AI-blog

Érdekességek, elmélkedések és kutatási eredmények a mesterséges intelligencia, robotika és egyéb sci-finek ható tudomány területeiről.

kommentek

Linkek

Tanulás, kreativitás és a robotok: második rész - kreativitás

2010.04.16. 14:04 | Haibane | 13 komment

Címkék: agy természet elmélet hálózatok

Az előző írásban kicsit áttekintettük az agy felépítését és a tanulás folyamatát, melyről megállapítottuk, hogy asszociáción alapszik, majd megismertük az alapvető különbséget az emberi és a gépi emlékezet között. Jelen írásban ezt a gondolatsort szeretném folytatni külön hangsúlyt fordítani az emberi kreativitásra.

Az emberek mára elfogadták, hogy a legalapvetőbb különbség ember és gép között az, hogy mi képesek vagyunk kigondolni olyan dolgokat, amik nem léteznek. De vajon miből ered a kreativitás, mi tesz mineket képessé erre?

A válasz agyunk egyik legérdekesebb tulajdonságában rejlik: fel van osztva különböző területekre. Minden ilyen rész valamilyen speciális feladatért felelős: látás, hallás, mozgatás. Mint azt korábban leírtam, ha az ember agyában a neuronok minden másik neuronhoz hozzá lennének kötve, akkor a "memóriánk maximális lenne". Mégis azt tapasztaljuk, hogy a különböző régiók között a kapcsolatok száma jóval alacsonyabb mint az fizikailag lehetséges lenne. Vajon mi ösztönzi az agyunkat, hogy ilyen feldarabolt állapotban létezzen lecsökkentve saját kapacitását?

 

A titok abban rejlik, hogy az agyunk által felfogott világ legtöbbször egymástól (részben) elkülöníthető elemekből áll, és ezt egy feloszott agy sokkal hasznosabban képes eltárolni. A következő példával megpróbálom ezt szemléletessé tenni. Nézzük meg a homloklebeny hátsó részén található látókérget: ez az agy elsődleges látásért felelős része. A látókéreg három párhuzamos csatornára osztható fel, egyszerűsítve mondhatjuk, hogy ez a három felelős a színért, az alakért és a mozgásért. Könnyen észrevehetjük, hogy a körülöttünk lévő dolgok szétbonthatóak ezekre az egymástól majdnem független elemi részekre.

Színpiroszöldkéksárgafehérfekete
Alakkerekoválisszögleteslaposhomorúdomború
Mozgásbalra mozgójobbra mozgónövekvőcsökkenősüllyedőemelkedő

 

Azzal, hogy a színeket, alakokat és mozgást külön külön részben tároljuk képessé válunk ezen információk kombinálására is mikor szükséges, így ugyanúgy felismerjük a piros balra mozgó dolgot, vagy a barna növekvő szögletest, stb. Itt megjegyezném, hogy sajnos a szín, alak és mozgás tökéletesen nem szétválasztható: egy farönk például nem úgy mozog és nincs olyan színe mint a falevélnek mégis mindkettő a "fa" fogalomhoz tartozik.

Nyelvtanulás terén is igen jól hasznosítható ez a felosztott szerkezet. Képzeljük el, hogy egyszerű mondatokat tárolunk egy teljesen behálózott és egy ilyen feloszott agyban (hálózatban). Az előbbiben tárolható mondatok száma háromszorosa az utóbbiénál, mivel ezt három részre bontottuk, hogy így kilenc elemet tudjon tárolni.

Teljes hálózat (tanulás és előhívás)
NagyAndrásfut
KisPéterúszik
KedvesAnnasíel
BambaJózsialszik
ÜgyesGáborugrott
SzomorúJulisírt
OkosTamásül
FélénkMarielbújt
SzőkeÉvasétált
Felosztott hálózat (tanulás)
NagyAndrásfut
KisPéterúszik
KedvesAnnasíel
Felosztott hálózat (előhívás)
 Nagy Andrásfut 
 Nagy András úszik
 Nagy András síel
 Nagy Péter fut
 Nagy Péter úszik
 Nagy Péter síel
 Nagy Anna fut
 Nagy Anna úszik
 Nagy Anna síel
 Kis András fut
 Kis András úszik
 Kis András síel
 Kis Péter fut
 Kis Péter úszik
 Kis Péter síel
 Kis Anna fut
 Kis Anna úszik
 Kis Anna síel
 Kedves András fut
 Kedves András úszik
 Kedves András síel
 Kedves Péter fut
 Kedves Péter úszik
 Kedves Péter síel
 Kedves Anna fut
 Kedves Anna úszik
 Kedves Anna síel

