Elementy kognitywistyki III: Modele i architektury poznawcze

Podobne dokumenty
Elementy kognitywistyki II: Sztuczna inteligencja. WYKŁAD XII: Modele i architektury poznawcze

Elementy kognitywistyki III: Modele i architektury poznawcze

Elementy kognitywistyki III: Modele i architektury poznawcze

Elementy kognitywistyki II: Sztuczna inteligencja. WYKŁAD III: Problemy agenta

Elementy kognitywistyki III: Modele i architektury poznawcze

Elementy kognitywistyki III: Modele i architektury poznawcze

Elementy kognitywistyki III: Modele i architektury poznawcze

O REDUKCJI U-INFORMACJI

Czy architektura umysłu to tylko taka sobie bajeczka? Marcin Miłkowski

Wstęp do kognitywistyki. Wykład 12: Wprowadzenie do SI. Obliczeniowa teoria umysłu

Pamięć i uczenie się. Pamięć (prof. Edward Nęcka) Pamięć (Tulving) to hipotetyczny system w umyśle (mózgu) przechowujący informacje

PRZEWODNIK PO PRZEDMIOCIE

Elementy kognitywistyki II: Sztuczna inteligencja

Aproksymacja funkcji a regresja symboliczna

Percepcja, język, myślenie

METODA PROJEKTÓW NA TLE DYDAKTYKI KONSTRUKTYWISTYCZNEJ

Wstęp do kognitywistyki. Wykład 7: Psychologia poznawcza: nietrwałe reprezentacje mentalne

Reprezentacje poznawcze

Elementy kognitywistyki II: Sztuczna inteligencja. WYKŁAD II: Agent i jego środowisko

Pamięć i uczenie się Pamięć przemijająca: krótkotrwała, robocza

Syste t m e y m ek e s k per pe to t w o e w Wykład 8 1

Pamięć i uczenie się Organizacja pamięci: systemy i procesy

INFORMATYKA W SZKOLE. Podyplomowe Studia Pedagogiczne. Dr inż. Grażyna KRUPIŃSKA. D-10 pokój 227

Elementy kognitywistyki III: Modele i architektury poznawcze

Modelowanie i Programowanie Obiektowe

Projektowanie Zorientowane na Użytkownika (UCD)

w analizie wyników badań eksperymentalnych, w problemach modelowania zjawisk fizycznych, w analizie obserwacji statystycznych.

prawda symbol WIEDZA DANE komunikat fałsz liczba INFORMACJA (nie tyko w informatyce) kod znak wiadomość ENTROPIA forma przekaz

Programowanie komputerów

Elementy kognitywistyki III: Modele i architektury poznawcze

Kognitywistyka: odkrywanie labiryntu umysłu z różnymi nićmi Ariadny w ręku

Wstęp do kognitywistyki

Nauczanie problemowe w toku zajęć praktycznych

Wstęp do kognitywistyki. Wykład 3: Logiczny neuron. Rachunek sieci neuronowych

mgr inż. Magdalena Deckert Poznań, r. Metody przyrostowego uczenia się ze strumieni danych.

zna metody matematyczne w zakresie niezbędnym do formalnego i ilościowego opisu, zrozumienia i modelowania problemów z różnych

Cyfrowość i analogowość. Wstępny zarys tematyki metodologicznofilozoficznej

M T E O T D O ZI Z E E A LG L O G R O Y R TM

Technologia informacyjna Algorytm Janusz Uriasz

ANKIETA: STANDARDY JAKOŚCI DLA PROGRAMÓW EDUKACYJNYCH

Systemy Agentowe główne cechy. Mariusz.Matuszek WETI PG

Algorytm. Krótka historia algorytmów

Wymagania edukacyjne na poszczególne stopnie z fizyki dla klasy VII:

Okręgowa Komisja Egzaminacyjna w Krakowie 1

Projektowanie rozwiązań Big Data z wykorzystaniem Apache Hadoop & Family

Przedmiotowy System Oceniania z matematyki klasy 4 6 Szkoły Podstawowej w Kluczewie. Przedmiotowy System Oceniania z matematyki jest zgodny z:

Podstawy metodologiczne symulacji

Wymagania edukacyjne na poszczególne stopnie z fizyki dla klasy I:

Temat: ANFIS + TS w zadaniach. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE

Systemy eksperowe. Agnieszka Nowak Brzezińska Wykład I

Algorytm Chaitin a. Problem kolorowania grafu. Krzysztof Lewandowski Mirosław Jedynak

SZTUCZNA INTELIGENCJA

O ALGORYTMACH I MASZYNACH TURINGA

Przepływy danych. Oracle Designer: Modelowanie przepływów danych. Diagramy przepływów danych (1) Diagramy przepływów danych (2)

5. Wprowadzenie do prawdopodobieństwa Wprowadzenie Wyniki i zdarzenia Różne podejścia do prawdopodobieństwa Zdarzenia wzajemnie wykluczające się i

Teraz bajty. Informatyka dla szkół ponadpodstawowych. Zakres rozszerzony. Część 1.

