Artikel

AI, geïnspireerd door de natuur

De ontwikkelingen in AI zijn vaak geïnspireerd op natuurlijke systemen. Zoals zwermintelligentie, genetische algoritmen of kunstmatige neurale netwerken. Bij het ontwikkelen van AI profiteren we van het feit dat de natuur al veel van de stappen in natuurlijke systemen heeft verfijnd om ze zo efficiënt mogelijk te maken.

Omdat de ontwikkelingen in AI en de systemen in de natuur nauw met elkaar verbonden zijn, is het van belang om te weten hoe AI en welke aspecten van AI zijn geïnspireerd door de natuur. Daarnaast wordt, door de relatie tussen AI en de natuur zichtbaar te maken, de digitale wereld van AI minder abstract en beter te begrijpen.

Zwermintelligentie

Medium 3

Zwermintelligentie is een groep optimalisatie-algoritmen die is geïnspireerd op hoe collectieve intelligentie werkt. Succesvolle voorbeelden hiervan binnen evolutie zijn insecten zoals bijen, termieten en mieren. Hoewel deze insecten individueel misschien niet erg intelligent lijken, werken ze samen als een groep om oplossingen te vinden voor complexe problemen, zoals het vinden van een optimale route naar de voedselbron.

Neem bijvoorbeeld mierenkolonies en hoe zij de beste route naar een voedselbron vinden. Mieren zwerven rond totdat een van hen een voedselbron heeft gevonden. De mier die deze voedselbron vindt, laat een spoor achter van een chemische stof genaamd feromoon, terwijl hij terugkeert naar zijn kolonie. Dit feromoonspoor werkt als een leidend mechanisme voor andere rondzwervende mieren die vervolgens dezelfde voedselbron bereiken. Deze mieren laten ook een spoor van feromoon achter als ze terugkeren. Als gevolg hiervan wordt het feromoonspoor sterker en sterker, waarbij meer mieren hetzelfde pad gebruiken om de voedselbron te reiken en terug te keren. Uiteindelijk beginnen alle mieren hetzelfde pad te volgen om bij de voedselbron te komen.

Een voorbeeld van zwermintelligentie is Ant-based routing. Ant-based routing is een techniek in AI waarbij meerdere paden worden gecreëerd tussen de bron en de eindbestemming van een datasessie of een grafiek. Het doel van de AI is dan om het beste pad te vinden door bestaande paden te testen en nieuwe te verkennen. 

Genetische algoritmen

Medium 2

Genetische algoritmen zijn optimalisatie-algoritmen die geïnspireerd zijn op de evolutietheorie. De natuur optimaliseert de geschiktheid van een soort over generaties heen door middel van de voortplanting van genen. Op dezelfde manier werken genetische algoritmen door opeenvolgende generaties genomen te evolueren zodat ze in de loop van generaties steeds beter passen. Net zoals de natuur ze heeft voor evolutie, zijn de belangrijkste processen die betrokken zijn bij genetische algoritmen Selectie, Crossover en Mutatie.

  • Een initiële populatie van genomen wordt willekeurig gegenereerd. Het selectieproces omvat het testen van de geschiktheid van genomen met behulp van een geschiktheidsfunctie, of te wel een fit for purpose. Alle zwakke genomen worden als het ware 'weggegooid' en de sterke genomen komen in de volgende fase terecht, de crossover fase.
  • Crossover is gelijk aan de reproductie in de natuur. Hierbij worden twee nieuwe genomen uit twee bestaande gegenereerd. Crossover begint met het selecteren van twee geschikte genomen en het kiezen van een willekeurige positie in de DNA strengen. Deze willekeurige positie wordt het crossover-punt genoemd en de delen van de DNA strengen worden op dit punt verwisseld. De resulterende genomen hebben een stukje van de genetische code van hun ouders. Net zoals in de natuur is het niet gegarandeerd dat de cross-over zal resulteren in nieuwe genomen die beter zijn dan de oorspronkelijke genomen.
  • Wanneer alle genomen in een generatie erg op elkaar lijken, is er niet veel verbetering in de volgende generatie. In dat geval kunnen mutaties helpen. Bij mutatie worden willekeurige delen van een genoom veranderd om te resulteren in een nieuw genoom dat drastisch verschilt van de rest van de genomen in die generatie. Net zoals in de natuur wordt mutatie zelden gebruikt en kunnen de resultaten niet worden voorspeld.

