Waarom is dit belangrijk?
Systemen kunnen zo redeneren over nieuwe doelen zonder steeds dure proeven in de echte wereld te doen. In wetenschappelijk onderzoek naar kunstmatige intelligentie scheelt dat veel handwerk in ingewikkelde omgevingen, waar een volledige beschrijving met de hand snel fouten bevat. Voor wie met zulke systemen werkt, worden keuzes daardoor beter onderbouwd, maar ontbrekende waarnemingen of ruis in sensoren kunnen de uitkomst onbetrouwbaar maken.
Zo werkt het in de praktijk
Aan de Universiteit van Brescia onderzoeken Aineto en Scala action model learning bij volledige waarneming. Hun algoritme scheidt een strikt model, dat geen foute stap toelaat, van een volledig model, dat een bestaand plan niet uitsluit, en beide vallen met genoeg voorbeelden samen met het echte model. De toets gebruikt domeinen van de International Planning Competition, zoals Satellite en Driverlog.
In planningsonderzoek sluit action model learning aan op PDDL, de Planning Domain Definition Language, een vaste taal voor het beschrijven van een planningsdomein. Een artikel op de conferentie IJCAI leert zulke modellen online, terwijl plannen worden uitgevoerd en bruikbare sporen nog ontbreken. De auteurs toetsen die aanpak op een grote verzameling IPC-domeinen.




