публикация на Хабре до создания коммерческой версии Вашей проги говорит о том, что у Вас есть некие неизвестности и потому Вы решились на обнародования Вашего пути в надежде найти искомое или подсказку в дискуссиях и обсуждениях.
Вы отчасти правы.
У нас есть видение, практические наработки, исследования достаточные для того, чтобы воплотить наши идеи в виде коммерческого продукта.
Мы хотим развить данное направление в ИИ, поэтому пишем теоретические статьи, показываем практические наработки.
Ищем заинтересованных людей, и тех кто занимается подобной проблематикой с практической точки зрения.
Я знаю, что применительно к ИИ и к интеллектуальному смысловому запросу в Инете в России этим занимается Насыпный В.В. и его группа. Вы не из его группы?
Нет.
Мы написали вам в личку о нас.
Могу ли я Вам чем-нибудь помочь?
Почитали ваши статьи и комментарии. Наши мысли схожи.
Написали вам в личку.
Нейронные сети с нашей точки зрения не употребимы как элемент сложных рассуждений в основном по 2-м причинам:
1. Они весьма непросто обучаются (ну или настраиваются, программируются), т.е. не подходят для обработки сложных последовательностей.
2. Вытекает из первого, НС — «одношаговы», Они не предполагают сложных, быстро меняющихся последовательностей.
Т.е. для распознавания образов НС оптимальны. Все выполняется за 1 шаг, итоговая релевантность четко детерминирована.
Стохастические алгоритмы по умолчанию более ресурсоемки, включают итерационные компоненты, «прожорливы» по памяти. Зато они позволяют генерировать clue любой сложности и длины. На практике мы работаем с одним образом, но очевидно, что цепочки образов в рамках нашего термина «факторной памяти» могут насчитывать сотни и тысячи образов, формировать рассуждения с учетом сложных взаимосвязей вплоть до т.н. «фокуса внимания».
Юрий, как мы поняли в вашей картине мира алгоритмы мышления созданы и
«всё давно уже обсосано»
.
И как мы поняли вы в теме, тогда для вас не составит труда показать всем:
1. рабочий алгоритм ассоциативного мышления на цепочках Маркова.
2. практическую реализацию алгоритма построения графа с вычислением нужных узлов с помощью соседних.
3. Продемонстрируйте «логическое мышление» в реализации CYC.
Чем ваш нововведённый термин «факторная память» существенно отличает её от общепринятого термина «ассоциативная память» и ассоциативное мышление?
А какое определение «ассоциативной памяти» и «ассоциативного мышления» Вы считаете общепринятым?
Логическое мышление наблюдается у взрослых людей — человек умеет при наличии знаний или доступа к базам данных (или поиску гугла) ответить на вопрос типа «где находится следующая по размеру река после Амазонки» или «что больше, курица или яйцо»
Т.е. взрослый человек обладает логическим мышлением, а молодой нет?
Как с Вашей точки зрения определить «взрослость» человека в контексте логического мышления, если предположить, что он не может ответить на вопрос о курице и яйце?
Теория графов и теория хаоса в общем легко применима для задач распознавания образов. Достаточно представить, например, требуемый образ в виде набора подобразов и структурно представить их в виде графа. Т.е. сконструировать «совокупность состояний» графических элементов. Обрабатывая входной поток и формируя из него структуру с конкретным состоянием (соотвествующим образом) можно сопоставить эти 2 графа и вычислить их энтропию.
Да, алгоритм сложен. До некоторого времени была реализация на гриде. Однако, мат.аппарат удалось оптимизировать.
Демо-версия обходится парой приличных серверов.
Спасибо вам за методичный подход при тестировании нашей системы.
Осталось доделать вышеописанные «мелочи»
В рамках нашей парадигмы представленные вами «мелочи» не определены.
«что такое путина»
Демонстрационная модель плохо обрабатывает справочные вопросы, требующие точного ответа(недостаточная избыточность данных).
на слово «путина» мне система выдала два потока ссылок: на президента и рыбалку, попросив уточнить, что я имею в виду.
«Обвес» ядра v2.3 не позволяет вводить уточняющие фразы.
Compreno (ABBYY), у них, в частотности, есть интеллектуальный поиск
Да и вообще демонстрационная модель — это не поиск в чистом виде, мы создаем универсальную модель ИИ; это наглядный способ продемонстрировать работу модели ИИ, на примере информации, расположенной в интернете.
Юрий, здравствуйте.
Представленная модель ядра v2.3 не может корректно сформулировать ответ на такой комплексный вопрос. Это одноклеточная модель. Поставленный вами вопрос предполагает оперирование несколькими понятиями.
НО, модель ядра v2.3 на этот вопрос отвечает так:
Режим работы ядра v2.3: «поиск».
запрос: «где находится следующая по размеру река после Амазонки»
контекст: «река»
размышление ядра v2.3:
Однако, буквально несколько лет назад, бразильские ученые провели ряд исследований с использованием спутниковых данных и выяснили, что великая африканская река по своей протяженности уступает реке Амазонке.