O ISTOTNYCH OGRANICZENIACH METODY

Metoda tabel semantycznych. Dedukcja drogi Watsonie, dedukcja... Definicja logicznej konsekwencji. Logika obliczeniowa.

Badania operacyjne: Wykład Zastosowanie kolorowania grafów w planowaniu produkcji typu no-idle

O badaniach nad SZTUCZNĄ INTELIGENCJĄ

ARKUSZ / SCHEMAT PROWADZENIA ZAJĘĆ - TRENOWANIE PAMIĘCI, TRENOWANIE FUNKCJI POZNAWCZYCH. (wariant 1 trenowanie pamięci)

Dydaktyka przedmiotowa

EFEKTY UCZENIA SIĘ DLA KIERUNKU INŻYNIERIA DANYCH W ODNIESIENIU DO EFEKTÓW UCZENIA SIĘ PRK POZIOM 6

Projektowanie oprogramowania cd. Projektowanie oprogramowania cd. 1/34

SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.

1.7. Eksploracja danych: pogłębianie, przeszukiwanie i wyławianie

Obliczenia inspirowane Naturą

Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych

Metody przeszukiwania

Tom 6 Opis oprogramowania

Projekt wykonania zadania informatycznego specyfikacja zadania

Uniwersytet w Białymstoku Wydział Ekonomiczno-Informatyczny w Wilnie SYLLABUS na rok akademicki 2012/2013

CZYM SĄ OBLICZENIA NAT A URALNE?

ZAGADNIENIA DO EGZAMINU DYPLOMOWEGO NA STUDIACH INŻYNIERSKICH. Matematyka dyskretna, algorytmy i struktury danych, sztuczna inteligencja

Opis efektów kształcenia dla programu kształcenia (kierunkowe efekty kształcenia) WIEDZA. rozumie cywilizacyjne znaczenie matematyki i jej zastosowań

Systemy ekspertowe. Krzysztof Patan

O badaniach nad SZTUCZNĄ INTELIGENCJĄ

Festiwal Myśli Abstrakcyjnej, Warszawa, Czy SZTUCZNA INTELIGENCJA potrzebuje FILOZOFII?

O badaniach nad SZTUCZNĄ INTELIGENCJĄ

KIERUNKOWE EFEKTY KSZTAŁCENIA

OpenAI Gym. Adam Szczepaniak, Kamil Walkowiak

Pamięć. Wstęp. Daria Woźniak Kognitywistyka III rok

LEKCJA TEMAT: Zasada działania komputera.

Koło matematyczne 2abc

1. Wybrane psychologiczne problemy organizacji i zarządzania (12 godz.) 2. Zachowania ludzi w organizacji (8 godz.)

prawda symbol WIEDZA DANE komunikat fałsz liczba INFORMACJA kod (pojęcie interdyscyplinarne) znak NEGENTROPIA wiadomość forma przekaz

koniec punkt zatrzymania przepływów sterowania na diagramie czynności

[1] [2] [3] [4] [5] [6] Wiedza

Budowanie skutecznego zespołu przez product managera

Algorytm genetyczny (genetic algorithm)-

Analiza i projektowanie obiektowe 2016/2017. Wykład 10: Tworzenie projektowego diagramu klas

Księgarnia PWN: Edward Nęcka, Jarosław Orzechowski, Błażej Szymura - Psychologia poznawcza

Algorytm. Krótka historia algorytmów

Programowanie współbieżne Wykład 2. Iwona Kochańska

PRZEDMIOTOWY SYSTEM OCENIANIA Z PRZEDMIOTU ELEMENTY PSYCHOLOGII W LICEUM

Elementy kognitywistyki II: Sztuczna inteligencja. WYKŁAD X: Sztuczny neuron

Efekty kształcenia dla studiów podyplomowych: Sposób dokumentacji efektów kształcenia

Bazy danych. Zachodniopomorski Uniwersytet Technologiczny w Szczecinie. Wykład 3: Model związków encji.

