Det tycktes vara en bra idé att rita allt relaterat till common sense därför att det är lätt att tappa bort subsystem särskilt när man förändrar arkitekturen. Nu fick jag inte rum med annat än huvuddelarna (och av dessa vad som ej är konfigurerbart på avsnitt där det blev trångt på bilden) och får ta och inhandla dom här väldigt stora millimeterpapprena LundeQ säljer i Uppsala.
Jag tar och publicerar skissen jag gjorde i Google Drawings här i väntan på det som uppföljning till Vid medvetande igen och Bing Maps: NASA World Wind förutom OpenStreetMaps.
Vad som konceptuellt skiljer sig mot vad man ofta sätter i shallow resp. deep reasoning är att i min skiss ser vi att det mesta relaterat kategorier, typer, vad saker är o.s.v. räknas som ytlig kunskap. Jag menar att det är korrekt därför att inte göra det är bara att i bästa fall lura sig själv: det är ytlig kunskap. Att en människa eller ett system kan vettigt spekulera om ett ämne, arttyp eller liknande något hör till är inte djup kunskap.
I deep understanding är delen "särskild informationsinhämtning" till sin natur sådan att den inte är helt automatiserad utan där ligger informationsimport som kräver att människan runt system självorganiserar datakod för att få in informationen. Det är vanligen datakällor som importeras en gång eller mer sällan återkommande t.ex. alla nyheter en viss tidning publicerat, alla forskningsrapporter DoD gjort publika o.s.v., extraktion av Wikipedias infoboxar o.s.v. Vad som därefter representeras i intelligensens långtidsminne i någon form.
Statistisk kunskap om olika ämnen är lagd i deep understanding därför att den fodrar logik och samarbete med andra delar som är mer direkt problem och beslutsrelaterat inte nödvändigtvis av samma standardtyp vi har för resonemang kring kategorier med eller utan statistika uppgifter.
Det skulle vara intressant om Deep Learning (DARPA.mil) kom att göra någon liknande skiss över deras antar jag ännu bara planer. Trots allt är det sällan någon försöker göra ett brett system med kreativförståelse och resonemangsförmåga (det definierar i princip betydelsen jag tror man måste lägga i begreppet om man bra ska kunna lösa den typen av problem som ofta nämns och som inte redan är lösta i publicerad forskning hemmahörande i shallow-understanding).
Egentligen mest för karma för förslaget ovan tog jag med i deep understanding delar relaterade till att skapa tracer signaturer mindre beroende av språk i vanlig mening trots att jag ej har dom delarna uppkonfigurerade nu (mer eller mindre slutförda tidigt under sommaren 2010 tror jag men aldrig som aktiva integrerade delar i systemet: minns jag rätt klarar de kulturell-hemvist konfigurerat riktat ex. California hippi (corpus från forskare UCLA m.m. vs Harvard-följt-av-något-komiskt-relaterat också 1960-talet jag ej minns nu där de ju medan Kalifornien i stereotypernas falska värld roade sig med kaktusar och svampar fördjupade sig i planekonomins idé att en byråkratisk-elit - kanske utbildad vid Harvard - med matematisk exakthet kan få ett helt land att fungera bättre än när det självorganiserar sig med hjälp av vanliga inte lika ekonomiskt duktiga människor t.ex. i butiken väljande vara ) men väldigt långsamt samtidigt med övriga signatur-lösningen vilket dock troligare är ett programmeringsproblem). Lite lagom idé-inspiration.
Klicka på bilden för att se den förstorad (helt säkert nödvändigt för nästan alla).