Het ontwikkelen van een kunstmatige wiskundeleraar

Jim Portegies is universitair docent in de groep Applied Analysis bij de faculteit Mathematics and Computer Science, waar hij deel uitmaakt van het Centre for Analysis, Scientific computing and Applications (CASA). Daarnaast is hij betrokken bij het werk van EAISI, het instituut van de TU/e op het gebied van kunstmatige intelligentie. AI speelt een belangrijke rol in zijn onderzoek. Een korte introductie in vijf vragen en antwoorden.

Wat is je belangrijkste onderzoeksvraag? En welke rol speelt AI bij het oplossen van die vraag?

Ik bestudeer de wiskunde van menselijk leerprocessen. Mijn hypothese is dat leren bij uitstek gedreven wordt door wiskundige processen, met een centrale rol voor simplificatie en abstractie. Ik gebruik daarom wiskundige instrumenten om deze processen bloot te leggen, te beschrijven en te analyseren. Vervolgens proberen ik ze te repliceren in praktische algoritmen, in de hoop dat we ze op een dag kunnen uploaden naar een robot, zodat de robot dan net als een klein kind begint te leren. Een ander project dat duidelijk maakt welk soort problemen wij proberen op te lossen, is de ontwikkeling van een kunstmatige wiskundeleraar (binnen onze educatieve software Waterproof), die onze leerlingen helpt wiskundige bewijzen te schrijven.

Wat zie je als de belangrijkste uitdagingen in je werk?

De wiskunde zoals we die nu ontwikkelen, is onvoldoende in staat om machinaal of menselijk leren te begrijpen. Neurale netwerken en deep learning bereiken indrukwekkende resultaten als het gaat om beeldherkenning of bij het spelen van Go of Chess, maar we lijken niet echt te begrijpen hoe dat werkt. Het is waarschijnlijk nog moeilijker om menselijk leren te bevatten. We hebben dus echt behoefte aan volkomen nieuwe gebieden van wiskunde.

Wat zijn de praktische toepassingen van uw onderzoek? Hoe komt het de samenleving ten goede?

De manier waarop we proberen inzicht te krijgen in hoe menselijk leren werkt, en mensachtige kunstmatige intelligentie proberen te bouwen, vergt dat we ook communicatie tussen mens en AI mogelijk maken. Een voorbeeld is de kunstmatige wiskundeleraar: het volstaat niet dat die een oefening oplost of een wiskundig bewijs geeft, hij moet het ook aan een leerling kunnen uitleggen. Oplossingen voor dergelijke problemen zullen helpen om machinaal leren beter interpreteerbaar en eerlijker te maken. En dat is weer de sleutel tot een ethische implementatie van AI in de samenleving.

Met de kunstmatige wiskundeleraar hopen we uiteindelijk bij te dragen aan beter wiskundeonderwijs. Omdat dit project ons bovendien inzicht geeft in hoe mensen leren, denken we dat het ook het onderwijs in het algemeen ten goede kan komen.

Tenslotte hopen we dat onze tools het makkelijker zullen maken om te controleren of bepaalde delen wiskundige theorie correct zijn. Dit zal natuurlijk in de eerste plaats andere wiskundigen helpen, maar aangezien hun werk ook in praktische toepassingen wordt gebruikt, zal de verificatie van hun werk ook de samenleving ten goede komen.

Hoe zie je de ontwikkeling van AI in de toekomst? Wat zijn volgens jou de belangrijkste risico's en voordelen van het gebruik van AI voor de samenleving?

De vooruitgang gaat misschien langzaam, maar ik verwacht dat kunstmatige intelligentie ons uiteindelijk inzicht zal geven in hoe het menselijk brein werkt. Het is op dit moment pure speculatie, maar ik denk wel dat het over tientallen jaren mogelijk zal zijn om relatief precies vast te stellen wat een concept als bewustzijn is, alleen al omdat we het in kunstmatige algoritmen zullen kunnen vaststellen of nabootsen. Dit kan een zeer destabiliserend effect hebben op de samenleving, en daarom denk ik dat het belangrijk is om de ethische implicaties van de nieuwste ontwikkelingen voortdurend in de gaten te houden.

Waarom zou elke AI-onderzoeker aan de TU/e willen werken?

De TU/e biedt een zeer interdisciplinaire omgeving voor AI-onderzoek. Het is gemakkelijk om verbindingen te leggen met andere onderzoekers en te zien hoe algoritmen hun weg vinden naar de ingenieurspraktijk. Omdat veel verschillende vakgebieden momenteel met dezelfde problemen kampen, kunnen we bovendien van elkaar leren. De TU/e is ook een fantastische omgeving om zeer gedegen ingenieurskennis te combineren met state-of-the-art machine-learning technieken, waarbij je het beste van twee werelden gebruikt.

Jim Portegies

Jim Portegies is universitair docent in de Applied Analysis groep van het Centre for Analysis, Scientific computing and Applications (CASA). Hij behaalde zijn MSc in wiskunde aan de TU/e in 2009. Nadat hij in 2014 promoveerde aan het Courant Institute of Mathematical Sciences in New York, was hij twee jaar postdoc in Leipzig tot hij in 2016 terugkeerde naar de TU/e als universitair docent. 

Hij ziet het als zijn ultieme doel "om met behulp van wiskunde het immens krachtige, eenvoudige, efficiënte en taak- en signaalonafhankelijke leeralgoritme in het menselijk brein bloot te leggen."

Jim is lid van de Jonge Academie van de TU/e en ook van de Jonge Akademie van de Koninklijke Nederlandse Akademie van Wetenschappen (KNAW), waarin topwetenschappers uit Nederland in verschillende disciplines zitting hebben die niet langer dan tien jaar daarvoor zijn gepromoveerd.

Voor meer informatie kun je mailen naar J.W.Portegies@tue.nl. Of bekijk zijn wetenschappelijke profiel.

Mediacontact

Henk van Appeven
(Communications Adviser)

Het laatste nieuws

Blijf ons volgen