Prezentace se nahrává, počkejte prosím

Prezentace se nahrává, počkejte prosím

Kognitivní vědy Problém reprezentace poznatků Mgr. Petr Tučník.

Podobné prezentace


Prezentace na téma: "Kognitivní vědy Problém reprezentace poznatků Mgr. Petr Tučník."— Transkript prezentace:

1 Kognitivní vědy Problém reprezentace poznatků Mgr. Petr Tučník

2 2 Obsah přednášky  Komputačne-reprezentační uchopení mysli  Logika  Pravidla  Konekcionismus  Argument čínského pokoje ---  Přednáška je zpracována podle knihy Paula Thagarda: Úvod do kognitivní vědy

3 Komputačně-reprezentační uchopení mysli

4 4 Komputačně-reprezentační uchopení mysli (1)  Computational-Representational Understanding of Mind - CRUM  Přístupy založené na hypotéze, že myšlení lze nejlépe pochopit v pojmosloví reprezentujících struktur v mysli, a v pojmosloví výpočetních procedur, které na těchto strukturách operují.  Povaha reprezentací a výpočetních postupů, které konstituují myšlenkové procesy, není zatím jednoznačně určena (vedou se o tom spory, jsou různé názory).

5 5 Komputačně-reprezentační uchopení mysli (2)  Existuje určitá analogie mezi prací počítače a myšlením.  Teorie CRUM předpokládá, že v mysli existují mentální reprezentace analogické datovým strukturám (souborům) a výpočetní procedury podobné algoritmům. ProgramMysl Datové struktury + algoritmy = běh programu Mentální reprezentace + výpočetní procedury = myšlení

6 6 Koncepce CRUM (1)  Koncept komputačně-reprezentačního uchopení mysli (CRUM) sjednocuje kognitivní bádání v oblastech, kde je lidské myšlení zpracovatelné výpočetními procesy (počítači).  Některé otázky zůstávají samozřejmě nezodpovězeny (vědomí, emoce), ale řada důležitých postupů byla identifikována a formálně popsána.

7 7 Koncepce CRUM (2)  CRUM se zaměřuje především na manipulaci se znalostmi a různé způsoby jejich reprezentace. Patří sem hlavně: Logika Pravidla Pojmy-koncepty Analogie Představy Konekcionistické sítě

8 8 Koncepce CRUM (3)  K pochopení lidského myšlení je zapotřebí řady reprezentací a výpočetních postupů – žádný z nich přitom neumožňuje pochopení všech stránek myšlenkových pochodů.  Myšlení je v tomto kontextu chápáno jako výsledek mentálních reprezentací a výpočetních procesů operujících na těchto reprezentacích.

9 9 Koncepce CRUM (4)  Koncepce CRUM překonává jiné teorie myšlení v tom, že dokáže vysvětlit psychické projevy a prakticky je znázornit.  CRUM není uzavřenou teorií – ne všechny stránky lidského myšlení lze převést do CRUM konceptů.

10 Logika

11 11 Logika  Mnoho myšlenek o reprezentacích a výpočtech má svůj základ v logické tradici.  Zakladatelem formální logiky byl před více než dvěma tisíciletími řecký filozof Aristoteles ( př. n. l.).  První teorie výpočtů byly také dílem logiků (např. A. Turing nebo A. Church).

12 12 Reprezentace poznatků v logice  Cílem reprezentace poznatků je vyjádření poznatků v takovém tvaru, ve kterém by bylo možné jejich zpracování popsat výpočetními procesy.  Tvar poznatků je dán jazykem pro reprezentaci – z něj vyplývá syntax i sémantika reprezentace a obojí musí být definováno přesně.  Takovou přesnou definici nám poskytuje jazyk formální logiky.

13 13 Proces usuzování  Nová fakta jsou vytvářena v procesu usuzování.  Proces usuzování musí být takový, že nová fakta skutečně vyplývají z doposud známých faktů.

