Similarity och implicita kunskaps-relationer mellan symboler

En troligt inte särskilt intressant komplettering till de föregående inläggen förutom de som använder Warrior-plattformen och vid "flexibel-konfiguration" stött på ett lätt fascinerande teoretiskt och praktiskt problemområde. De tidigare inläggen:

Utgå från det konnektionistiska paradigmet och föreställ dig ett nät av noder motsvarande biologiska neuroner. Vi börjar mot den faktiska biologiska psykosen utifrån en förenklad modell som grov approximation av en grupp vanliga typer av psykos och går från det till situationen när jag använder det jämförbara begreppet för symbol-näten i kontext av prediktion.

Vi förenklar hela "problemområdet" dopamin i kontext av psykos genom att säga att neuronerna har ett tröskelvärde. När två neuroner avfyrar samtidigt i ett kontext där vi får bekräftelse upplever vi att de hör samman. Vi har som alltid när vi betraktar relationer mellan symboler för en människa eller i nyhetsanalysen ett perspektiv. För en individ är det viktigaste perspektivet individen själv och därför föga förvånande är väldigt många föreställningar associerade till psykos byggda runt falska uppfattade samband där symboler personen mött i motsvarande do-kontext kopplats samman med personen själv.

Att för en godtycklig situation mer än korrekt identifiera relevant kunskap också förstå perspektiv kräver ofta mer. Det handlar inte sällan om vad vi kan sammanfatta med begreppet erfarenhet. Du kan i skolan lärt dig ett antal teoretiska lösningsmetoder men att förstå hur de tillämpas kan kräva annan förståelse sammankopplad med olika situationer (ex. ekonomiska och juridiska premisser eller kunskap om befintliga lösningar).

Bekräftelse inom maskinintelligens, neuronnät, mönsterigenkänning o.s.v. diskuteras nära nog uteslutande (p.g.a. praktisk problemlösning) utifrån träningsdata. Betrakta emellertid situationen för en person vi antar har högre än normala tröskelvärden d.v.s. de avfyrar lättare än de tränats för:

Vi har ett kontext personen möter i vardagen.
Vi betraktar endast personens kontext utifrån de händelser och beskrivningar denne möter genom nyheterna.
Därför p.s.s. nyhetsanalysen får motsvarande ett do- och describe-kontext.
I personens kontext kommer ett antal symboler dyka upp under dagen.
Avfyrar nu neuronerna för lätt p.g.a. högre tröskelvärde upplevs samband mellan dem.
En mer eller mindre psykotisk person kan t.ex. uppleva samband mellan länder som förekommer i en mängd nyheter med andra symboler aktiva i dennes personliga kontext.
Ex. trots Finlands expertis på telefoni håller jag det för väldigt mycket troligare att det är vanligare med föreställningen av USA avlyssnar deras telefoner.
Inget strikt träningsdata finns nu som kan verifiera om detta är korrekt eller inte.
Vi inser att det också finns en risk- eller behovs-motivation som också får högre tröskelvärde än generellt pragamtiskt eller vad som ger värde.
D.v.s. den troligt falska korrelationen som uppstår mellan symboler rör händelser och skeenden som inte är fruktfulla eller meningsfulla.

Problematiken uppstår när vi har nuhet mellan "psykotiska samband" och faktiska företeelser där vi via nuheten predikterar de senare från de psykotiska sambanden. Hur är det möjligt i en rationell värld? Vår psykotiska person sätter fokus på starka symboler och när vi istället för en person har en maskinintelligens träffar vi av och till på avspeglingar också långt ifrån "källan".

De är i kontext av vår maskinintelligens potentiellt psykotiskt problematiska i den mån maskinintelligensen inte kan "resonera" och "förstå" hur sambandet kan existera utifrån vedertagen långsam inlärning. En person inser t.ex. samlat från sitt livsinlärning att diverse samtidig aktivitet för symboler i vardagen inte just betyder något. För maskinintelligensen gäller p.s.s. och tydligare kanske enklare att förstå också för människan om görlighet att etablera vedertagna relationer mellan symbolerna.

