Ze worden steeds vaker ingezet: drones die pakketjes bezorgen. Volgens Eline Bovy spelen hierbij verschillende onzekerheidsfactoren een rol. ‘Neem de wind. Of er veel of weinig wind staat, bepaalt de noodzaak om de drone bij te sturen. Een andere factor is het gewicht dat per pakketje kan verschillen, en daarmee invloed heeft op hoeveel kracht de motoren moeten leveren. Deze twee soorten onzekerheid werken anders: het gewicht blijft tijdens de dronevlucht constant, terwijl de wind voortdurend verandert. Door het type onzekerheid mee te nemen in besluitvormingsmodellen, kunnen autonome systemen optimalere keuzes maken en meer garanties bieden.’
Hoe autonome besluitvormingssystemen omgaan met onzekerheid
Bijna iedereen vindt besluiten nemen lastig, vooral als er sprake is van verschillende vormen van onzekerheid. Maar in welke mate is het bij de ontwikkeling van autonome besluitvormingssystemen mogelijk om onzekerheden mee te nemen, zodat die systemen zelfstandig tot optimalere besluiten kunnen komen? Eline Bovy, promovendus Software Science aan de Radboud Universiteit, onderzoekt dat met wiskundige modellen. ‘Door meerdere mogelijkheden mee te nemen, kun je robuustere oplossingen vinden.’
Robuustere oplossingen
Bovy legt uit dat er een standaard wiskundig model bestaat, het Markov-beslissingsproces geheten, dat gebruikt kan worden om besluitvormingsproblemen te modelleren. ‘Bij elke stap maak je een keuze, en elke keuze kan weer tot meerdere mogelijkheden leiden.’ Zulke modellen worden bijvoorbeeld gebruikt om te bepalen hoe een drone het beste kan reageren tijdens een vlucht. Toch richt haar onderzoek zich niet op die toepassingen, maar op de rol van onzekerheid binnen die modellen. ‘We kijken naar vragen als: kan de kans op verschillende mogelijkheden veranderen? Zo ja, wat weten we dan? En wat betekent het als ze niet kunnen veranderen?’
Wiskundige besluitvormingsmodellen zijn breed toepasbaar. In robotica worden de modellen al veel gebruikt – denk aan de bezorgdrones - , maar ook in de medische wereld en de financiële sector kunnen ze volgens Bovy een rol spelen. ‘Bij investeringsbeslissingen weet je niet precies wat de markt gaat doen. Je maakt inschattingen en baseert daar keuzes op, zoals investeren of verkopen. Ook daarbij kunnen besluitvormingsmodellen helpen.’
Onzekerheid is volgens Bovy onvermijdelijk. ‘We hebben zelden alle informatie. In de medische wereld is het bijvoorbeeld zelden zeker met hoeveel kans een behandeling aanslaat.’ Daarom is het belangrijk om met meerdere scenario’s rekening te houden. ‘Doe je dat niet, dan zijn modellen gevoelig voor kleine afwijkingen. Door meerdere mogelijkheden mee te nemen, kun je robuustere oplossingen vinden.’
Verschillende bronnen van onzekerheid
Volgens Bovy bestaan er verschillende bronnen van onzekerheid. ‘Zo bestaat er enerzijds onzekerheid doordat we de kansen niet exact weten. En anderzijds onzekerheid omdat we niet altijd alle informatie van een probleem kunnen zien, bijvoorbeeld omdat een drone de exacte afstand tot een object niet kent of omdat in de medische setting niet alle gezondheidsfactoren van een patiënt bekend zijn.’ Het vernieuwende van haar onderzoek is dat deze twee bronnen van onzekerheid worden gecombineerd. ‘We weten al veel over sub-modellen die één van deze soorten onzekerheid meenemen, maar minder over wat er gebeurt als ze in een model worden samengevoegd.’
In haar onderzoek kijkt Bovy vooral naar de eigenschappen van de onderliggende modellen. ‘We hebben een basisstructuur met toestanden, keuzes, observaties en mogelijke transitiemodellen. Daarnaast is er een functie die aangeeft hoe goed keuzes zijn ten opzichte van een doel. Wij onderzoeken hoe die functie verandert bij andere aannames over onzekerheid. Kun je met eenvoudigere keuzes hetzelfde bereiken, of verandert de optimale oplossing dan?’
Voor haar onderzoek werkt Bovy al samen met onderzoeksgroepen in Bochum, Antwerpen en Austin. Ook gaat ze samenwerken met groepen in Wenen en Brussel. De meerwaarde van besluitvormingsmodellen zit volgens haar in de garanties die ze bieden. ‘We kunnen wiskundig aantonen wat de kans is dat een drone zijn bestemming bereikt, of hoe groot de kans is op succes van een medisch behandelingstraject.’
Het uiteindelijke doel is volgens Bovy helder. ‘We hopen dat dit onderzoek eraan bijdraagt dat we voor een grotere groep problemen besluiten kunnen berekenen die formele garanties bieden en robuuster zijn tegen onzekerheden. Besluiten die dus veiliger zijn, omdat er met meer mogelijke kansen rekening wordt gehouden. Dat is bijvoorbeeld belangrijk bij autonome systemen die echt gaan deelnemen aan het verkeer.’
Tegelijk nuanceert Bovy het begrip veiligheid. ‘Veiligheid betekent niet alleen dat voorkomen wordt dat een autonoom systeem crasht. Het gaat vooral om robuustheid tegen onzekerheid. We willen met de kennis die we hebben zo goed mogelijk onderbouwde beslissingen nemen.’
Daarbij benadrukt ze dat niet alle problemen geschikt zijn voor deze modellen. ‘De modellen hebben vooral meerwaarde bij problemen met opeenvolgende keuzes met meerdere uitkomsten, die allemaal een kans hebben dat ze gebeuren. Neem bijvoorbeeld het oplossen van een Sudoku. Je moet voor elk leeg vakje een getal kiezen, maar elke keuze leidt tot een duidelijke uitkomst. Er zijn daarbij geen kansen waar je rekening mee hoeft te houden.’
De grootste winst zit volgens haar in het beter beschrijven van onzekerheid. ‘Als we kansen realistischer modelleren, kunnen we betere beslissingen nemen. En dat maakt autonome systemen uiteindelijk betrouwbaarder.’
Foto: GuerrillaBuzz via Unsplash
