AI-kracht verbeteren met Domeinkennis

Zijn onderzoek, genaamd CHANGE (Competitive Heavy-vehicles using AI to create Next Generation Efficiency), is zowel diepgaand als toekomstgericht. Het project onderzoekt hoe AI- en machine learning-methoden, in combinatie met andere datawetenschappelijke technieken, kunnen bijdragen aan schoner, veiliger en efficiënter transport.

Vanuit de onderzoeksgroep van Lectoraat Applied Data Science & AI richt hij zich met CHANGE op 2 belangrijke trajecten: predictief onderhoud en elektrificatie van E-trailers. De kern van zijn onderzoek ligt in het ontwikkelen van E-trailers als volledig onafhankelijke systemen; losgekoppeld van truckdata. Deze onafhankelijkheid is cruciaal omdat trailers vaak met verschillende trucks worden gekoppeld.
De ontwikkeling van een E-trailer leidt tot verminderde brandstof- en energieconsumptie en tegelijkertijd zorgt een AI-gebaseerd predictief onderhoudssysteem voor tijdig onderhoud. Hierdoor worden kosten en stilstand geminimaliseerd; een cruciale factor in de transportsector, waar de winstmarges vaak laag zijn.

Wathet onderzoek van Sam uniek maakt, is dat hij manieren onderzoekt om AI-modellen inzichtelijker te maken. Dat doet hij door behalve te vertrouwen op trainingsdata, tevens door domeinkennis (waaronder expertkennis, natuurkundige en ingenieurstechnische wetten en semantiek) in het leerproces van deze modellen te verwerken.

De data die nodig is voor het CHANGE-onderzoek van Sam haalt hij uit de praktijk waar hij nauw samenwerkt met de onderzoeksgroep van het Lectoraat Automotive. Deze samenwerking stelt hem in staat om gebruik te maken van uitgebreide datasets en expertise uit de transportsector. Hoewel hij werkt met standaardalgoritmes, ligt zijn focus op innovatieve methoden om specifiekere en krachtigere modellen te ontwikkelen die volledig zijn afgestemd op de unieke uitdagingen van E-trailers.

Sam verklaart: “AI is grotendeels afhankelijk van gelabelde data die vaak moeilijk te verkrijgen, duur en niet altijd volledig zijn. Bovendien biedt historische data vaak niet de volledige verdeling die nodig is voor een grondig begrip van patronen en systeemgedrag, waardoor het essentiële informatie mist die nodig is voor betrouwbare en nauwkeurige besluitvorming.”

Om AI-modellen te verbeteren, richt Sam zich op het integreren van domeinkennis (in het geval van CHANGE: expertkennis, dynamisch gedrag van trailers, natuurkundige wetten achter slijtageprocessen, …) in het leerproces, waardoor AI-systemen zowel historische data als domeinkennis kunnen benutten. Hij schetst: "Een ervaren arts interpreteert door jarenlange medische studie en praktijkervaring een medische scan anders dan een algoritme dat puur op data is getraind. Het is de kunst om domeinkennis niet te negeren en uitsluitend afhankelijk te zijn van historische data, die aanzienlijke beperkingen kan hebben afhankelijk van de toepassing.”

“De uitkomsten van dit onderzoek blijven niet beperkt tot CHANGE, maar zijn ook toepasbaar in andere sectoren met hoge risico’s, zoals de gezondheidszorg, belooft Sam.” Dit maakt zijn onderzoek niet alleen relevant voor de transportsector, maar ook voor andere gebieden waarin betrouwbaarheid, verklaarbaarheid, kostenefficiëntie en hoge prestaties van cruciaal belang zijn.

Daarom luidt de titel van zijn promotieonderzoek: “Verbetering van de prestaties, interpreteerbaarheid en generaliseerbaarheid van uitlegbare AI door middel van domeinkennisintegratie.”

De grootste uitdaging volgens Sam is het effectief overbrengen van domeinkennis naar een AI-systeem. “Hoe koppel je de inzichten van een expert aan de data, zodat het systeem slimmer en nauwkeuriger wordt?” Hij gelooft er sterk in dat dit mogelijk is, maar erkent dat het een complex proces is. “Soms lijkt een doel in eerste instantie onbereikbaar, maar zelfs dan levert onderzoek waardevolle inzichten op die uiteindelijk kunnen leiden tot onverwachte oplossingen. Dat is waarom we vandaag de dag technologieën gebruiken die niet zo lang geleden als wonderen werden beschouwd.”

“We doen er alles aan zo ver mogelijk te komen,” belooft Sam. “En zelfs als we geen volledig succes behalen, dragen we bij aan maken we en deel uit van van deze belangrijke beweging.” Vanzelfsprekend spelen studenten ook een belangrijke rol in dit project. “Tot nu toe is een masterstudent Applied Data Science betrokken geweest, en binnenkort zullen ook HBO-ICT studenten deelnemen aan deelonderzoeken binnen het CHANGE-project.”