En teori för proaktiv inlärning av ny kunskap och nya färdigheter i AI-system

Forskning om autonoma AI-system har hittills fokuserat på hur system ska agera för att uppnå ett mål som människan har bestämt. Inom det växande fältet proaktiva AI-system, strävar man efter att utveckla system som kan agera förutseende och på eget initiativ, utan att en människa behöver berätta för systemet vad det ska göra. Målet med detta projekt är att ta proaktivitet till nästa nivå. AI-systemet ska inte bara vara kapabelt till att agera på eget initiativ utan också kunna lära på eget initiativ. Systemet kan göra detta genom att resonera kring sin egen och andras kunskap, kring vilken kunskap som ska läras in för att lära sig en ny förmåga, och vilken förmåga som ska läras in för att lära sig en ny kunskap. Betydelsen av denna forskning bottnar i det växande antalet människa-AI-system. Proaktivitet är ett naturligt drag hos människor och därför förväntar människor sig det från sina samarbetspartners. Därför kan proaktiva AI-system underlätta samarbetet med människor. Proaktiva system på nästa nivå, som detta projekt syftar på att realisera, kan därför göra samarbetet mellan människa och AI-system ännu mer effektivt. Vi utvecklar en generell formell teori och beräkningsmetoder som möjliggör resonemang om kunskap, förmåga och lärande. Vi implementerar vårt proaktivt lärande system i simulering och i fysiska robotsystem som vi utvärderar i experiment med människor.