14 14 Sémantika  V procesu logického usuzování vzniká relace mezi fakty a jejich reprezentací. Vztah mezi nimi definuje sémantika.  Sémantika určuje vztah mezi větami a fakty (neboli přiřazuje větám fakta).  Mezi fakty existuje vztah vyplývání, mezi větami jej logika vyjadřuje vztahem logického vyplývání.

15 15 Odvozování  Mechanismus, kterým logika zajištuje, že z nějaké množiny faktů vyplývá jiný fakt se nazývá odvozování.  Každá procedura odvozování musí zachovávat pravdivost.  Formule logicky vyplývající z množiny formulí je reprezentací faktu, který vyplývá z množiny faktů, reprezentovaných danými formulemi.

16 16 Sylogismy Všichni studenti jsou přepracovaní. Martin je student. Tudíž Martin je přepracován.  Schéma obsahující dvě premisy a závěr. Lze je analyzovat čistě formálně.  Sylogismy jsou formou deduktivního odvozování – závěry nutně plynou z premis, pokud jsou pravdivé premisy, je pravdivý i závěr.  Lze používat místo slov různých symbolů, pravdivost sylogismu se tím nezmění. Například: Všechna S jsou P. M je S. Tudíž M je P.

17 17 Propoziční (výroková) logika (1)  Vzorce typu „p“ nebo „q“ zastupují celé věty typu „Pavel je v knihovně“ a „Quido je v knihovně“.  Vzorce lze kombinovat pomocí symbolů do složitějších struktur: „&“ – and, a „“ – or, nebo „“ – if-then, jestliže-pak „“ – not, negace

18 18 Propoziční (výroková) logika (2)  Věta „„Pokud jsou v knihovně Pavel nebo Quido, není tam Dana.“ může být zapsána takto: (pvq) d  V propoziční logice jsou věty typu „Pavel je student.“ nedělitelným celkem.

19 19 Učení – generalizace a abdukce  Induktivní zobecnění (generalizace) – induktivní znamená, že obsahují prvek nejistoty, z dobře známých skutečností se soudí na to, co je nanejvýš pravděpodobné.  Abdukce – vyvozování pomocí tvorby hypotéz, které následně slouží k odvození vysvětlení.

20 20 Další typy logických systémů  Modální logika – operátory nutnosti a možnosti (lze zapsat větu: „Je možné, že Pavel je v knihovně.“)  Epistemická logika – dodá operátory pro znalost a víru (např. Kp znamená „ví se, že p“)  Deontická logika – vyjadřuje i morální stanoviska takového typu, že p je dovoleno nebo zakázáno.

21 21 O predikátové logice  PL umožňuje vyjádření objektů, vztahů mezi nimi i vlastností objektů samotných.  Vyjadřovací schopnost (mohutnost) je oproti VL obohacena o možnost rozdělit výrok na více částí (objekty a vztahy mezi nimi).

22 22 Predikátová logika  Rozlišuje mezi predikáty typu „je student“ a konstantami jako jsou Pavel či Quido.  Formalizace věty „Pavel je student.“ by vypadala takto: je-student(Pavel)  Lze pracovat i s existenčními operátory, např. věta „Všichni studenti jsou přepracovaní“ bude zapsána takto: (pro každé x) [student(x)  přepracovaný(x)]

23 23 Kvantifikátory  V PL 1. řádu se zavádějí dva kvantifikátory: Univerzální kvantifikátor  - slouží k vyjádření všeobecného pravidla, např. „Všechny cesty vedou do Říma.“ x Cesta(x)  VedeDoŘíma(x) Existenční kvantifikátor 

24 24 Univerzální kvantifikátor  Na formuli x F(x) lze pohlížet jako na zkrácenou formuli, která by vznikla konjunkcí všech takových formulí, které vzniknou nahrazením každého výskytu proměnné x ve formuli F konstantou označující jméno nějakého objektu.  Např.: Cesta(ViaAppia)  VedeDoŘíma(ViaAppia)  Cesta(ViaSalaria)  VedeDoŘíma(ViaSalaria)  Cesta(ViaFlaminia)  VedeDoŘíma(ViaFlaminia)  …  Formule je tedy pravdivá, jestliže jsou pravdivé všechny formule v této konjunkci.  Je-li formule pravdivá, vypovídá to, co tvoří pravou stranu implikace, o objektech, které splňují levou stranu.

