Forskningsprojekt Grafer och graftransformation förtydligar hur idéer, system och organisationer hänger ihop och förändras över tid. Samtidigt har neuronnät – datorprogram som lär sig mönster genom stora mängder data – blivit ett kraftfullt verktyg inom AI. Nackdelen med dessa metoder är att de saknar transparensen som kännetecknar graftransformation. Det här projektet utforskar hur båda koncept kan kombineras för att skapa teknik som både kan lära sig, och samtidigt vara begriplig och pålitlig.
Projektets mål är att integrera neurala metoder i regelbaserade system som manipulerar grafer. Syftet är att uppnå större flexibilitet och inlärningsförmåga men bevara de regelbaserade systemens transparens och goda algoritmiska egenskaper.
Grafer är överallt. De används till exempel i form av kunskapsgrafer för att specificera hur olika koncept är relaterade till varandra, i form av träd som formaliserar hierarkier, eller i form av organisationsdiagram som visar hur universitet, företag, eller statsapparater är strukturerade.
I datavetenskap är grafer en av de allra viktigaste datastrukturerna eftersom de kan användas för att beskriva dessa och mycket mer komplexa förhållanden. Grafer har fördelen att de är meningsfulla för människor, samtidigt som de kan byggas upp och bearbetas algoritmiskt med hjälp av lokala omskrivningsregler som visar situationen före och efter utan att förlora sig i detaljerna kring hur datorn internt åstadkommer detta. Man brukar säga att dessa metoder och även graferna i sig är transparenta – de använder sig av en abstraktionsnivå som är nära människans sätt att tänka och som därmed går att förstå.
Regelbaserade metoder för att bearbeta olika typer av grafer har studerats sedan datavetenskapens begynnelse och är därför mycket välundersökta. Under det senaste decenniet har neuronnät blivit ett allt mer populärt sätt för att lösa datavetenskapliga problem, främst inom artificiell intelligens och maskininlärning. Fördelen med dessa metoder är att de inte kräver en explicit beskrivning av konkreta regler. Istället lär de sig från data och kan sedan hantera även nya situationer genom att agera ungefär som de skulle ha
gjort i liknande situationer. Nackdelen med dessa metoder är dock att de saknar transparens, (man kallar dem för svarta lådor) och att man inte får några garantier på att de verkligen gör det de ska göra. (Google's desaster med Vision AI som "lärde sig att bli rasist" är ett slående exempel).
Projektets mål är att integrera neurala metoder i regelbaserade system för att uppnå större flexibilitet och inlärningsförmåga å ena sidan men bibehålla transparensen och de goda algoritmiska egenskaperna av regelbaserade metoder.
Projektet Neuro-symbolisk graftransformation finansieras av Vetenskapsrådet som beviljat strax över 5 miljoner till forskningen. Projektet leds av Frank Drewes, professor vid institutionen för datavetenskap, Umeå universitet.
Vänligen kontakta Frank Drewes via kontaktuppgifterna nedan, där du även hittar mer information om institutionen för datavetenskap och den forskning som bedrivs vid Umeå universitet.
