Lectori Salutem – Artificiële Intelligentie in de Gebouwde Omgeving
Editie: 29 - Artificial Intelligence in the Built Environment
Published on: 31 mei 2022
Over Turing machines, een Chinese Room, Creatieve machines, en een slimme en gerobotiseerde gebouwde omgeving.
Kunstmatige Intelligentie (Artificial Intelligence – AI) heeft een grote impact op onze leefomgeving. In heel veel doelen en ambities in onze wereld bestaat er groot geloof en veel hoop in de mogelijkheden van kunstmatige intelligentie. Dit gaat veel richtingen uit, ook voor de gebouwde omgeving. Wat als machines straks slimmer worden dan mensen (AI singularity)? Zullen we nog genoeg jobs hebben? Alles kan toch met AI opgelost worden? Enzovoort; de mogelijkheden lijken eindeloos, even eindeloos als onze fantasie. Dit artikel tracht de ideeën achter kunstmatige intelligentie zo origineel mogelijk op een rij te zetten, de concepten duidelijk te krijgen, en aan te geven waar veelbelovende onderzoekstrajecten mogelijk zijn voor de gebouwde omgeving, mét behoud van jobs en zonder singulariteit.
Kunstmatige Intelligentie… is ouder dan de straat. Het concept ‘Kunstmatige Intelligentie’ werd bedacht in de jaren ’50. De jaren ’50 van de vorige eeuw. Eén van de grondleggers achter de idee is Alan Turing, die de basis voor Kunstmatige Intelligentie legt in zijn artikel uit 1950 met als titel ‘Computing Machinery and Intelligence’. Hierin stelt hij een ‘Imitation Game’ voor met de woorden “I propose to consider the question, ‘Can machines think?’. This should begin with definitions of the meaning of the terms ‘machine’ and ‘think’.” In het voorgestelde imitatiespel, ondertussen wereldwijd bekend als de Turing test, wordt gesteld dat intelligentie aanwezig is als een persoon het verschil niet kan merken tussen wat uitgevoerd wordt door een machine en wat uitgevoerd wordt door een persoon. Dit idee is natuurlijk controversieel en ook baanbrekend op veel manieren. In elk geval zijn volgens dit principe tientallen jaren onderzoek gedaan naar kunstmatige intelligentie. Als het onderscheid niet meer gezien wordt met wat een mens doet, dan is het kunstmatig intelligent. De machine lijkt te doen wat de mens doet. Fantastische voorbeelden van de latere jaren zijn de Deep Blue schaakcomputer en meer recent de Watson jeopardy-game. In beide gevallen werd de menselijke deelnemer vervangen door een computer, en was de Turing-test compleet als de machine het spel (schaken, jeopardy) kon winnen, wat ook gebeurde.
Het realiseren van de kunstmatige intelligentie gebeurde doorheen de jaren wel op veel verschillende manieren. Zo worden de jaren ’80 gekarakteriseerd door een groot geloof in expert systems, of rule-based systems. Er wordt verwacht dat alle kennis in een netwerk van data kan gevat worden, en dat met regels dan alle kennis en acties afgeleid kunnen worden. Patronen, semantiek, regels, en data zijn de orde van de dag, en leidden tot schaakmachines, die excelleren in het herkennen van patronen en uitvoeren van overeenkomende acties. De IBM Watson challenge kwam pas vele jaren later en werd vooral gerealiseerd door de machine te koppelen aan een gigantische dataset van kennis op het web, op basis waarvan antwoorden kunnen gegeven worden op de heel uiteenlopende vragen in het spel. Snelle toegang tot een wereldwijde databank is in dit geval even sterk of sterker gebleken dan de marges van een menselijk brein. Echter, in beide gevallen, is de machine totaal afhankelijk van haar bronnen, namelijk de regels en data van het expertsysteem, of de data die beschikbaar wordt gemaakt op het web aan de machine. Out-of-the-box-thinking is niet mogelijk; zoals bijvoorbeeld IBM Watson laten deelnemen aan een schaakwedstrijd, en de Deep Blue schaakmachine laten meedoen aan jeopardy …
Belangrijke kritiek op de idee van Alan Turing kwam in 1980, onder de vorm van de ‘Chinese Room’ van John Searle (paper ‘Minds, Brains, and Programs’). Searle gaf aan dat een machine misschien wel Chinese tekens kan omzetten in Engelse tekens aan de hand van een groot woordenboek, maar dat de machine daarom nog niet ‘Chinees’ kent. Hier ontstond het onderscheid tussen ‘Strong AI’ en ‘Weak AI’, waarbij Weak AI slechts een nabootsing doet van intelligentie door het uitvoeren van sequenties en procedures; terwijl Strong AI eerder richt op het effectief realiseren van begrip, intelligentie en een bewustzijn (consciousness) in een machine.
