МАНИК (когнитивная архитектура)

MANIC , ранее известная как PMML.1, представляет собой когнитивную архитектуру , разработанную лабораторией моделирования и машинного обучения прогнозного Университета Арканзаса . Он отличается от других когнитивных архитектур тем, что пытается «минимизировать новизну». То есть он пытается организовать устоявшиеся методы информатики, а не предлагать какие-либо новые методы достижения познания. В то время как большинство других когнитивных архитектур основаны на некоторых неврологических наблюдениях и впоследствии разрабатываются по принципу «сверху вниз», чтобы вести себя как мозг, MANIC вдохновлен только общепринятыми практиками в информатике и был разработан по принципу «снизу вверх». таким образом с целью объединения различных методов машинного обучения и искусственного интеллекта .

Обзор

На самом высоком уровне MANIC описывает программного агента, который предположительно будет обладать когнитивным интеллектом. Искусственный мозг агента состоит из двух основных компонентов: системы обучения и системы принятия решений.

Система обучения

Система обучения моделирует среду агента как динамическую систему . Она состоит из «функции наблюдения», которая отображает текущие убеждения агента в прогнозируемые наблюдения, и «функции перехода», которая отображает текущие убеждения в будущие убеждения на следующем временном шаге. Функция наблюдения реализована с помощью генеративной архитектуры глубокого обучения . Он обучается без присмотра на основе наблюдений, которые делает агент. Внутренние представления этих наблюдений становятся «убеждениями» агентов. Функция перехода обучается контролируемым образом, чтобы предсказывать следующие убеждения на основе текущих. Вся система обучения во многом основана на статье Майкла С. Гашлера 2011 года, в которой описывается метод обучения глубокой нейронной сети моделированию простой динамической системы на основе визуальных наблюдений. ^[1]

Система принятия решений

Система принятия решений состоит из модуля планирования и функции удовлетворенности. Модуль планирования использует эволюционный алгоритм для разработки удовлетворительного плана. Функция удовлетворенности отображает текущие или ожидаемые убеждения агента на оценку полезности пребывания в этом состоянии. Его обучают подкреплению учителя-человека. Чтобы облегчить такое обучение с подкреплением, MANIC предоставляет агенту механизм создания «фантастических видеороликов», которые показывают ожидаемые наблюдения, если план-кандидат будет выполнен. Идея состоит в том, что учитель-человек будет оценивать эти видео и ранжировать их в соответствии с желательностью или полезностью, а затем агент сможет использовать эту обратную связь для совершенствования своей функции удовлетворения.

Чувствительность

MANIC предполагает, что система обучения дает агенту понимание окружающей среды путем ее моделирования и использования этой модели для прогнозирования будущих убеждений. Далее предполагается, что аналогичный механизм может также реализовать разум . То есть он утверждает, что осведомленность может быть реализована с помощью модели, обращенной вовне, а чувствительность может быть реализована с помощью модели, обращенной внутрь. Поэтому предлагается добавить «интроспективные чувства», которые теоретически дают агенту возможность осознавать свои собственные внутренние чувства, моделируя их, точно так же, как он осознает свое внешнее окружение. В некоторой степени MANIC предполагает, что существующие методы, уже используемые в искусственном интеллекте, непреднамеренно создают субъективный опыт, подобный тем, которые обычно ассоциируются с сознательными существами.

Ссылки

^ Гашлер М. и Мартинес Т., Временное нелинейное уменьшение размерности , В материалах Международной совместной конференции по нейронным сетям IJCNN'11 , стр. 1959–1966, 2011 г.

Внешние ссылки

http://uaf46365.ddns.uark.edu/lab/cogarch.svg — плакат в формате SVG, описывающий архитектуру MANIC.
https://github.com/mikegashler/manic , Java-реализация MANIC.

[1] Гашлер М. и Мартинес Т., Временное нелинейное уменьшение размерности , В материалах Международной совместной конференции по нейронным сетям IJCNN'11 , стр. 1959–1966, 2011 г.

[1]