Vi kan identifiera symbol-par som uppvisar nuhet i den mening att vi kan prediktera den ena från den andra men om vi inte förstår relationerna är risken för att nätet blir psykotiskt hög. Detta därför att om vi inte har de vedertagna relationerna i långsam inlärning (och eller relationer via medier vi antar etablerat detta åt oss d.v.s. relationer mellan symboler i do-kontext för nyheter extraherade i nyhetsanalysen) saknar vi möjlighet:

Att flytta och förändra dom grupper av symboler vi använder för prediktionen.
När aktualitet för frågan förändras om än bara väldigt litet förstår vi inte hur vi ska förändra våra symboler.
Samtidigt kommer prediktionen från nyhetsanalysens data varit korrekta en viss tid och därmed om vi (förfaller till) de förenklade principerna för reinforced learning utan olika tidsperspektiv på kunskap (jämför mycket relevant för hur datatyperna skapas med: grundskola, högskola o.s.v. för referensinformationen från vilket vi tolkar och förstår vad vi läser i nyheterna, forskningsjournaler, årsredovisning för ett företag o.s.v. respektive ögonblickets mycket snabba reaktioner för enskilda entiteter ex. Vita husets pressinformation eller analys av grupper av personer på sociala media o.s.v.) har vi förstärkt ett i och för sig samband vars korrekt är mätbart utifrån prediktionen men som vi inte förstår.

För den ej aktualiserad med olika similarity-koncept kan vi jämföra med korrelationen utifrån samtidig aktivitet som typisk för en grupp av sådana mått. Mer statisk kunskap vi en gång för alla lärt oss är mindre påverkad av sådan och är vad vi kan betrakta som resultatet av upprepad sådan similarity. I det senare fallet är en metodgrupp att titta på vilka statiska inlärningar symbolen eller i hjärnan neuronen har relationer med som uttrycker större närhet (d.v.s. motsvarande att dendrit-träden växt närmare en annan neuron eller viktigare mer jämförbart här att vi kan uttrycka konvergens inkluderade flera grupper av neuroner via motsvarande "kategori-neuroner" över annars större avstånd än lokal dopamin-aktivitet kan uttrycka interferens via).

Det finns en mängd tänkbara sätt att hantera det här på (och hantering av de tidsperspektiven är troligt ganska kritiskt eftersom vi när förklarande relationer saknas kan behöva olika indikationer i ögonblickets snabba händelser ex. information från FN eller EU för att förstå vilka relationer i referensinformation som är relevanta eller vilka symboler som behöver kompletteras med mer data). Emellertid har jag egentligen inte prövat någon av metoderna (än) därför jag inte bedömt just detta område som prioriterat på ganska länge och vidare dröjde det ett tag innan jag upplevde att riktigt förstod varför prototyp-applikationen i Netrunner klarade av att prediktera nyheter tämligen generellt under flera dagar. Just att nätet blev psykotiskt var däremot tyckte jag lätt att se och förståelsen av varför de här prediktionsmetoderna är funktionella kompletterande andra (kanske när vi söker punkter att borra djupare i och runt ett ämnesområde vi är intresserade av) bekräftar att det är en mycket meningsfull jämförelse. I Reward version är ett flertal andra liknande jämförelser etablerade som gör jämförelsen just med psykos enklare. Kanske lite skrämmande bra och svårbegripligt och farligt relativt genereringstiden fascinerande.

Nu är det klart oavsett psykotiska problem i den här typen av prediktion kan man tycka att det kan lösas ganska enkelt utan att behöva titta i detalj på algoritmerna. Om du nu får prediktioner du upplever är viktiga och svåra att få bra via andra metoder är lätt att tänka att så länge man kan uttrycka ungefär hur många fel man kan acceptera finns inte något problem. Det är möjligt att det går att få att fungera men problem jag ser inkluderar (och rör ej avvägning datainhämtning för nyhetsanalys relativt drifting thoughts kuberna):

Hela spreading activation konceptet och algoritm-gruppen tenderar just att sprida aktivitet vidare utefter blue light relationerna.
Komplexiteten för att tolka och förstå dom spridningarna om man ligger på 1 miljon noder och 10 miljoner relationer (eller än värre med den stora versionen aktuell här?) är enorm.
Spreading activation följer inte prediktionerna.
Prediktionerna styr bara var du investerar beräkningskraft för att söka mätbar korrelation och från det försöka hitta samband som ger prediktion.

