Bedre hjerner til fremtidens robotter

Ved morgenbordet vil du række du koppen frem. Din personlige assistent vil rejse sig og hente kaffekanden i køkkenet og hælde op til dig.

Din personlige assistent vil ligne et menneske, men den er en robot, og den er flyttet ind hos dig for at gøre alt det, du ikke selv gider. Sætte kaffe over. Stryge tøj. Pudse vinduer. Trække vinen op. Pakke indkøbsposerne ud.

For datalogen Melih Kandemir vil sådanne robotter blive en integreret del af vores fremtid. Vi vil få flere robotter i hjemmet, på arbejdspladserne og i sundhedssektoren.

- Men vi skal kunne stole 100 pct. på, at robotterne er sikre og præcise nok. Der er er vi ikke endnu. Slet ikke, siger han.

Robotter lærer ligesom os

Iflg. den tyrkisk fødte lektor og forskningsleder på Institut for Matematik og Datalogi skal robotter være så præcise og sikre, at vi ikke risikerer at få hældt kaffe i skødet, brændt hul i skjorten eller købmandsvarerne spredt ud over hele køkkengulvet. Eller i den mere alvorlige ende: Vi skal ikke risikere at køre galt i en selvkørende bil eller at blive syet i øjet i stedet for øjenbrynet af sygehusets operationsrobot.

Derfor koncentrerer Melih Kandemir sin forskning om de algoritmer, der instruerer robotterne i, hvad de skal gøre. Det handler om machine learning, mere specifikt om underfeltet reinforcement learning, som er en metode til at få maskiner til at lære på samme måde, som mennesker lærer: Altså ved at forsøge sig frem.

I reinforcement learning får maskinen at vide, hvad opgavens resultat skal være (fx at ankomme til B fra A), men den skal selv finde ud af, hvordan den kommer dertil – om den vil gå, løbe eller kravle. Med tiden vil maskinen lære sig den mest effektive måde at komme fra A til B på.

- Min tilgang er unik, vil jeg mene: I mit lab arbejder teoretiske og anvendte forskere sammen om at udvikle velunderbyggede og pålidelige løsninger på komplekse, virkelige problemer. Vi har brug for dygtige anvendte forskere til at holde os solidt plantet på jorden – og dygtige teoretikere til at stræbe så højt som overhovedet muligt, siger Melih Kandemir.

For at en maskine overhovedet kan gå i gang med reinforcement learning, skal den kodes med en algoritme, der kan styre læringen, og det er lige der, det begynder at krible i Melih Kandemirs fingre.

- Jeg er interesseret i at udvikle algoritmer, der kan give os 100 pct. præcise og 100 pct. sikre robotter. 99,9 pct. er ikke nok for mig, når det drejer sig om fx en selvkørende bil.

Robotter skal også lære, hvad de absolut ikke må

En del af Kandemirs forskning handler også om at lære maskiner, hvad de IKKE skal gøre, så de ikke gør noget uforudset eller noget, der direkte kan skade mennesker. Det foregår indenfor feltet machine learning theory, hvor Kandemir og hans kolleger bruger matematik til at definere, hvad en algoritme IKKE skal kunne gøre.

Men hvordan kan en robot lære at transportere os rundt i en selvkørende bil eller operere os på sygehuset, når det af indlysende årsager ikke går at lade den træne på sagesløse passagerer og patienter?

- Det foregår f.eks. i simulatorer – forskellige virtuelle miljøer, hvor robotterne kan træne alt det, de har brug for. Det foregår ligesom i et computerspil, hvor spillet ses fra spillerens synsvinkel – ligesom i Counterstrike. Miljøet kan f.eks. være en stue eller et køkken, hvor robotten træner i at rydde op. Det kan også foregå ved, at vi lader robotterne lære ved at se, hvordan mennesker gør, inden de selv forsøger sig.

Algoritmerne er attraktionen

For Kandemir er det algoritmerne, der er attraktionen. Om de senere skal styre store robotter, små robotter eller mikroskopiske robotter er han ikke så optaget af, ej heller deres funktion. Men at der er mange fremtidige funktioner, som kan gavne menneskeheden, er han ikke i tvivl om:

- Mikro-robotter kan sendes ind i kroppen for at opsøge kræftceller og slå dem ihjel. Små robotter kan opereres ind i hjernen på patienter med neurologiske sygdomme og holde de neurale netværk aktive, så patienten kan leve et normalt liv igen. De personlige robot-assistenter kalder vi i vores fag for egocentriske assistenter, fordi de kun har én opgave: at lære alle sin ejers behov og vaner at kende og at følges med sin ejer alle steder. Egocentriske assistenter kan få stor værdi i fx ældreplejen.

Kandemir vil gerne understrege, at det ikke handler om at erstatte og overflødiggøre fx læger og plejepersonale, men om at frigive mere tid til dem.

Den virkelige verdens problemer er de vigtigste

Han vil også gerne understrege, at det betyder noget for ham, at hans forskning kan anvendes.

- Det er en drivkraft for mig – at min forskning kan gøre en forskel for rigtige mennesker. I min forskningsgruppe prøver vi f.eks. at forestille os, hvordan systemer, der er bygget på kunstig intelligens, ser ud om 20 år. Så arbejder vi os baglæns, og så har vi et godt bud på, hvad vi skal forske i i dag.

Igen handler det om at gøre sin forskning nyttig og brugbar:

- Vores mission er at løse de helt grundlæggende problemer, som findes i de udfordringer, vi møder i livet hver dag. Vi interesserer os ikke for at arbejde med kunstigt skabte og teoretiske problemer, som måske nok er sjove at løse – men som ikke giver nogen reel værdi.