Hybride AI voor geluidsevent herkenning

Machine learning en meer specifiek deep learning hebben geleid tot een doorbraak in het vinden van oplossingen voor geautomatiseerde interpretatie van akoestische geluidsignalen in verscheidene toepassingen. Niettemin, voor een goede prestatie is het noodzakelijk dat men beschikt over een groot aantal gelabelde training voorbeelden en een substantieel aantal aan computationele resources. Merk op dat dit moeilijk te verkrijgen is in veel complexe real-world applicaties. Het is een groeiende consensus onder AI experten dat het noodzakelijk is om data-driven en kwoledge-driven methods te combineren om AI tot zijn volste potentieel te benutten. De knowledge-driven aanpak baseert zich op reasoning met complexe concepten, inclusief commonsense kennis, en informatie over het applicatie domein en de situatie van toepassing. Deze informatie kan verkregen worden door al verkregen kennis van mensen te gebruiken of resultaten van andere AI methoden te gebruiken. Deze kennis moet expliciet worden geprogrammeerd, maar het grote voordeel is dat dit leidt tot een toename in verklaarbaarheid van het model, transparantie, het bewijzen van de uitkomst en het recycleren van delen van de modellen. De data-driven methodes zoals in deep learning zijn beter geschikt om patronen te herkennen in noisy sensor data. Indien deze patronen kunnen worden herkend in een symbolisch formele manier die toelaat om reasoning te gebruiken, dan zou het mogelijk zijn dat beiden aanpakken kunnen worden gecombineerd. Dit zou leiden tot het beste van beide werelden. Het voordeel van deze symbolische laag is dat het toelaat om prior knowledge toe te voegen in de modellen. Men verwacht dat dit resulteert in een afname in de data die nodig is om het model te trainen en meer inzicht in de applicatie. In het kort, in dit PhD project zal de onderzoeker bekijken hoe hybride AI technieken kunnen worden gebruikt in the domein van machine listening. De focus ligt op twee specifieke voorbeelden: menselijke activiteit in een gebouw, en monitoren van machines en slim onderhoud.