25 25 Existenční kvantifikátor  Existenční kvantifikátor umožňuje formulovat tvrzení o nějakém objektu bez toho, abychom jej jmenovali (univerzální kvant. formuluje tvrzení o každém objektu nějakého druhu).  Chceme-li např. vyjádřit, že „do Říma se dá dojít po cestě“ (což je to samé, jako říct, že „do Říma vede nějaká cesta“), lze to zapsat takto: „Existuje cesta x taková, že x vede do Říma.“ x Cesta(x)  VedeDoŘíma(x)

26 26 Příklad (1)  Uvažujme následující příklad: „Všichni studenti informatiky musí absolvovat předmět Programování.“ „Martin je studentem informatiky.“  Z příkladu je patrné, že Martin bude muset absolvovat předmět Programování. Prostředky VL však tento závěr odvodit nelze, neboť druhá věta se nenachází v první a nelze aplikovat žádné odvozovací pravidlo.

27 27 Příklad (2)  Předchozí příklad by se dal zapsat v syntaxi PL takto: x(Student(x)Studuje(x, Informatiku))   Absolvuje(x, Programování) Student(Martin) Studuje(Martin, Informatiku).

28 28 Slabá místa logiky  Je prakticky nemožné pracovat s přirozeným jazykem (standardní formou komunikace) přepisem do predikátové logiky  Bylo by třeba systém rozšířit o takové faktory jako Časový rozměr Neurčitost Řešení mnohoznačnosti Nepřímé odkazování (např. jak zachytit „Proč mě [vy] obtěžujete?“)...  Otázkou je, zda by takový systém byl ještě srozumitelný a aplikovatelný.

29 29 Logika z neurologického hlediska  Není známo zda neurony používají formální reprezentace ani jak provádějí odvozování celé skupiny neuronů.  Nelze vyloučit, že lidské neurální sítě provádějí své soudy v souladu s pravidly formální logiky.  Obecně však nelze říci, že by pro lidi byla logika zcela přirozeným schématem uvažování.

30 Pravidla

31 31 Pravidla  Jedná se o struktury typu JESTLIŽE(podmínka)PAK(důsledek/akce)  Od metod logiky se liší jak v reprezentačních tak i ve výpočetních vlastnostech.  Výpočetní modely založené na logice neměly modelovat lidské poznávání, pravidlové systémy ano (prvním byl Logic Theorist v roce 1958)

32 32 Reprezentační mohutnost (1)  Pravidly lze reprezentovat různé druhy poznání: 1.Informace o světě 2.Informace o tom, jak se chovat ve světě 3.Pravidelnosti (např. gramatické jevy) 4.Vyvozovací pravidla typu modus ponens mohou být přeformulována do formy pravidla: JESTLIŽE máte pravidlo typu „Jestliže-pak“ a JESTLIŽE část Jestliže“ je pravdivá, PAK je pravdivá i část „pak“.  Výhodou je, že pravidla si nenárokují univerzální pravdivost, díky čemuž nejsou tak omezující jako logické výroky.

33 33 Reprezentační mohutnost (2)  V systému může existovat i více pravidel, týkajících se stejného problému, ale nejsou navzájem protichůdná.  Lze reprezentovat strategické informace o tom, co se má dělat.  Oproti logice mají pravidlové systémy menší reprezentační mohutnost, ale pravidla mohou být formulována tak, že zvyšují výpočetní mohutnost a jsou i psychologicky přijatelnější.

34 34 Řešení problémů (1)  Základní operací je prohledávání (search) prostoru možností, které mohou nastat.  Jde o to nalézt v možných činnostech takovou posloupnost, která nás dovede z počátečního stavu do stavu cílového.  U složitých problémů se neprohledává celý stavový prostor, využívá se tzv. heuristik.

