Förståelse för AI-teknik avgörande för framtidens innovationer

Maskininlärning och artificiell intelligens (AI) har stor påverkan på samhället i dag och kommer i framtiden kunna ge oss ännu fler möjligheter med nya innovationer inom vården, viktiga klimatåtgärder och autonoma fordon i trafiken. Men hur går det egentligen till när maskinerna lär sig att förstå och tolka den data som de fått till sig? Det forskar Martin Torstensson, doktorand vid Högskolan i Halmstad, om.

Maskininlärning är en del inom AI och använder algoritmer för att identifiera mönster i data som i sin tur kan hjälpa till att förstå och förutspå situationer. Istället för att programmera en maskin att utföra en särskild uppgift, så programmeras den för att lära sig att utföra uppgiften. Genom att låta maskinen träna på stora mängder data blir algoritmen smartare och resultaten mer exakta. AI och maskininlärning är väsentliga delar i att påskynda innovation och utveckling, där ett av de mest tydliga exemplen är självkörande fordon.

Komplex process

En av de största utmaningarna med dagens metoder för maskininlärning är att processen för maskinen att fatta beslut är komplex och svår att förstå. Om självkörande fordon ska finnas ute i trafiken är det viktigt att vi vet hur de fattar beslut, vilket är möjligt genom att öka förståelsen för AI-teknik och maskinens komplexa beslutsprocesser.

– Min forskning fokuserar på att utveckla metoder för att öka förståelsen för hur dessa maskiner fattar sina beslut och vilken information de baserar besluten på, säger Martin Torstensson.

Maskininlärning går att applicera på flera olika områden, exempelvis autonom körning, det vill säga när ett fordon kör av sig självt. I dessa sammanhang kan det självkörande fordonet plötsligt hamna i en situation som det missförstår och en trafikfarlig situation kan uppstå. Detta vill Martin Torstensson undvika i och med sin forskning.

– Att inte förstå hur maskinerna kommer fram till sina resultat försvårar processen för att förutse i vilka situationer de fungerar eller ej. Det gör det även svårt att veta vilka faktorer som har haft inflytande över beslutet och om de är förenliga med de värderingar samhället har. Han fortsätter:

– Genom att öka förståelsen för hur maskinerna fattar sina beslut kan vi förhoppningsvis också förebygga att farliga situationer uppstår.

Forskning för ökad förutsägbarhet

Målet med Martin Torstenssons doktorandstudier är att göra det enklare att förklara maskinlärningsmetoder. Detta kommer i sin tur att bidra till mer exakt felsökning för metodutvecklarna, ökad förutsägbarhet för fel och svagheter, samt bättre kommunikation med användarna.

Martin Torstensson är industridoktorand och bedriver huvuddelen av sin forskning vid Research Institutes of Sweden (RISE) – Sveriges forskningsinstitut och innovationspartner. RISE arbetar tillsammans med företag, lärosäten och offentlig sektor för att uppnå ett konkurrenskraftigt näringsliv och ett hållbart samhälle. På RISE är forskningen kopplad till forskningsprojekt som i de flesta fall utförs tillsammans med projektpartners från industrin.

Nästa steg för Martin Torstenssons forskning om applikationer och utveckling av maskininlärning, är att studera de nuvarande metoderna närmare för att sedan välja ut ett fåtal att utveckla vidare.