 

Láthatjuk, hogy bár a teljesen összekapcsolt neuronháló sokkal több mondatot tud megjegyezni, a másik ennek többszörösét (27) képes felismerni, vagyis a meglévő 9 elemet szabadon kombinálni csupán három nyelvtanilag helyes mondat megtanulásával.

Érdemes itt észrevenni, hogy három mondat megtanulásával még 24 mondatot tudunk elképzelni, amit nem is tapasztaltunk korábban. Ha egy ember sétál és meglát egy madarat repülni, majd utána egy sétáló embert, akkor később eszébe juthat a repülő ember fogalma is. Végülis bevált, nem?

Most, hogy már ilyen mélységig jutottunk a tanulás és az emlékezés tudományában, semmi sem akadályozza, hogy a folytatásban tovább kalandozzunk a robotok irányába, és képet kapjunk egy kicsit arról is, hogy a mérnökök miképpen próbálják ezt a tudást valós alkalmazásokba beültetni.

A bejegyzés trackback címe:

https://aiblog.blog.hu/api/trackback/id/tr281926822

Kommentek:

A hozzászólások a vonatkozó jogszabályok  értelmében felhasználói tartalomnak minősülnek, értük a szolgáltatás technikai  üzemeltetője semmilyen felelősséget nem vállal, azokat nem ellenőrzi. Kifogás esetén forduljon a blog szerkesztőjéhez. Részletek a  Felhasználási feltételekben és az adatvédelmi tájékoztatóban.

AlbaZen 2010.04.16. 15:13:01

Nagyon jó befejezés! Ezt a blogot mindenkinek olvasnia kellene! Ha jól értem, minden jelenség, amit az agyunk rögzít, magában hordoz annyi lehetőséget, amennyit azok egységeinek kombinációjából ki lehet nyerni. Ezt aztán az élet vagy igazolja, vagy nem. Így jutott el az emberislg egy barlangból a Holdra.

Az ember viselkedése azonban nem ilyen egyszerű. Számos irracionális, gyarlósági és önzési elem hátráltatlja a világ "jó irányba" történő fejlődését.

wmiki · http://kigondoltam.blog.hu/2014/07/20/stephen_hawking_538 2010.04.17. 14:13:11

sajnos ez az írás sem lett jobb mint az előző
ebből sem tudtuk meg, hogyan jön létre az új gondolat (ige), mitől lesz a kreativítás
(engem az olyan apró részletek is érdekelnének, hogy pontosan hogyan tárolják el a neuronok, ezeket a fogalmakat, hogy peti, meg ügyes, de megértem, ha erről nem lesz szó, vagy túl terjedelmes lenne, vagy a blogírónak sincsen lövése sem róla
de azért a lényeg benne lehetne a cikkekben)

similarthings 2010.04.17. 17:10:52

Jó a cikk, mégha túl sok újdonságot nem is közöl, habár gondolom ami tényleg annyira új, az meg nem adható ki, mert esetlegesen munkahelyvesztéssel jár.

Még jobb maga a kezdeményezés.

A blogra szerintem szükség van, nem árt ha ilyen problémákon is - nem kizárólag sci-fi témakörön belül - elrágódunk.

Talán joggal mondhatjuk azt hogy sokkal fontosabb, mint egyes emberek hiedelemvilágféltő egocentrikus ezoterikus bejegyzése, vagy valódi kreatív munkát nélkülöző üres szóáradata.

üdv.

Haibane 2010.04.17. 17:18:23

@similarthings: köszönöm a hozzászólást. Abban igazad van, hogy, amit leírtam már régen nem új, de úgy hiszem, hogy még így is sokaknak tartalmaz újdonságot, esetleg gondolatokat ébreszt bennük.

