Scriptiebank overzicht

Deze thesis breidt een framework voor verklaarbare AI uit zodat het realistischere scenario's kan verwerken. Met behulp van reinforcement learning leert een AI-systeem autonoom taken uit te voeren en genereert het interpreteerbare computerprogramma's die zijn beslissingen verklaren. Dit verhoogt de transparantie, ondersteunt menselijke experts bij het valideren van AI-beslissingen en draagt bij aan betrouwbare AI-systemen.

Hoe kan je binnenkijken in het digitale brein van een AI? Dit werk focust zich op Explainable Artificial Intelligence (XAI) en een techniek om het gedrag van een Deep Reinforcement Learning (DRL) agent over te brengen naar een meer interpreteerbaar model. We verbeteren een recente techniek, dat van neurale bomen in combinatie met knowledge distillation, met een adaptieve vorm die ons kleinere en beter verstaanbare modellen oplevert.

Een data-efficiënte controle-eenheid is ontworpen met behulp van reinforcement learning en gebruik makend van transfer learning om zo een optimale controle te realiseren op het laagspanningsnetwerk. Als flexibiliteitsbronnen worden batterijen en zonnepanelen gebruikt.