Kunstmatige intelligentie kent nog steeds dezelfde barrières en scope. Vandaag is het niet meer de grote wereld van expertsystemen of van wereldwijde globale netwerken van data, maar wel van het grote geloof in machine learning (ML), neurale netwerken, deep learning, Bayesiaanse modellen, en een groot aantal andere vormen van statistische modellen. Waar de jaren 2000-2010 eerder hoogdagen waren voor informatiemodellen en semantiek, waar de gebruiker informatie codeert voor gebruik door een machine (vb. semantisch web), wordt nu in de laatste jaren eerder gewerkt met data die door de machine zelf wordt gecodeerd (vb. neuraal netwerk), en waarin beslissingen worden genomen of voorgesteld door gedetailleerde en complexe kansrekening. Ook in dit geval is de machine nog steeds volledig afhankelijk van de aangeleverde data (trainingsdata). Data die niet binnen de scope vallen van de trainingsdata kunnen niet op een betrouwbare manier geïnterpreteerd worden.
En precies daar ligt dus het knelpunt van AI, het punt dat niet getest wordt door de Turing test, en dat ook niet geïmplementeerd wordt door enige machine: ‘interpretatie’. Wat niet beschikbaar is in een machine, en ook niet zomaar geïmplementeerd kan worden in een machine, en ook zelden onderzocht wordt, is het typische menselijke kenmerk van ‘interpretatie’ (cfr. Strong AI). Dit ligt aan de basis van de menselijke capaciteit om elkaar echt ‘proberen te begrijpen’, om een gedeelde mening te maken over de tijd heen, om grappen te kunnen maken (en ze grappig te vinden), om verhalen te kunnen vertellen, om analogieën te kunnen zien, om verrast te zijn, om creatief nieuwe ontwerpen te maken, enzovoort. Om dit echt te realiseren, is er dan ook nog meer nood aan langdurige processen en veranderingen in de tijd, zodat zo’n interpretatie aangeleerd kan worden. Meer dan de focus op een bepaalde artefact (bv. een afbeelding) zou een veranderende interpretatie over de tijd mogelijk gemaakt moet worden (bv. een gesimuleerd ontwerp, of het leren van ontwerppatronen door ervaring).
Naar dit laatste onderdeel wordt onderzoek gedaan door verschillende onderzoekers, bijvoorbeeld onder de noemer ‘computational creativity’ of ‘creativity and cognition’. Binnen de Faculteit Built Environment wordt hieraan bijgedragen met het project ‘Creative AI Machines’, met name door Hèrm Hofmeyer en Pieter Pauwels. Dit is een multidisciplinair project waar collaboratief aan wordt bijgedragen door de faculteiten Industrial Design en Industrial Engineering & Innovation Sciences. Dit is een Exploratief, Multidisciplinair AI Research project (EMDAIR) dat wordt mogelijk gemaakt door het Eindhoven AI Systems Insititute (EAISI). Naast dit project worden nog 4 andere AI-projecten ondersteund door EAISI, onder meer het project Brain-on-a-Chip. Via deze projecten tracht EAISI door te breken op AI-fronten die tot nog toe gesloten bleven.