35 35 Řešení problémů (2)  Uvažujme problém: máme 4 druhy oblečení (ponožky, kalhoty, košile, boty), každé v deseti různých provedeních. Tj. existuje deset tisíc různých kombinací pro každý den, nemá ale smysl zkoušet všechny možnosti.  Jednoduchá heuristika typu „hnědé boty k hnědým, ale ne k černým kalhotám“ pomáhá dospět k účinnému a rychlému řešení problémů s oblékáním.

36 36 Plánování  Pravidla mohou být použita dopředně nebo zpětně.  Při zpětném uvažování se přemýšlí takto: „Abych se dostal domů, musím na dálnici, tedy musím na magistrálu, což znamená projet Ječnou, ale v první řadě potřebuji auto.“  Při dopředném plánování lze použít odvozování typu modu ponens, aby se zjistilo, že musí „Ječnou na magistrálu a po ní na dálnici.“

37 37 Adaptabilita a učení (1)  Lidé se při rozhodování často řídí pravidly. Některá pravidla mohou být vrozena, jiným se lidé učí.  Např. Fyziologické pravidlo JESTLIŽE ti cosi letí proti obličeji, PAK mrkni nepatří k těm, kterým by se museli lidé nebo zvířata učit.  Je možné, že lidé mají vrozená i některá řečová pravidla, umožňující se naučit mluvit.

38 38 Adaptabilita a učení (2)  Je možné strojově odvozovat nová pravidla generalizací nebo specializací  Generalizace – konkrétní pravidla se zobecní (vyžaduje velké množství příkladů, aby byla realita modelována věrně)  Specializace – existující pravidla se modifikují tak, aby odpovídala aktuální situaci.

39 39 Adaptabilita a učení (3)  Dalšími formami učení je abduktivní učení a učení pomalými přírůstky.  Abduktivní učení – od koncového pozorovaného stavu se pokoušíme nalézt možné vysvětlení cest, které k němu vedly (velké riziko chyb).  Učení pomalými přírůstky – pravidla jsou ohodnoceny číslem podle užitečnosti či přijatelnosti. Častější využití pravidla znamená vyšší hodnotu.

40 40 Pravidla a jazyk  Lingvista Noam Chomsky svou knihou Syntactic structures, která vyšla v roce 1957 (česky 1966), vypracoval model, který vysvětluje generativitu jazyka (jsme schopni rozumět nekonečnému počtu různých vět).  Podle Chomského mají lidé v podvědomí k dispozici komplexní gramatiku sestávající z pravidel, o jejichž existenci nemáme tušení. V podstatě odpovídá gramatice jazyka, od dětství si ji postupně upřesňujeme a zdokonalujeme.  Otázka, zda je jazyk vrozený či naučený zůstává nezodpovězena.

41 41 Psychologická přijatelnost  Z uváděných výpočetně-reprezentačních přístupů má přístup založený na pravidlech jednoznačně nejvíce psychologických aplikací.  Dají se tak vysvětlit různé způsoby učení, zvládání situací z běžného života (ve fyzickém i sociálním prostředí – např. sociální stereotypy).  Člověk si obvykle část svých aktivit automatizuje – vytváří si pravidla pro interakci s prostředím.

42 Konekcionismus

43 43 Konekcionismus  Mozkové buňky, neurony, si předávají signály pomocí speciálních styčných míst – synapsí.  V lidském mozku je zhruba 100 miliard (10 11 ) neuronů, každý může být propojen s tisíci jinými neurony.  V 80. letech se vrátily do popředí neuronové sítě. Tento směr výzkumu se často nazývá konekcionistickým, protože zdůrazňuje důležitost vzájemných propojení (konexí) mezi jednoduchými strukturami připomínajícími neurony (tzv. neuronové sítě).

44 Zdroj: /pv109/2000/xneudert.html 44 Biologický neuron

45 45 Lokální a distribuovaná reprezentace  Zaměříme se na dvě skupiny konekcionistických modelů mozku a mysli: Lokální reprezentace – struktury podobné neuronům lze označit jako zástupce interpretace pojmů nebo tvrzení. Distribuované reprezentace – reprezentaci pojmu/výroku se učí celá síť a jejich význam je distribuován přes velké soubory struktur podobných neuronům.

