Iga füüsikalise nüansi modelleerimise asemel "õpivad" ML-süsteemid mustreid otse andmetest. Seetõttu on huvitav teada, kuidas klassikalise juhtimisteooria ja tehisintellekti üsna erinevad maailmad saavad üldse koos eksisteerida ja mida on neil „teineteisele pakkuda”.

Klassikaline juhtimisteooria toimib ideaalselt nn missioonikriitilistes rakendustes, kus on oluline garantii. Näiteks on meil auto püsikiirusehoidja süsteemi projekteerimisel vaja täpselt teada, kuidas süsteem ühes või teises olukorras käitub.

Insenerid tuletavad matemaatilisi mudeleid algprintsiipidest, kasutades füüsikaseadusi nii jõudude, liikumise kui ka dünaamika kirjeldamiseks. See võimaldab neil projekteerida kontrollereid, mille käitumist saab teaduslikult tõestada. Kuid selline rangus toob kaasa kompromissi: iga mudel on siiski ligikaudse täpsusega ja ühe stsenaariumi jaoks loodud kontrollerid võivad tingimuste muutudes ebaõnnestuda.

Tehisintellekti puhul töötatakse aga otse andmetega, mitte ei tugineta enam hoolikalt tuletatud füüsilistele mudelitele. Näiteks arukates hoonetes saavad andmepõhised juhtimissüsteemid ise reaalajas valgustust, õhuvoolu ja energiavajadust reguleerida, muutes varem staatilised struktuurid üheaegselt adaptiivseteks ja kognitiivseteks (lihtsamalt öeldes ”kohandatavateks ja tunnetuslikeks”) keskkondadeks, mis sõna otseses mõttes reageerivad kasutajate vajadustele ja muutuvatele tingimustele.

Sellel paindlikkusel on aga oma hind. Paljud masinõppemudelid toimivad nagu ”mustad kastid”, millel puudub läbipaistvus ja klassikalised juhtimisteoreetilised omadused nagu juhitavus või vaadeldavus, mistõttu on neid raske analüüsida ja sertifitseerida.

Kuigi sellised süsteemid võivad toimida näiliselt võimsalt ja muljetavaldavalt, on nende ohutu toimimise tõestamine igas olukorras endiselt keeruline. Näiteks võib intelligentne hooneautomaatika süsteem tavapärasel päeval usaldusväärselt hallata mugavust ja kulusid, kuid käituda ettearvamatult äärmuslike ilmastikutingimuste, müraandmete või ootamatu (elektri)hinnatõusu korral. Põhjus on selles, et need olukorrad tema ”treeningandmetes” lihtsalt puudusid ehk sellisteks oludeks jäeti ta ette valmistamata.

Siiski näevad teadlased klassikalist juhtimisteooriat ja tehisintellekti üha enam partneritena, kes teineteist täiendavad. Kui juhtimissüsteemide teooria tagab stabiilsuse, kehtestab veapiirid ja ohutuspiirkondi, aitab tehisaru täita lünki seal, kus klassikalised mudelid ei toimi või traditsioonilised meetodid kehvalt skaleeruvad.

Mõelgem siin energiasalvestussüsteemide optimaalsele juhtimisele: klassikalised algoritmid, nagu dünaamiline programmeerimine, suudavad arvutada tõestatavalt optimaalseid strateegiaid, kuid muutuvad seadmete arvu kasvades kiiresti keeruliseks. Masinõppe meetodid saavad aga õppida otse andmetest, kuidas teha nutikaid otsuseid, aidates süsteemil leida peaaegu optimaalsed lahendused isegi kõige keerulisemates olukordades.

Juhtimisteooria ja tehisaru partnerlus võib aga ulatuda veelgi kaugemale, aidates luua  täiesti uued hübriiddistsipliinid. Näiteks stiimulõppel (tugevdusõppel) põhinev juhtimine, ohutu ja selgitatav tehisintellekt või siis juhtimine, mis on n-ö jagatud inimese ja tehisintellekti vahel.

Nende juhtfilosoofia on lihtne: ühendada paindlikkus usaldusväärsusega ehk integreerida füüsilised ja ohutuspiirangud otse andmepõhisesse õppesse ning sobitada õppekomponendid sertifitseeritud juhtimisstruktuuridesse.

Küsimus on, kas me projekteerime juhtimissüsteeme ka tulevikus või “projekteerivad need ennast ise”?  Kuna tehisaru võimaldab kontrolleritel õppida ja ennast ise valideerida, võib inseneride roll muutuda lihtsalt n-ö disaineritest intelligentsete otsustussüsteemide arendajateks ja juhendajateks.