Nytt system lär sig planeringsregler även när informationen är ofullständig

arXiv cs.AI

Forskare har utvecklat NeSyAM, ett system som kombinerar neurala nätverk med symbolisk logik (dvs. klassiska if-then-regler) för att lära en AI-agent hur den ska planera sina handlingar – även när den saknar fullständig information om omvärlden. Det är ett konkret problem: befintliga metoder förutsätter att agenten alltid ser hela bilden, vilket sällan stämmer i verkligheten. NeSyAM testades på sex olika planeringsscenarier och klarade konsekvent att återskapa relevanta delar av de korrekta handlingsreglerna trots bristfälliga data.