Informacja w perspektywie obliczeniowej. Informacje, liczby i obliczenia

WSPÓŁCZESNA ANALIZA STRATEGII

Transkrypt:

Elementy kognitywistyki III: Modele i architektury poznawcze Wykład IX: Architektury poznawcze (symboliczne) II: Soar

Soar - przegląd Soar (Start Operator And Result, od 1983) John Laird, Allen Newell, and Paul Rosenbloom: Carnegie Mellon University, University of Michigan http://sitemaker.umich.edu/soar/home (obecnie wersja 9.3.0) ogólna architektura poznawcza umożliwiająca tworzenie i rozwijanie podmiotów wykazujących się inteligentnym zachowaniem zadania: modeluje szeroki zakres zadań: od rutynowych po problemy otwarte reprezentuje i wykorzystuje takie formy wiedzy, jak: proceduralna, deklaratywna, epizodyczna, ikoniczna (w toku) wykorzystuje wszystkie dostępne metody rozwiązywania problemów (patrz: http://konderak.eu/ekg08.html zwł. wykłady IV i V) wchodzi w interakcje ze światem zewnętrznym

Soar - podstawy zupełna racjonalność wykorzystanie całej dostępnej systemowi wiedzy w każdym napotkanym zadaniu Soar poszukiwania aproksymacji zupełnej racjonalności Z1: decyzje podejmowane poprzez kombinacje stosownej wiedzy w toku działania, dokładniej: interpretacji danych sensorycznych zawartości pamięci roboczej wiedzy odzyskiwanej z pamięci długotrwałej Z2: minimalizacja ilości mechanizmów w architekturze: jedna struktura ujmująca zadania i pod-zadania (przestrzenie problemowe) jedna reprezentacja wiedzy trwałej (produkcje)

Soar podstawowe zasady jedna reprezentacja wiedzy tymczasowej (obiekty z atrybutami i wartościami) jeden mechanizm generowania celów jeden mechanizm uczenia się (chunking) v.9: 4 mechanizmy uczenia się (+wzmacnianie, uczenie się epizodyczne i semantyczne), oraz 3 postaci reprezentacji wiedzy długotrwałej (produkcje wiedzy proceduralnej, semantycznej i epizodycznej) funkcjonalność: Soar dysponuje wszystkimi elementarnymi zdolnościami niezbędnymi do realizacji pełni zdolności poznawczych człowieka wydajność: istnieją obliczeniowo wydajne algorytmy realizujące elementarne operacje w Soar

Problem ogólnej inteligencji ludzka inteligencja to przejaw ogólnej inteligencji AI: jakie funkcje są niezbędne do osiągnięcia ogólnej inteligencji brak zgody co do tego, jakie mechanizmy mają realizować te funkcje Soar oparta na wynikach AI próba zrozumienia funkcjonalności niezbędnej do ogólnej inteligencji, oparta na hierarchii poziomów: odzyskiwana wiedza / poziom pamięci wykorzystywanie zakodowanej wiedzy, elementarne wybory / poziom decyzji zestawiane są ciągi rozważań by osiągnąć cel / poziom celów przedział poznawczy jest wspierany przez poziomy niższe: neuronowy/koneksjonistyczny

Problem ogólnej inteligencji

Założenia metodologiczne (1) skupienie się na przedziale poznawczym [cognitive band] vs. stanowisko koneksjonistyczne, logiczne, eksperckie kompletny model ogólnej inteligencji wymaga modelu przedziału poznawczego (PPoz) zrozumienie PPoz ograniczy modele pozostałych przedziałów model PPoz jest niezbędny do praktycznej realizacji systemów wiele psychologicznych/ai danych dotyczących PPoz (2) nie należy rozróżniać ludzkiej/sztucznej inteligencji więcej danych i metod, w tym: dane eksperymentalne (psychologia, AI) uzasadnienia teoretyczne (abstrakcyjna analiza wymogów nakładanych na ogólną inteligencję, jak rozmaite mechanizmy wymogi te spełniają

Założenia metodologiczne, cd (3) architektura składa się z małej liczny wzajemnie niezależnych mechanizmów jednolitość i prostota vs. modularność (4) maksymalne wykorzystanie architektury by ustalić spektrum zdolności poznawczych, jakie może wyjaśnić/modelować: replikacja znanych danych nowe podejścia, stare problemy przewidywanie nowych danych

Poziom 1: pamięć przechowywana jest wiedza: deklaratywna (semantyczna), proceduralna i epizodyczna porcja dowolnej wiedzy (chunk) przechowywana jest w postaci produkcji dostęp do pamięci polega na wykonywaniu tych produkcji w trakcie wykonywania produkcji zmienne z części działanie są zastępowane wartościami efekt odzyskiwania wiedzy: umieszczenie jej w globalnym obszarze roboczym pamięć robocza zawiera krótkoterminowy kontekst przetwarzania, np..: (obiekt o025 ^nazwa mruczek ^typ kot ^kolor rudy) Szczególny typ struktury pamięci roboczej: preferencje kodujące wiedzę o akceptowalności i atrakcyjności [desirability] działań

Pamięć, cd. tradycyjnie produkcje: operatory (ACT) lub implikacje Soar: produkcje odpowiadają za (równoległe) odzyskiwanie wiedzy z pamięci: sytuacja dane z LTM produkcje uruchamiane są równolegle (por. ACT) nie są rozstrzygane konflikty między produkcjami wiedza kodowana proceduralnie: nie umieszcza nic w pamięci roboczej wiedza kodowana deklaratywnie: umieszcza informacje w WM

