Diep Statistisch Relationeel Leren

Tegenwoordig is AI aanwezig in vele aspecten van het leven. We kunnen spraakcommando's aan onze smartphone geven dankzij automatische spraakherkenningssystemen. We kunnen het wereldnieuws in onze taal lezen dankzij automatische vertaalsystemen. Aan het voorfront van deze ontwikkelingen staat deep learning. Dit machine learning paradigma kan grote hoeveelheden data verwerken en hieruit nuttige patronen halen die toekomstige voorspellingen kunnen bevorderen.
Deep Learning is echter niet geschikt voor taken die niet gereduceerd kunnen worden tot patroonherkenning maar waarbij echter men moet redeneren over objecten en hun onderlinge relaties. Bijvoorbeeld een correct programma synthetiseren uit een gegeven specificatie is een taak die niet adequaat door een deep learning systeem opgelost kan worden, onafhankelijk van hoeveel data er beschikbaar is. Programmeren vereist namelijk redenering en het maken abstracties. Het gebrek aan deze vaardigheden voorkomt dat deep learning een algemeen recept kan zijn voor artificiele intelligentie. Dit onderzoeksproject richt zich op het combineren van deep learning met redeneringstechnieken die gebaseerd zijn op logica en probabiliteitstheorie. Deep learning zal hierbij niet als een losstaand element behandeld worden, maar als een belangrijk onderdeel van een grotere theorie. Deze uitdaging is een fundamentele stap richting systemen die zowel kunnen patronen herkennen als redeneren, wat zal leiden naar een meer algemene AI.