Ранее занимавшая только второе место в списке самых длинных в мире, южно-американская река Амазонка стала немного длиннее за счет того, что был открыт ее новый исток.
Задачи сложной логики(многоклеточной памяти) мы не можем продемонстрировать сейчас в открытом доступе. Существуют лабораторные алгоритмы, которые способны отвечать на подобные вопросы. Мы работаем над этими задачами сейчас.
Вы правильно определеили направление нашей разработки. Мы действительно работаем над «личностным моделированием», парадигмой сознания/осознания/познования. Но на данном этапе подобные разработки (наряду с чисто этическими вопросами), мы не можем вывести в виде демо-версии. Мы планируем довести их до ума в ближайшем будущем.
ЧТо касается алгоритмов, то, послушайте, реальных доказательств работы Ватсона у нас нет. Если вы лично его тестировали, то поделитесь вашими впечатлениями.
Мы не знаем также и о других алгоритмах, способных к «однобокому» мышлению в парадигме абстрактной постановки задачи.
Наша модель отчасти реализует это уже сейчас.
Что будет дальше — зависит от результатов исследований.
Денис, здравствуйте.
Ваши мысли интересны и близки к нашим представлениям. Мы еще бы добавили следующее о «проблематике ответа»: Нужно учесть, что система понятий разных людей разная, и система ответов должна быть в большой степени персонализирована, не только чтобы правильно ответить, но и чтобы ПОНЯТЬ вопрос. Известный классик писал: чтобы задать верный вопрос, нужно знать бОльшую часть ответа. Без этого никак.
Другой вопрос: если система имеет хорошее представление о системе взглядов спрашивающего. В этом случае «бОльшая часть» вопросов, скорее всего уже детерминирована.
Говоря о наших моделях — персонализация сейчас в разработке.
P.S. мы сознательно не развиваем в комментариях различные аспекты персонализации поиска/моделирования коммуникаций с конкретной личностью. Планируем это обсудить в следующей статье.
Дмитрий, если говорить про изображение, то любой вид матрицы.
Мы уже упомянули, что по нашему представлению мы моделируем технологическую модель псевдомышления. Исходя из этого любой информационный поток может быть обработан в соответствии с задачей. По-этому, в случае с обработкой образов важен скорее не формат входа, а задача, результат, который нужно получить.
Сергей, здравствуйте.
Мы рады снова вас видеть среди комментаторов наших статей.
Существуют веб-сервисы, с помощью которых вы можете самостоятельно проверить как формируются «размышления» нашей модели, и какие при этом используются источники.
Для опровержения или подтверждения вашего предположения «поиск документа по заданной тематике» достаточно задать вопрос модели, требующий размышлений.
Форма указания якорей большой роли не играет.
Дмитрий, здравствуйте.
У нас недостаточно ресурсов на практические исследования сразу всех областей, в которых данная технология может быть применима.
Теоретически возможно применить нашу технологию для распознования любых образов( в том числе и номеров автомобилей) по фотографии, при условии избыточности данных.
Сейчас все наши силы направлены на разработку диалоговых моделей взаимодействия с человеком посредством текстовых каналов связи.
Максим, здравствуйте. Это НЕ нейронные сети, это алгоритмы стахастического анализа или вернее стахастической обработки, использующие теорию графов.
Возможно когда-нибудь расскажем более подробно, а пока алгоритмы представляют «ноухау» нашей компании.
Поэтому техническую информацию даем дозировано, чтобы сформировать представление о нашем подходе у читателей.
Задавайте уточняющие вопросы по статье, читайте нашу следующую статью.
Предлагаю вам написать свои размышления о прологе в своей собственной статье об ИИ:
— Думаю всем будет интересно почитать обзор приведенных вами статей и понять как IBM Watson использует Prolog.
— Предлагаем в этой статье также поразмыслить о том как создать лингвистическую модель на основе пролога, чтобы она могла размышлять на любом языке.
Мы обязательно подключимся к обсуждению, зададим вопросы и выскажем наше мнение, если оно вам будет интересно.
Если вы не видите разницу между сенсорами и сенсорами подкрепления, то прочтите наш комментарий еще раз более внимательно,
Так как вы самый активный комментатор нашей статьи, предлагаю вам написать свои размышления о ИИ в своей собственной статье, и нашу с вами беседу перенести туда, дабы не разводить «флуд», и не уходить от темы статьи.
В geektimes также есть «Диалоги», все ваши вопросы вы можете написать нам в виде сообщения.
Мы обязательно на них ответим.
Интеллект — да бывает разный.
Правда мы бы разложили интеллект на качества и определяли его более точно.
Исходя из объема оприорных данных, сложностей факторных цепей, условий определенности-неопределенности.
Пылесос — у него же нету сенсоров… подкрепления или это уже не пылесос. Нет?
А без сенсоров подкрепления не выйдет обеспечить обратную связь.
А если у пылесоса будет собственная обратная связь пусть и с подкреплением, то он должен обладать моделью памяти, адекватной сенсорам. нет?
В итоге получиться не пылесос а некий, ну робот, и, да, он будет более функционален.
Т.е в контексте вот именно пылесоса интеллект не подходит. Разве нет?