Poziom 2: decyzje odzwierciedla zdolności do generowania i wyboru kolejnych podejmowanych działań stosownych do danej sytuacji poziom 2: oparty na pamięci plus procedury decyzyjne (wbudowane w architekturę) 2 etapowy cykl działania opracuj-decyduj [elaborate-decide] wielokrotny dostęp do pamięci, aż do uzyskania stanu spoczynku [quiescence] wiedza o działaniach, ich preferencjach, akceptowalności i atrakcyjności dobór jednego z działań opaty na preferencjach przestrzeganie planu: decyzja oparta na uprzednio wygenerowanej wiedzy reaktywność: decyzja oparta głównie na wiedzy o bieżącej sytuacji

Poziom 3: cele realizuje zdolność do kierowania swoich działań na pewien cel cele [goal] są ustalane ilekroć nie można podjąć decyzji impas: brak możliwości do wyboru są alternatywne produkcje, brak preferencji umożliwiających wybór impas architektura generuje cel: rozwiązanie impasu i tworzy nowy kontekst to może prowadzić do stosu pod-celów pod-cel jest zakończony gdy rozwiązany jest jego impas lub jeden z nadrzędnych pod-celów jest zakończony zadania zorientowane na cel formułowane są w kategoriach przestrzeni problemowych (por. http://konderak.eu/ekg08.html wykł. III)

Poziom 3: cele

cele, cd. każda decyzja (wybór przestrzeni problemowej, operatora, stanu) podejmowana przy rozwiązywaniu problemu oparta jest na wiedzy dostępnej w pamięci produkcji wiedza poprawna i wystarczająca zachowanie algorytmiczne lub wiedzochłonne wiedza niepoprawna i/lub niewystarczająca: procedury przeszukiwania heurystycznego

Uczenie się w Soar odbywa się przez przyswajanie chunks - produkcji podsumowujących rozwiązywanie problemu pojawiające się w pod-celach, składają się na nie: strona prawa (działanie): wiedza wygenerowana w trakcie działania podcelu strona lewa (warunek): ścieżki dostępu do tej wiedzy, obliczane dzięki analizie produkcji uruchomionych w ramach pod-celu implicytna generalizacja wykorzystanie chunks w sytuacjach innych, niż pierwotna właściwości chunking jako mechanizmu uczenia się vs. właściwości Soar jako systemu uczącego się: rozmaitość typów pod-celów, rodzaje metod rozwiązywania problemów wraz z typami i źródłami wiedzy, sposób wykorzystywania chunks w dalszym rozwiązywaniu problemów.

Źródła mocy teorii uniwersalność architektury: może wykonać dowolne obliczalne zadanie jednolitość architektury prowadząca do słabości i nieefektywności specyficzne mechanizmy wbudowane w strukturę architektury Rozdzielenie sterowania i działania możliwość niezależnego namysłu nad nimi Przyswajanie wiedzy z doświadczenia: produkcje zinterpretowane w niezinterpretowane efekt interakcji wynikający z integracji wszystkich zdolności w pojedynczym systemie Metody silne : oparte na wiedzy co robić w każdym kroku Metody słabe : wyszukiwanie przy niedostatecznej wiedzy Uczenie się przekształcające metody słabe w silne

Możliwości i ograniczenia (1) Pamięć: objętość ograniczona kosztem przeszukiwania dużej liczby produkcji problem z reprezentacją wiedzy niepewnej, kwantyfikowanej, epizodycznej organizacja pamięci: brak struktur jak ramy czy schematy (2) Decyzje: prędkość: 10 decyzji/sek. zależna od prędkości dostępu do pamięci Przywoływanie wiedzy: równoległe, indeksowane, efektywne (3) Cele: Typy celów: uniwersalne; problemy: cele wyższego poziomu, interakcja celów

Możliwości i ograniczenia (4) Uczenie się: 4 problemy: kiedy się uczy, w oparciu o co, czego może się uczyć, jak zastosować zdobytą wiedzę; Problem: czy wiedza przyswajana jest na właściwym poziomie szczegółowości: Nadmierna generalizacja Nadmierna szczegółowość (5)percepcja/motoryka: Zachowanie percepcyjne/motoryczne: pośredniczy pamięć operacyjna Specjalne produkcje (de)kodujące: struktury poznawcze wysokiego poziomu i struktury percepcyjne/motoryczne niskiego poziomu operują tylko na polach percepcyjnych/motorycznych niezależnie od reszty kontekstu

Możliwości i ograniczenia Soar może być powiązany z wieloma perceptualnymi modalnościami (i kilkoma polami w ramach modalności) Sterowanie poza architekturalnymi rozwiązaniami Język naturalny konstrukcja modelu sytuacji