, tror han.

Algoritmen samler inn data for å finne variasjonsmulighetene og se hvilke realistiske variasjoner som finnes. Da kan den hjelpe algoritmene som i dag brukes til å finne kreft til å bli mye bedre. Den trenger nemlig et mindre antall treningsdata på et felt og blir dermed raskere til å finne variasjonene.

– Den blir kjappere til å generere bilder for å få mer treningsdata fortere, legger han til.

Et annet område som kan være aktuelt er selvkjørende biler der det trengs enormt mye data. Han tror DVAE-algoritmen kan brukes til å finne variasjoner av bilder og se mulige scenarier og finne ut hvordan veien er.

Algoritmen kan også komme til nytte for roboter som skal operere i et farlig eller vanskelig miljø. Der kan algoritmen drømme fram ulike scenarier slik at risikoen for at utstyret blir ødelagt reduseres.

– Dette er ikke noe vi har testet ut ennå, men vi tror at den kan ha mange forskjellige bruksområder, sier han.

• Storsatsning på AI ved Universitetet i Agder: Norge får superdatamaskin i verdensklasse. – Regnekraften er så stor at det nesten ikke gir mening

Genererer data til læringsprosessen

Førsteamanuensis Morten Goodwin ser på drømmealgoritmen som et viktig skritt framover.

– Den revolusjonerer ikke algoritmeverdenen, men drar den et godt stykke videre, sier han.

Han forklarer at algoritmen er spesielt utviklet for spill, såkalt Real Time Strategy-spill. Dette er spill hvor vi mennesker må være strategiske og må jobbe i sanntid for å vinne spillet. Eksempler på slike spill er Starcraft og Warcraft.

– De spillene hvor kunstig intelligens er bedre enn oss mennesker i dag, som sjakk og go, er relativt enkle av flere grunner, påpeker han.

– For det første er antall muligheter i et spill som sjakk enormt, men det er ingenting i forhold til Starcraft. For det andre kan Magnus Carlsen bruke tid til å tenke seg om mellom hvert trekk. Slik luksus er det ikke i Starcraft.

Det er derfor mye vanskeligere å trene kunstig intelligens til å bli god i denne typen spill. For å få kunstig intelligens til å spille slike spill bra, trengs det veldig mye data.

– Drømmealgoritmen kan bidra til å generere mye data som andre algoritmer kan bruke i læringsprosessen, forklarer han.

Nestlederen ved Agder-universitetets senter for kunstig intelligens (CAIR) trekker fram en analogi for å forklare poenget. Hvis man går nedover en gate første gang, så kan det dukke opp overraskelser i form av hull i veien eller sperringer som gjør det vanskelig å bevege seg der, men hvis man har gått den samme gaten tusenvis av ganger, vil det være veldig lite som kommer som en overraskelse.

– Hvis man skal trene opp en robot til å bevege seg igjennom gaten, så kan man få den til å gå gjennom gaten tusenvis av ganger og hver gang blir den litt flinkere. Alternativt kan man utstyre den med drømmealgoritmen og da vil den i tillegg til å lære fra gaten, drømme litt om gaten, og kanskje bare trenge å gå den ti ganger før den lærer seg veien, forklarer han.

• Fremtidens klasserom? Tieto har prøvd ut ansiktsgjenkjenning av elever

Skaper data til bildealgoritmer

Goodwin forklarer at drømmealgoritmen kan hjelpe de algoritmene som i dag brukes til bildegjenkjenning til å diagnostisere kreft.

– De brukes også til diagnostikk av for eksempel hudkreft, men felles for alle er at de trenger mye data. Drømmealgoritmen er med på å generere data slik at disse bildealgoritmene kan få mer datamateriale, forteller han.

Han understreker at det er innen medisinsk diagnostikk at vi har de største utfordringene, og at det også er der det begynner å bli spennende.

– Det er mange utfordringer innen medisinen som vanskelig kan løses med kunstig intelligens på grunn av lite data. Kunstig intelligens trenger mye data for å bli god. Her kan drømmealgoritmen forhåpentligvis bidra, tror AI-forskeren fra Agder.

• Om urettferdige maskinlæringsalgoritmer: – Problemet med bias i AI kan ikke løses kun med matematikk, sier forskere