46 46 Rozdělení sítí  Z hlediska aplikace na řešení problému můžeme u neuronových sítí hovořit o dvou typech algoritmů: Klasifikátor – třídí (klasifikuje) vstupní data (např. rozpoznání tváří) Řídící – zajišťuje kontinuální řízení nějaké činnosti (např. řízení vozidla)  Budeme se nyní zaměřovat především na klasifikátory.

47 47 Zjednodušené schéma neuronové sítě  Zjednodušeně lze NS reprezentovat tak, jak je to zobrazeno na obrázku vpravo.  Rozlišujeme 3 vrstvy: Výstupní (nahoře) Skrytá (uprostřed) Vstupní (dole)

48 48 Paralelní respektování omezení  Parallel Constraint Satisfaction (PCS)  Oba typy reprezentace (lokální i distribuovaná) jsou schopny paralelního respektování omezení.  To znamená, že řešení problému musí respektovat různá omezení.

49 49 Problémy konekcionistického přístupu (1)  Neuronové sítě jsou z hlediska výpočtu považovány za „černé skříňky“, protože není možné sledovat konkrétní kroky výpočtu.  Skryté (tj. ani vstupní, ani výstupní) jednotky nemají žádnou předem danou interpretaci. Tu teprve získají nastavením vah u jednotlivých spojení, avšak k tomuto nastavení teprve dojde v průběhu učení.  Uložená informace je tedy rozprostřena v síti, má distribuovaný charakter.

50 50 Problémy konekcionistického přístupu (2)  Propojení mezi jednotkami (neurony) postačuje k reprezentaci jednoduchých asociací.  Neuronové sítě však postrádají reprezentační mohutnost potřebnou k uchopení složitějších druhů pravidel – toho je schopná např. predikátová logika (např. vztahy milovat, nenávidět, apod. není pomocí NS jednoduché modelovat).

51 51 Příklad aplikace neuronové sítě  Neuronové sítě jsou výkonné například při senzorické reprezentaci.  Např. reprezentace chutí a vůní – jazyk má 4 typy chuťových pohárků pro sladkost, kyselost, slanost a hořkost. Kdybychom měli systém s jednotkami (neurony) odpovídajícími každému z těchto čidel, každou s deseti úrovněmi aktivace, pak můžeme rozpoznávat 10 4 = různých chutí, každá odpovídá jedné kombinaci aktivačních stavů.

52 52 Počítačové vidění  Mezi tradiční využití neuronových sítí patří počítačové vidění, resp. rozpoznání obrazu.  V souvislosti s paralelním respektováním omezení v počítačovém vidění se NS objevily již v roce 1976 (Marr a Poggio).  Problém se týkal stereoskopického vidění – každé oko přijímá mírně se lišící obrazy světa. Toto přizpůsobování se řídí několika omezeními, určujícími, jak mohou být body jednoho obrazu dány do souvislosti s body obrazu druhého.  Koherentní obraz je pak výsledkem vyhovění těmto pravidlům párování bodů v obou obrazech.

53 53 Neckerova krychle (1)  Svrchní hrana obrázku může být vnímána jako součást přední nebo zadní stěny krychle.  Zkuste si toto překlápění pohledu při soustředění se na různé hrany.  Uvažujme dvě interpretace – v první je levý dolní roh na přední stěně krychle, ve druhé na její zadní stěně.

54 54 Neckerova krychle (2)  Každá z obou interpretací může být definována souborem dílčích interpretací jednotlivých prvků kresby.  Všechny možné lokální interpretace navzájem úzce souvisejí, a tak se buď navzájem podporují, nebo vylučují, v souladu se strukturními vztahy typickými pro obvyklou krychli.

