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!