När importen från ConceptNet sammanfördes diverse befintliga resonemangssystem såg jag bra exempel på ett annat exempel relaterat de två strategierna i Marknadsföring och politisk information: Komplexitet vs Uppmärksamhet.
När man går igenom relationstyperna mellan objekt oavsett från ConceptNet, kategorier från andra system, mina SI-enheter associerade entiteter o.s.v. är förståelsen av att relationstypen är rimlig för subjektet normalt alltid fallet när vi vet vad subjektet är. Ex:
| apple | is a | fruit |
Även om vi långt ifrån alltid ens känner igenom vad relationen pekar på (ex. om vi istället har ett latinskt namn istället för frukt ovan).
För bl.a. mitt delsystem Visual Light är det samma inte fallet. Här gäller att de symboler en symbol har relationer till regelmässigt känns naturliga för oss. Däremot har vi svårighet att riktigt förklara varför den hör samman och vad som gör att en ofta synonym inte känns lika naturlig.
Till ex. beautifull hittar vi både vad som kan upplevas vara vackert i en viss instansiering eller i ett givet sammanhang, vad som snarast är egenskaper som målsättning i vad man skapat eller vad man söker, och vi märker språkets kreativitet hur beautifull har bredd över egenskaper personlighet, moral, natur, människors utsida, orter m.m.
Totalt oräknat Visual Light (och den just nu ej aktiva More or Less som konceptuellt har likheter med detta sätt att extrahera fram mening) har vi för beautifull cirka 30 relationer (givet hård-filtrering i konfiguration). Bara Visual Light för beautifull omfattar troligt mellan 100 och 300 relationer mellan symboler.
De typer av relationer Visual Light indikerar är dock oerhört viktiga för common sense. Att förstå relationer är också viktigt men det fångar inte den mening som ligger utanför klassifikationer, ngram-detektion, kategorisering m.m. och har svårighet med omskrivningar, sub-kulturella uttryck m.m.
Hade vi definierat noggrant vad olika aspekter och förekomster av beautifull är (vilket jag har en excellent bok för inspiration kategorisering som ungefär försökt göra detta för konst - i det lätt komiskt men föga förvånande en fantastisk övning i kategorisering) och börjar lära ut det i skolan händer får vi något väldigt annorlunda.
Optimerade relationer mellan användning av konceptet beautifull i samman till i undervisningen införda beteckningar etableras i hjärnans biologiska neuronnät. Ett i undervisningen givet rätt svar gör att den optimerade vägen förstärks.
Betydelsen av beautifull är inte längre som nu vad vi har svårt att uttrycka generellt men som vi alltid förstår i varje sammanhang där betydelsen formas närmare real-time genom att relationer med omgivande neuron-grupper med konvergenser till andra symboler verkar och styr vinkel och intensitet för hur vi når beautifull.
Att klara fånga sådana egenskaper är oerhört viktigt i common sense. Utan det klarar man endast att ta ut konkret-betydelse-nära informations-segment och deras sammanhang: namn, orter, händelser, vapen m.m. Men oavsett hur stort värde som finns där är det bara halva problemet.
Vad Visual Light och More or Less är inriktat mot är cirka 1/3 av den andra halvan där en något större och viktigare del är de egen-dimensioner som uttrycker nivåer av känslor, intensitetstyper m.m. associerade med symbolerna (cirka åtta grundläggande viktiga ex. positivt - negativt, up - down, news power, blue light intensity, known - unknown, entropy, och 30 - 50 st som är den normala minsta nivån för nyhetsanalys). Och i den sista delen ligger mötet mellan de två perspektiven inkluderande för att klara det dom största mängderna eget data bl.a. i form av sannolikheter för koncept ska förekomma tillsammans.
Mängden data nödvändigt för att sammanföra perspektiven resp. antalet egen-dimensioner och en hel del mer kan via ett antal olika teoretiska vägar reduceras i vilket fall man får principiellt färre dimensioner. Nackdelen med att göra detta ex. via LSA eller PCA som optimering av utrymme minne, hårddisk och hastighet är att det bygger på principen att de antagande som påverkar hur denna process ska ske går att approximera som känt konstatera när det sker.
Det enda sättet så vitt jag vet vi kan göra det med More or Less och Visual Light utan att bryta orimligt mot antagandet är att reducera upplösningen och därmed förståelsen av vad vi ser. När Osgood's faktoranalys hamnade i tre dimensioner för adjektiv varit det ett oerhört viktigt arbete som positivt kom att styra forskningen fram till idag. Men oavsett hur värdena fördelar sig mellan de tre dimensionerna för adjektiv har vi givet kontext tappat information i den mening att vi inte längre fullt förstår meningen och heller inte praktiskt klarar att ta värdena vi fått i algoritmer som tolkar dem vidare.
För att ta fram vikter för att skatta olika uttryck av dimensioner är det bra teknik men söker man därefter konkret reducera rummet tappar man mening. Hur är det möjligt? Därför att dimensioner här till stordel är co-occurance och samspel med andra symboler. Dessa dimensioner definierar betydelsen från ett samlat kontext inkluderande mer än situationen bl.a. också ditt humör och mycket mer. Det är ett dynamiskt uttryckt som inte konvergerar annat än som ett första utgångsvärde där detta heller inte efter faktoranalys är funktionellt annat än att med stor försiktighet projisera vad vi från det kan säga om motsvarande indikation för symboler genom att analysera samspelet med många ord tillsammans i en text.
Den värdefulla ibland kritiska analysen alltid svår oavsett om den görs av människor och/eller datasystem är människan ensam och i grupp och hennes motiv. Det konkreta i situationen precis som vi lättare upptäcker kända vapen på flygplatser kontroller är på samma sätt som föremålen är konkreta vad vi kan identifiera konkreta kontroller för. För övrig analys behöver låta systemet bli konstnärligt inexakt för att exakt förklara känslor.