55 55 Neckerova krychle (3)  Způsob interpretace Neckerovy krychle lze modelovat jednoduchou konekcionistickou sítí, jejíž jednotky jsou reprezentacemi rohů a propojení mezi jednotkami (neurony) reprezentují buď shodu, nebo inkompatibilitu mezi interpretacemi.  V takové síti se konverguje k jednomu ze dvou možných pohledů tak, že jsou aktivovány ty neurony, které v součinnosti dají koherentní interpretaci, a současně dojde k inaktivaci těch ostatních.  Výzkum posledního desetiletí ukázal, že PCS lze aplikovat nejen na zrakové vnímání, ale i na řadu dalších způsobů poznávání na vyšších úrovních.

56 56 Učení neuronových sítí  Síť se učí adaptací vah.  Výstupy sítě porovnáváme s požadovaným výsledkem a síť postupně přizpůsobuje své parametry dané úloze, až se naučí správně reagovat.  Síť se tak vlastně učí respektovat omezení, která v problému existují, a po vysokém počtu opakování je připravena zpracovávat i zadání podobného typu.

57 57 Hebbovské učení  Podstata spočívá v tom, že pokud jednotky (neurony) A a B budou aktivovány současně, pak by váha jejich vzájemného propojení měla vzrůstat.  Představte si například lokální síť, která obsahuje jednotky reprezentující jak tanec, tak večírky.  Pokud budou tyto jednotky často aktivovány ve stejnou dobu, jejich propojení se stane silnějším a silnějším, a bude se tak implementovat asociace mezi tancem a večírkem.  Podobný typ učení není nijak řízen a není tedy potřeba žádného učitele, který by síti sděloval, kdy byla její odpověď správná a kdy nikoli.

58 Pozn. angl. back-propagation algoritmus 58 Algoritmus zpětného šíření  Jeden z nejrozšířenějších algoritmů pro učení neuronových sítí. Pracuje v následujících krocích: 1.Přiřaď všem spojením náhodné váhy. 2.Aktivuj ty vstupní jednotky, které odpovídají znakům výstupu, který se má síť naučit. 3.Spusť šíření aktivace v síti - ke skrytým jednotkám a k výstupům. 4.Vyhodnoť chyby - tím, že vypočítáš rozdíly mezi získanou aktivací výstupů a aktivací požadovanou. 5.Od chybných spojů nech šířit aktivaci pozpátku a u zúčastněných spojů pozměň váhy tak, aby se v příštím běhu frekvence chyb změnila. 6.Po mnoha pokusech s různými příklady bude síť správně klasifikovat.

59 59 Neurologická přijatelnost (1)  NS se podobají struktuře mozku. Skutečné sítě neuronů jsou však mnohem složitější (miliardy neuronů, biliony spojení)  Reálné neurony mají mnohem více druhů nervových přenašečů než jen jediný druh aktivačního signálu, jako je tomu u neuronů umělých.  Mozek je elektrochemickou soustavou.  Skutečné neurony mohou měnit strukturu svých synapsí.  Umělé NS jsou v tomto ohledu velmi omezené.

60 60 Neurologická přijatelnost (2)  Některé typy učení (např. Hebbovo – posilují se při něm podobně působící neurony) skutečně odpovídají fungování mozku.  Zpětné šíření (backpropagation) ale nemá v mozku žádnou analogii.  Skutečné neurální sítě jsou dopředného typu se zpětným šířením, ale neexistují žádné známé neurologické mechanismy, ve kterých by tytéž dráhy vedly aktivaci dopředně a současně zpětně za účelem opravy chyb.

61 Srovnání prezentovaných přístupů 61

62 62 Shrnutí ReprezentaceŘešení problémůUčení LogikaPropozice Operátory Predikáty Kvantifikátory Dedukce Věrohodnost Generalizace Abdukce PravidlaJESTLIŽE-PAKVyhledávání Dopředné řetězení Zpětné řetězení Zhušťování Zobecňování Abdukce SítěJednotky a spoje Paralelní respektování omezení Zpětné šíření s nastavením vah

63 63 Srovnání (1)  Logika nabízí (z přednesených alternativ) největší reprezentační mohutnost. Žádný z dostupných modelů však nemá dostačující reprezentační mohutnost k tomu, aby postihl všechny stránky lidské mysli.

