Vetenskapsområdet för teknik och naturvetenskap

Algoritmerna bakom framtidens tänkande maskiner

2018-01-16

– Att nu få etablera en forskningsmiljö med så skickliga forskarkollegor på KTH är jättekul, säger Thomas Schön, professor i reglerteknik vid Uppsala universitet.

Bakom varje självkörande bil, självlärande robot och smart byggnad döljer sig en mängd avancerade algoritmer som styr inlärning och beslut. Några av de matematiska modeller som utgör ryggraden i automatiserade system byggs som bäst av forskare från Uppsala universitet och KTH.

Det har gått snart ett år sedan IT-forskare vid Uppsala universitet och KTH fick ta emot 24 miljoner från Vetenskapsrådet för bildande av forskningsmiljön “NewLEADS”. Förberedelserna för projektet ”Nya ansatser för modellbaserad inlärning av dynamiska system” drog dock igång redan i januari 2016. Samarbetet mellan forskargrupperna har ännu fler år på nacken, berättar Thomas Schön, professor i reglerteknik vid Uppsala universitet. 

– Vi känner ju varandra väl sen tidigare och har skrivit forskningsartiklar tillsammans. Att nu få etablera en forskningsmiljö med så skickliga forskarkollegor på KTH är jättekul. Tillsammans kan vi göra fantastiska saker som är omöjliga att klara för varje enskild individ.

När det handlar om att lägga upp arbetet mellan lärosätena avgörs det i hög grad av respektive forskargrupps expertis.

– För Uppsalas del ligger fokus i det här projektet på att bygga matematiska modeller för dynamiska system som kan identifiera och hantera osäkerhet. För hur duktiga vi än är kan modeller ändå aldrig stämma perfekt med verkligheten, vi kan aldrig få med alla tänkbara aspekter. Däremot kan vi konstruera matematiska manövrar som hjälper maskiner att fatta självständiga och pålitliga beslut, säger Thomas Schön.

Säkrare beslutssystem

Utmaningen med att bygga algoritmer för dynamiska system ligger i systemens natur: de är i ständig förändring. Där levererar exempelvis trafikkameror, radar och tröghetssensorer den information som algoritmen behöver. Och nu tar ett annat extremt dynamiskt system mer och mer plats bland Thomas Schöns och kollegornas projekt: den mänskliga kroppen.

– Vi jobbar alltmer inom det medicinska området och tittar bland annat på automatiserad diagnos som ett stöd för läkare. Idag skickas svenska röntgenbilder för granskning av läkare i omvända tidszoner som Australien. Sen mejlar de sina rapporter så att kollegorna i Sverige kan studera dem när de kommer till sjukhuset på morgonen. Granskning av det slaget tror jag kommer att automatiseras i viss utsträckning framöver även om det finns betydande utmaningar kvar, säger Thomas Schön.

Den osäkerhet som finns inbyggd i de matematiska modellerna skiljer sig inte från den allestädes närvarande osäkerheten inom dagens diagnosticering, menar han. Läkare kan omöjligt ta till sig all ny medicinsk information. Där kan den automatiserade diagnosen utgöra ett stöd för beslut och bidra till nya frågeställningar. Dessutom kan en lösning baserad på maskininlärning kvantifiera osäkerheten i sin förutsägelse, något som enligt Thomas Schön också utgör viktig information för läkaren som sedan tar det slutliga beslutet.

– Med all data som kommer in byggs en stor erfarenhetsbank upp som alla kan få del av. Det är den stora möjligheten och den stora utmaningen.

Bredd av kompetenser

NewLEADS handlar enligt Thomas Schön främst om ren grundforskning. Samtidigt sker utbyten med mer tillämpningsinriktade projekt. I Uppsalas forskargrupp ingår även Fredrik Lindsten, Peter Stoica och Dave Zachariah med kompetenser inom såväl reglerteknik som signalbehandling och maskininlärning.

Håkan Hjalmarsson, professor i reglerteknik, KTH.
Foto/bild: Kyriaki Sarampasina

KTH-forskarna har en liknande bakgrund men lite annorlunda profilinriktning. Ett av gruppens fokus ligger på hur man ska designa experiment för att få ut så mycket information som möjligt från ett visst system som ska modelleras, berättar Håkan Hjalmarsson, professor i reglerteknik vid KTH. I hans grupp ingår förutom Cristian Rojas också Bo Wahlberg, initiativtagare till NewLEADS. Dessutom arbetar ett tiotal doktorander och post-docs inom NewLEADS vid båda lärosätena. Flera doktorandkurser ska hållas.

Den nya forskningsmiljön har enligt Håkan Hjalmarsson väldigt goda förutsättningar.

– Jag hoppas ju på att KTH och UU ska kunna bygga upp en bra teoribas som är enkel att applicera på  olika tillämpningar av dynamiska system som smart klimatstyrning av byggnader och självkörande fordon, och att vi får se dem komma till användning, säger han och tillägger:

– Vi har nog inte kommit hela vägen fram på sex år men vi har goda möjligheter att ha kommit en bra bit på väg. Vi är ett fantastiskt team.

---

Läs mer:

Forskning inom automatiserade system vid Uppsala universitet och KTH

Podd: "Personliga avatarer ger bättre sjukdomsdiagnos"