D.v.s. oavsett om prediktionerna fortfarande är korrekta har du ett tidsfönster där världen börjat förändra sig men där diffusionen ännu inte givit effekt i verkligheten märkbart på dom noder vi följer. Där hamnar vi förr eller senare fel och komplexiteten för att försöka gå bakåt i nätet och den vägen på något sätt (om det alls går) identifiera kanske uppdateringar man inte gör eller liknande är föreställer jag mig helt ogörligt.

Spreading activation och jag erkänner själv en periodvis av och till 2010 och 2011 viss fascination för den magi det ger i blue light (eller Drifting Thoughts ännu bättre). Det ska dock inte användas för prediktion över tiden utan som algoritmen och konceptet är definierad nu är det funktionellt för att identifiera intressanta punkter man söker sambanden runt utan att bibehålla tillstånd. Etableras de inte är det tänkbart en indikation om att man behöver importera mer data att bygga en för området djupare anpassad (kanske mycket större) blue light kub från. Med det synsättet kommer man också ifrån behovet av att för rimlig prestanda behöva väldigt mycket beräkningskraft. Jag vågar inte ens drömma om hur mycket ni prioriterat runt dom där prediktionerna. På sätt och vis visste jag att det skulle bli så här. Man talar om exakt varför något inte går att göra, men är mänsklig nog att indikera vad man kan se med det, förklarar att det leder till galenskap, bortkastade cpu-cykler och minne, och när man reflekterar över det kanske tre eller sex månader inser man att det är så klart att de kommer hålla på och peta runt med den svarta magin i drifting thoughts också. Det roade mig då men irriterar mig mest nu eftersom det aktualiserade drifting thoughts för mig vilket är ett koncept som ej är del av Reward version plattformen utan bäst just är en riktad applikation nära ett givet analysproblem ovanpå plattformen men konceptet är som så ofta fascinerande lockande. Jag ångrar inte på något sätt att jag donerade er Warrior-plattformen men det är tydligt för mig att om jag gör det igen till en entitet utan den kompetens ni har får se till att stänga ner allt förutom de givna grundfunktionerna. Får ni cpu över när de stänger ner det där pröva att sätta ljudanalys på sociala media postningar för att konvergera mening. Det ger lite jämförbara underligheter av och till (i aktuell version även om jag tror den senare versionen var ganska stabil även om jag skar bort hela det fonetiska p.g.a. minnes och cpu-kostnaden). Där har vi ju också implicita relationer från befintlig inlärning som kan uttrycka svår begripliga samband man annars lätt missar. Det välkända exemplet från introduktionsböcker i psykologi är ju när vi hör ett ljud samtidigt som vi ser personen forma ett besläktat ljud med munnen och vi tolkar resultatet till ett tredje ljud.

Så hur löser ni problemet? Tja man gör som jag gjorde när jag gjorde dom första genereringarna. När nätet blir vridet och börjar hallucinera kastar man bort det och börjar om från den tidpunkten utan gammalt data. Med mindre än helt annat stöd än som finns i dom där biblioteken finns ingenting annat att göra. Sedan har det ingen betydelse vilket värde tillstånden givit innan. Alternativt gör du samma sak och backar tiden men komplexiteten du möter i relationer är gigantisk.

Faktiskt har jag närmast i Reward version komprimerat ner Blue Light signifikant i antal symboler (ner till cirka 250 000 - 500 000 beroende på konfiguration från ca 800 000) men med väsentligt fler relationer. Det ger över områden minskad risk för psykotiskt obegripliga samband men också minskad möjlighet att söka oväntade samband som kan vara meningsfulla att borra djupare. Det avspeglar först och främst behovet av att hålla cpu och minne så effektivt som möjligt men också just att spreading activation bör ses som en applikation ovanpå grundplattform där man kan tillåta en helt annan typ av relationsnät.