Az újdonságokról pedig annyit mondanék, hogy amint tehetem megosztom ezeket, de érdemes tudni, hogy a tudomány nagyon kis lépésekben halad előre és egy ilyen eredmény bemutatása csak igen intentzív és részletes felvezetés után lenne érthető... de kétlem, hogy ugyanígy érdekfeszítő is lenne. Persze majd ahogy jön :)

Haibane 2010.04.19. 19:06:37

@Sedith: igen, ez elég komoly, de a struktúra nagyon nem elég. Én is tudok szimulálni 10000000 neuront csak azt ki tanítja meg és hogyan?

TimeToLive 2010.04.21. 01:36:14

A neuralis halokhoz sajnos nem ertek igazan, de velemenyem szerint nem igazan jo a neuralis halo a bonyolultabb folyamatok tanulasahoz. Arra nagyon jo, hogy statikus kornyezetben (a tanulando optimalis parameterek allandoak) hatekonyan viselkedjen. Dinamikus rendszereknel viszont a parameterek dinamikussaga miatt hajlamos a felretanulasra.

Haibane 2010.04.21. 10:37:10

@TimeToLive: ezt mire alapozod? Mit javasolsz "dinamikus" környezetre?

TimeToLive 2010.04.21. 11:56:46

A legtobb neuralis halo MSE-t (vagy vmi globalis fv-t ) minimalizal, viszont ez nem elegseges a rendszer dinamikus viselkedesenek a leirasahoz. Pl ha sokat es gyorsan valtozik a megtanulando parameter, akkor MSE minimalizalasa ertelmetlen, hiszen nehezen tudjuk megtanulni az aktualis erteket.

Dinamikus problemaknal alt. idoablakot hasznalnak, ill felejtesi egyutthatot. Mint ahogy emlitettem, nem ismerem a neural halos temat annyira, de gondolom akkor hogy ott is vmi hasonlo modszert alkalmaznak.

Viszont a masik problema az, hogy a neuralis haloknal (talan a Kohonen-nel nem) szukseges a tanitasi minta. Sajnos nagyon sok esetben ez nem all rendelkezesunkre (mert mi sem tudjuk, mi a "jo" kimenet). Ezzel ellentetben nagyon sok tanulasi modszer (pl. markov processek es tsai) kepes tanitasi minta nelkul is tanulni.

Osszesegeben nem azt mondom, hogy nem jo a neuralis halo, csak azt, hogy onmagaban nem eleg. Ugy gondolom, hogy arra pl jo, hogy knowledge reasoning-t tamogassa (pl data classification), ezaltal egy robusztus info bazist kepezve a tobbi absztraktabb tanulasi modszernek.

TimeToLive 2010.04.21. 13:23:06

Ez persze csak sajat velemeny, es lehet hogy nincs igazam :)

brlv24 2010.04.21. 14:15:45

@TimeToLive:
"szukseges a tanitasi minta"

Nem minden neuralis halohoz kell trening adatbazis. Van kismillio tipusa, tobbek kozott olyan is, amely a szerint tanul, hogy az aktualis kimenet jobb-e, mint az azt megelozo.
Bar en ilyennel meg nem foglalkoztam, de a szakirodalom tele van vele.

brlv24 2010.04.21. 14:18:33

@TimeToLive: Igazad van, nalunk pl. kozlekedesi halozatok tervezesere/szimulalasara Markov lancokat alkalmaznak eloszeretettel. Ahogy latom egyelore meg elfogadottabb mat. modszer, majd meglatjuk mit hoz a jovo:)

TimeToLive 2010.04.21. 16:25:30

@brlv24: Ha nem tevedek nagyot, akkor jelenleg azert kevesbe elfogadott a neuralis halos modszer meg, mert nagyon sokaig (Minskynek koszonhetoen) a perceptronos vonalat zsakutcanak tekintettek.

Szerintem sok potencial van benne, plane ha kombinaljuk mas tanulasi modszerekkel is :)
süti beállítások módosítása