Upload
italia
View
26
Download
0
Embed Size (px)
DESCRIPTION
Fluid Concept Architectures. Een experimentatieplatform. Joaquin Vanschoren Danny De Schreye - promotor Robby Goetschalckx - begeleider. Overzicht. Motivatie Problemen in real-life AI Lopend voorbeeld Strategieën Vloeiende concepten Hoog-niveau perceptie Parallel trapsgewijs scannen - PowerPoint PPT Presentation
Citation preview
Fluid Concept Architectures
Een experimentatieplatform
Joaquin Vanschoren
Danny De Schreye - promotorRobby Goetschalckx - begeleider
2/21
Overzicht
Motivatie Problemen in real-life AI
Lopend voorbeeld Strategieën
Vloeiende concepten Hoog-niveau perceptie Parallel trapsgewijs scannen
Architectuur Conclusie
Voordelen en tekortkomingen Een experimentatieplatform
3/21
Problemen in real-life AI
Bird’s nest problem (Minsky)
• Complexe constructie• Onderdelen ontworpen voor assemblage (en voor robot) en beschikbaar
• Eenvoudige constructie• Rommel op de grond niet ontworpen om nesten te bouwen
4/21
Problemen in real-life AI
Bird’s nest problem (Minsky)
Zo ook: 9x9 schaak?
“het niet aankunnen van de verscheidenheid in real life”
Kunnen we de vloeibaarheid van concepten voorstellen?• overlappend en associatief van aard• wazige en verschuivende grenzen• aanpassing aan context
5/21
Problemen in real-life AI
Frame problem Hoe onderscheiden we relevante data op een effectieve
manier (zonder het probleem eerst op te lossen)?
Is relevant in de oplossing? zoek een oplossing met
Geen tijd om alle data te gebruiken!
• Doe beredeneerde gok (bv. heuristiek)• Abstraheer de data (hoe?)
6/21
Problemen in real-life AI
Frame problem
Kan relevantie blijken door interactie van probleemconcepten en specifieke data?• relevante concepten geven vorm aan abstractie van data • specifieke data beïnvloedt relevantie van concepten
Franse vlagFranse vlagblauw, wit, rood
cirkel, trapezium
rechthoek
7/21
Problemen in real-life AI
Combinatorial explosion
Kan relevantie het zoeken focussen?• vermijdt brute-force zoeken
8/21
Overzicht
Motivatie Problemen in real-life AI
Lopend voorbeeld Strategieën
Vloeiende concepten Hoog-niveau perceptie Parallel trapsgewijs scannen
Architectuur Conclusie
Voordelen en tekortkomingen Een experimentatieplatform
9/21
Lopend voorbeeld
Letterherkenning
10/21
Overzicht
Motivatie Problemen in real-life AI
Lopend voorbeeld Strategieën
Vloeiende concepten Hoog-niveau perceptie Parallel trapsgewijs scannen
Architectuur Conclusie
Voordelen en tekortkomingen Een experimentatieplatform
11/21
Strategieën
Fluid Concepts (Slipnet) Concepten Associaties Conceptuele afstand (weerstand) Relaties (labels) Relevantie (activatie) Activatie verval Conceptuele diepte Sparking Activatie spreiding Label-knopen Conceptuele verschuiving
Dee
l van
rech
ts v
an
rechts van
onder links
.45
.3
.65
.6
diepe concepten vervallen trager
.4
.9
12/21
Strategieën Hoog-niveau perceptie (Workspace)
Percepts Mapping Interpretatie Sparking Focus op:
“opvallende” percepts Relevante mappings Actieve mappings
height: short.8
width: wide
curvature:slight-left
shape: cupped
height: tall
tip1:NW
tip1: east
shape: cupped
.75
.5
.95
.3
.6.75
.9
.8curvature: right
Contextueel relevante concepten geactiveerd
Percepts gebonden aan relevantie van deze concepten
Relevantie
?
.8 .6.4 .7.9 1 .8 1
.9 .9.5 .4
.8 .4.6.9
13/21
Strategieën
Parallel Trapsgewijs Scannen “A parallel investigation of many possibilities to different levels of
depth, quickly throwing out bad ones and homing in accurately and rapidly on good ones.” (D.R.Hofstadter)
Bouw interpretatie in fases: Meet belofte met een snelle test Als okee, onderzoek nader Als okee, bouw het
Werk in (gesimuleerd) parallel Hoe?
14/21
Strategieën
Parallel Trapsgewijs Scannen Codelets (~ ant systems)
Elk voert deeltje van algoritme uit: Scouts, onderzoekers, bouwers
Opgeroepen met specifieke urgentie: Scouts voortdurend toegevoegd (lage urgentie) Follow-up codelets (urgentie = belofte van interpretatie) Actieve concepten (hoge urgentie)
Scheduler kiest volgende codelet (stochastisch)
Sterkste invloeden vermengen
15/21
Overzicht
Motivatie Problemen in real-life AI
Lopend voorbeeld Strategieën
Vloeiende concepten Hoog-niveau perceptie Parallel trapsgewijs scannen
Architectuur Conclusie
Voordelen en tekortkomingen Een experimentatieplatform
16/21
ArchitectuurSlipnet
Activatie verspreidt zich via conceptuele associaties
Activering bij elke mapping Workspace
Coderack
Sterk geactiveerde concepten roepen top-down codelets
Codelets roepen follow-up codelets
Bottom-up codelets continu toegevoegd
Codelets betreden workspace
17/21
Overzicht
Motivatie Problemen in real-life AI
Lopend voorbeeld Strategieën
Vloeiende concepten Hoog-niveau perceptie Parallel trapsgewijs scannen
Architectuur Conclusie
Voordelen en tekortkomingen Een experimentatieplatform
18/21
Voordelen
Concepten zijn “vloeiend” Flexibele representaties, flexibile acties
Zoekt door “interpretation space” Geen combinaties afgaan
Bouwt eigen representatie op Bottom-up invloeden bepalen mee relevantie Kan originele interpretaties maken
19/21
Tekortkomingen
Moeilijk om goed domein op te stellen Leert (nog) niet Slipnet nog puur contextueel Emergent gedrag, vele parameters Moeilijk om mee te experimenteren
Steeds “from scratch” beginnen
20/21
Een experimentatieplatform
Component based approach Gebruiker schrijft objecten, dynamisch inladen
Codelets, percepts zijn zeer dynamisch
Uniforme (event-based) communicatie
21/21
Generalisaties
Samengestelde workspaces (en schedulers) Verschillende “onderdelen” in probleem Delegeer andere perceptie-niveaus (≠ codelets,…)
Toelaten verschillende stromingen Percepts vs. codelets vs. semantisch netwerk
Fluid ConceptArchitectures
Dank u voor uw aandacht!