Fluid Concept Architectures

1. Fluid Concept Architectures Een experimentatieplatform Joaquin Vanschoren Danny De Schreye - promotor Robby Goetschalckx - begeleider

2. 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. Bird’s nest problem (Minsky) Problemen in real-life AI • Eenvoudige constructie • Rommel op de grond niet ontworpen om nesten te bouwen • Complexe constructie • Onderdelen ontworpen voor assemblage (en voor robot) en beschikbaar

4. Bird’s nest problem (Minsky) Zo ook: 9x9 schaak? Problemen in real-life AI “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. Frame problem Hoe onderscheiden we relevante data op een effectieve manier (zonder het probleem eerst op te lossen)? Problemen in real-life AI Geen tijd om alle data te gebruiken! • Is relevant in de oplossing? • zoek een oplossing met • Doe beredeneerde gok (bv. heuristiek) • Abstraheer de data (hoe?)

6. Frame problem Problemen in real-life AI Franse vlag blauw, wit, rood cirkel, trapezium rechthoek • Kan relevantie blijken door interactie van probleemconcepten en specifieke data? • relevante concepten geven vorm aan abstractie van data • specifieke data beïnvloedt relevantie van concepten

7. Combinatorial explosion Problemen in real-life AI • Kan relevantie het zoeken focussen? • vermijdt brute-force zoeken

8. 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. Lopend voorbeeld • Letterherkenning

10. 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. Strategieën rechts van • Fluid Concepts (Slipnet) • Concepten • Associaties • Conceptuele afstand (weerstand) • Relaties (labels) • Relevantie (activatie) • Activatie verval • Conceptuele diepte • Sparking • Activatie spreiding • Label-knopen • Conceptuele verschuiving .9 onder links .45 rechts van Deel van .6 .4 .3 diepe concepten vervallen trager .65

12. Strategieën Percepts gebonden aan relevantie van deze concepten Contextueel relevante concepten geactiveerd • Hoog-niveau perceptie (Workspace) • Percepts • Mapping • Interpretatie • Sparking • Focus op: • “opvallende” percepts • Relevante mappings • Actieve mappings Relevantie? .9 .8 .6 .4 .9 .5 .9 .4 shape: cupped .3 width: wide height: short .6 .8 height: tall .75 tip1: east .75 curvature: slight-left .9 curvature: right .5 .8 .4 .9 1 .6 .7 .8 1 .8 shape: cupped tip1:NW .95

13. 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. 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. 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. Architectuur Sterk geactiveerde concepten roepen top-down codelets Slipnet Coderack Activatie verspreidt zich via conceptuele associaties Bottom-up codelets continu toegevoegd Activering bij elke mapping Workspace Codelets roepen follow-up codelets Codelets betreden workspace

17. 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. 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. 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. Een experimentatieplatform • Component based approach • Gebruiker schrijft objecten, dynamisch inladen • Codelets, percepts zijn zeer dynamisch • Uniforme (event-based) communicatie

21. Generalisaties • Samengestelde workspaces (en schedulers) • Verschillende “onderdelen” in probleem • Delegeer andere perceptie-niveaus (≠ codelets,…) • Toelaten verschillende stromingen • Percepts vs. codelets vs. semantisch netwerk

22. Fluid ConceptArchitectures Dank u voor uw aandacht!