64 64 Srovnání (2)  Pravidlové systémy zredukovaly výrazivo formální logiky na zjednodušené schéma JESTLIŽE-PAK, což je výpočetně velmi výhodné a pravidla mají stručnou, nezávislou reprezentaci.  Možnost aplikace heuristik.  Lidské uvažování lze ale často lépe vysvětlovat na procesech typu aplikace schématu, analogové mapování nebo PCS.

65 65 Srovnání (3)  Konekcionistické modely jsou vhodnější pro zachycování širšího rozsahu smyslové zkušenosti, je ale obtížné reprezentovat pomocí neuronů složité vztahy. Komplikované odvozování probíhající v lidském mozku vyžaduje mnohem složitější modely než jsme prozatím schopni nabídnout.

66 66 Typické aplikace - logika  Logické programování – PROLOG  Plánovací úlohy  Pravděpodobnostní inteligentní rozhodovací systémy  Základ pro práci mnoha technik umělé inteligence

67 67 Typické aplikace - pravidla  Tvorba expertních systémů  Analýza přirozeného jazyka  Výukové programy  Průmyslové řídící systémy

68 68 Typické aplikace - sítě  Rozpoznání obrazu  Počítačové vidění  Učící se expertní systémy  Zpracování signálu  Řízení

69 Argument čínského pokoje 69

70 70 Argument čínského pokoje (1)  Počítače při práci manipulují se symboly.  Proces probíhá na úrovni syntaktické analýzy.  Počítače z principu nejsou schopny přiřadit symbolům poznání (sémantiku).  Je to jeden z nejznámějších argumentů vyvracejících možnost, že by počítače mohly uspět v Turingově testu.

71 71 Argument čínského pokoje (2)  Jinými slovy – přepisování symbolů pomocí jakýchkoliv pravidel nezajišťuje pochopení  I tento text by pro počítač vypadal nějak takto:   

72 72 Argument čínského pokoje (3)  Uvažme situaci: Nalézáte se v uzavřené místnosti. Dostáváte v obálce kartičky s čínskými symboly (kterým nerozumíte). Máte k dispozici vlastní sadu kartiček s čínskými symboly pro odpovědi. Disponujete sadou instrukcí, které říkají jakou kartičku s čínským symbolem vybrat jako odpověď.

73 73 Argument čínského pokoje (4)  Pozorovatel zvenčí nepozná, že osoba uvnitř pokoje neumí čínsky – její odpovědi na kartičkách odpovídají tomu, jak by reagoval rodilý mluvčí.  Otázka zní: Pozná se podle toho, zda umíte čínsky?  Navenek to tak může vypadat – jedná se ale skutečně o pochopení významu?

74 74 Argument čínského pokoje (5)  Není-li možno chápat význam, nejedná se o nic jiného než o syntaktickou manipulaci v rámci jazyka.  Na určitý řetězec symbolů odpovíme jiným řetězcem symbolů – podle předem daných instrukcí.  Rozdíl mezi člověkem a počítačem – lidská mysl má mentální obsah, tj. naše symboly, které používáme při uvažování, mají sémantickou hodnotu.

75 75 Argument čínského pokoje (6)  Někdy se používá tzv. technologický argument – počkáme-li, technika pokročí natolik, že tento problém vyřeší.  Obtíž spočívá v principu jak počítače pracují, nikoliv v rychlosti zpracování.  Ani novější koncepty (např. konekcionismus) nepřinesly odpověd.

76 Argument čínského pokoje (7)  Lidé přiřazují symbolům sémantický význam.  Při interakci člověk-počítač nebo počítač-počítač hraje sémantika významnou úlohu – zefektivňuje komunikaci a eliminuje chyby, ke kterým v rámci ní přirozeně dochází.  Dosavadní řešení - sémantický web, znalostní inženýrství, tvorba ontologií… 76

77 Děkuji za pozornost 77

78 78 Použitá literatura  Paul Thagard: Úvod do kognitivní vědy – mysl a myšlení (Portál, 2001)


Stáhnout ppt "Kognitivní vědy Problém reprezentace poznatků Mgr. Petr Tučník."

Podobné prezentace


Reklamy Google