Er bestaan ook een heel aantal meer traditionele onderzoeken die richten naar vooruitgang in de gebouwde omgeving adhv. kunstmatige intelligentie (Weak AI). Veel van deze onderzoeken komen veel dichter bij de ingenieurspraktijken en technologische innovaties van ons onderzoeksveld, en zijn dus minder risicovol. Binnen de faculteit Built Environment wordt dit onderzoek typisch verdeeld onder (artificiële) noemers: prediction, digital twinning, robotics, en ambient intelligence.
Predictie staat voor het gebruik van voorspellingsalgoritmes, foutdetectie-methodes, en patroonherkenning. Deze algoritmes worden zeer uitgebreid gebruikt, en komen bijvoorbeeld terug in de voorspelling van materiaalgedrag (bv. windmolen airfoils, onderhoudsstaat van wegdek, additive manufacturing), voorspelling van weerspatronen voor een verbeterd binnenklimaat, foutdetectie in energiesystemen en HVAC-installaties, enzovoort. Onder robotics wordt verwezen naar een dicht aanliggend veld, namelijk datgene waar alle toestellen of devices in de gebouwde omgeving autonoom moeten gaan functioneren. Dit zijn niet enkel 3D concrete printing (3DCP), maar nog veel meer ook alle sensoren en actuatoren in een gebouw en in een stedelijk weefsel (bv. slimme verlichting, slimme wegsignalisatie), autonoom rijdende auto’s, en zelfnavigerende machines op de bouwplaats (cobots). Veel van dit onderzoek wordt gedragen door de ‘Robotic Architectural Structural Design’ (ROASD) onderzoeksgroep in de faculteit BE.
Anderzijds richt veel AI-onderzoek zich ook op ‘digital twins’, waar een universiteitsbreed DTLab voor is ingericht, onder grote impuls van de Faculteit Built Environment. Hier worden Digital Twins gemodelleerd, niet enkel van gebouwen en steden, maar ook van productiesystemen en fabrieken, van machines en vrachtwagens, van het menselijke hart, en zoveel meer. Interdisciplinair samenwerken over deze domeingrenzen, met aandacht voor gebruik van semantische modellen en state-of-the-art machine learning en deep learning technieken maakt dit DTLab succesvol intern binnen de TUe en extern naar het publiek en bedrijven toe. Dit is dan weer sterk gerelateerd aan onze ambitie in de Faculteit Built Environment om onze gebouwde omgeving zelf intelligentie te geven, en een vorm van ‘ambient intelligence’ te bezorgen: intelligentie in de omgeving. Dat wordt gerealiseerd door het plaatsen van toestellen en sensoren in onze omgeving, incl. de bewoners van die omgeving (smart watches, smart phones, WiFi-signalen, 5G, Internet of Things), en op die manier real-time feedback en responsiveness te realiseren.
Wil je meer te weten komen over AI in de gebouwde omgeving, neem dan contact op met Pieter Pauwels (p.pauwels@tue.nl), met de onderzoekers van de AIinBE Community van de TUe (https://www.tue.nl/AIinBE/), of met EAISI (eaisi@tue.nl). Wil je actief een opleiding in AI volgen, schrijf je dan in voor de gloednieuwe en interfacultaire Master ‘Artificial Intelligence & Engineering Systems’ (AI&ES) waar de Faculteit Built Environment de track rond Smart Cities verzorgt (https://www.tue.nl/en/education/graduate-school/master-artificial-intelligence-and-engineering-systems/).
Bronvermelding
Alan M. Turing, (1950) I.—COMPUTING MACHINERY AND INTELLIGENCE, Mind, Volume LIX, Issue 236, pp. 433-460
https://doi.org/10.1093/mind/LIX.236.433
Searle. (1980). Minds, brains, and programs. Behavioral and Brain Sciences,Volume 3, Issue 3, pp. 417-424. https://doi.org/10.1017/S0140525X00005756
Mail the editors