Genetische algoritmen worden in AI toegepast bij bijvoorbeeld optimalisatieproblemen. Het doel van optimalisatieproblemen is simpelweg om uit alle mogelijke oplossingen de beste oplossing te vinden. Hoe meer data de AI heeft, hoe meer aannames het kan maken en dus hoe groter de kans is dat het betere oplossingen vindt.

Kunstmatige neurale netwerken

Medium 1

Kunstmatige Neurale Netwerken (ANN's) zijn geïnspireerd op de hersenen. Net als het menselijk brein maken neurale netwerken ook gebruik van neuronen, axonen, synapsen en dendrieten om signalen van de ingangslaag van het netwerk naar de uitgangslaag over te brengen. Neuronen kunnen worden beschouwd als eenvoudige rekencellen en zijn fundamenteel voor de werking van ANN's. ANN's gebruiken een grote onderlinge verbinding van neuronen voor optimale prestaties. Axonen zijn de transmissielijnen of de zenuwen waar het signaal, tussen de neuronen, doorheen loopt. Synapsen zijn de zenuwuiteinden en dendrieten zijn de receptieve zones van de neuronen.

De belangrijkste functie van een neuron is om een bepaald gewicht te koppelen aan de signalen die van andere neuronen binnenkomen. Dit gewicht bepaalt de sterkte van het signaal dat vervolgens weer wordt teruggestuurd naar een doelneuron. Door een bepaald gewicht aan het signaal te koppelen wordt de amplitude van de output bepaald. Het gewicht bepaalt dan of het signaal bij het doelneuron activerend of remmend is. Zodra het signaal door het netwerk gaat en de uitvoerlaag bereikt, wordt het vergeleken met het gewenste resultaat met behulp van een kostenfunctie. Zodra het niet gewenst is, wordt een foutsignaal teruggevoerd naar het netwerk. Het netwerk past vervolgens de gewichten aan die op de signalen worden toegepast en verzendt een bijgewerkt signaal opnieuw naar de uitvoerlaag. Dit proces gaat door totdat de fout tot een acceptabel limiet is teruggebracht. Zodra dit is gebeurd, is de netwerktraining voltooid en is het klaar om voorspellingen te doen op de ongeziene data.

Er zijn veel verschillende ANN-varianten ontwikkeld. De Convolutional Neural Networks (CNNs) zijn bijvoorbeeld geïnspireerd op de visuele cortex in de hersenen en worden voornamelijk gebruikt voor beeldclassificatie. Bij beeldclassificatie wordt de AI aangeleerd om objecten in een afbeelding te kunnen detecteren op basis van hun unieke eigenschappen. Een AI kan dan bijvoorbeeld detecteren of het object in een afbeelding een appel, sinaasappel of peer is.

Tijd

De natuur heeft dus altijd al intelligente systemen ontworpen. Waar je ook kijkt, de natuur barst van de complexe adaptieve systemen. De natuur heeft echter een belangrijk voordeel: tijd. De meeste van deze systemen zijn namelijk het resultaat van jaren en jaren van evolutie. Jaren waarin ze van de ene configuratie naar de andere gingen totdat ze de beste manier hadden gevonden om een bepaalde taak op te lossen. Technologie heeft niet de luxe om een oplossing over miljoenen jaren te perfectioneren, noch kunnen we ons, als gevolg van een fout, rampen veroorloven. Ondanks dit verschil moeten we natuur en technologie elkaar niet uitsluiten, maar juist extra aandacht besteden aan hoe de natuurlijke wereld in elkaar zit. Bij een bepaald probleem in de ontwikkeling van AI moeten we dus eerst kijken naar de natuur en of zij niet al eerder daar een oplossing voor heeft gevonden. De natuur is een inspiratiebron en de technologie een bron voor creatie.

Bron:

Rastogi, N. 2019. AI - Taking inspiration from nature. Firing Neurons, Medium.

Dacian Consulting - The Natural World Helps Design Intelligent Systems

Computer Vision & Image Classification in AI. Study.

Rohrer, B. How optimization for machien learning works.

Di Caro G., Ducatelle F., Gambardella L.M. (2004) AntHocNet: An Ant-Based Hybrid Routing Algorithm for Mobile Ad Hoc Networks. In: Yao X. et al. (eds) Parallel Problem Solving from Nature - PPSN VIII. PPSN 2004. Lecture Notes in Computer Science, vol 3242. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-540-30217-9_47]

Vertaald door de redactie van openresearch.amsterdam

Afbeelding credits

Header afbeelding: PIxabay - Technology AI

Icon afbeelding: Pixabay: DNA Helix

Media