Про симпатику — мы бы все же упростили: Мы же говорили про оприорные данные, т.е. углеродный/белковый/газовый и прочие обмены есть.
Его производные — вполне «измеряемые» в рамках организма.
Используя опорные данные симпатика демонстрирует весьма и весьма определенные данные.
Т.е. это не интеллект, это конечный автомат.
И, да с качественной обратной связью.
Но он не решает интеллектуальные задачи, верно?
А что же с ИИ?
Отчасти с Вами можно согласиться, но на элемент обучения, адаптации, определения приоритетов, селекцию, т.е. упорядочивание инфопотока, его факторную формализацию у нас иная точка зрения и мы ее обязательно обсудим позже.
Пока же мы остановимся в рамках некой системы координат, присущей некому ИИ, решение задач в которой имеет прикладное применение.
Вы отчасти правы.
У нас есть видение, практические наработки, исследования достаточные для того, чтобы воплотить наши идеи в виде коммерческого продукта.
Мы хотим развить данное направление в ИИ, поэтому пишем теоретические статьи, показываем практические наработки.
Ищем заинтересованных людей, и тех кто занимается подобной проблематикой с практической точки зрения.
Нет.
Мы написали вам в личку о нас.
Почитали ваши статьи и комментарии. Наши мысли схожи.
Написали вам в личку.
1. Они весьма непросто обучаются (ну или настраиваются, программируются), т.е. не подходят для обработки сложных последовательностей.
2. Вытекает из первого, НС — «одношаговы», Они не предполагают сложных, быстро меняющихся последовательностей.
Т.е. для распознавания образов НС оптимальны. Все выполняется за 1 шаг, итоговая релевантность четко детерминирована.
Стохастические алгоритмы по умолчанию более ресурсоемки, включают итерационные компоненты, «прожорливы» по памяти. Зато они позволяют генерировать clue любой сложности и длины. На практике мы работаем с одним образом, но очевидно, что цепочки образов в рамках нашего термина «факторной памяти» могут насчитывать сотни и тысячи образов, формировать рассуждения с учетом сложных взаимосвязей вплоть до т.н. «фокуса внимания».
И как мы поняли вы в теме, тогда для вас не составит труда показать всем:
1. рабочий алгоритм ассоциативного мышления на цепочках Маркова.
2. практическую реализацию алгоритма построения графа с вычислением нужных узлов с помощью соседних.
3. Продемонстрируйте «логическое мышление» в реализации CYC.
А какое определение «ассоциативной памяти» и «ассоциативного мышления» Вы считаете общепринятым?
Т.е. взрослый человек обладает логическим мышлением, а молодой нет?
Как с Вашей точки зрения определить «взрослость» человека в контексте логического мышления, если предположить, что он не может ответить на вопрос о курице и яйце?
Да, алгоритм сложен. До некоторого времени была реализация на гриде. Однако, мат.аппарат удалось оптимизировать.
Демо-версия обходится парой приличных серверов.
В рамках нашей парадигмы представленные вами «мелочи» не определены.
Демонстрационная модель плохо обрабатывает справочные вопросы, требующие точного ответа(недостаточная избыточность данных).
«Обвес» ядра v2.3 не позволяет вводить уточняющие фразы.
Да и вообще демонстрационная модель — это не поиск в чистом виде, мы создаем универсальную модель ИИ; это наглядный способ продемонстрировать работу модели ИИ, на примере информации, расположенной в интернете.
Приведите примеры работающих алгоритмов, обладающих мышлением.
Если вы в теме, то поделитесь своими наработками.
Выше вы писали:
На основании каких практических исследований/алгоритмов/наработок(желательно ваших) вы сделали такой вывод?
Мы писали в статье о факторной памяти. Что именно вам не понятно?
Как по-вашему отличить ассоциативное мышление от логического?
Представленная модель ядра v2.3 не может корректно сформулировать ответ на такой комплексный вопрос. Это одноклеточная модель. Поставленный вами вопрос предполагает оперирование несколькими понятиями.
НО, модель ядра v2.3 на этот вопрос отвечает так:
Режим работы ядра v2.3: «поиск».
запрос: «где находится следующая по размеру река после Амазонки»
контекст: «река»
размышление ядра v2.3:
Задачи сложной логики(многоклеточной памяти) мы не можем продемонстрировать сейчас в открытом доступе. Существуют лабораторные алгоритмы, которые способны отвечать на подобные вопросы. Мы работаем над этими задачами сейчас.
ЧТо касается алгоритмов, то, послушайте, реальных доказательств работы Ватсона у нас нет. Если вы лично его тестировали, то поделитесь вашими впечатлениями.
Мы не знаем также и о других алгоритмах, способных к «однобокому» мышлению в парадигме абстрактной постановки задачи.
Наша модель отчасти реализует это уже сейчас.
Что будет дальше — зависит от результатов исследований.
Ваши мысли интересны и близки к нашим представлениям. Мы еще бы добавили следующее о «проблематике ответа»: Нужно учесть, что система понятий разных людей разная, и система ответов должна быть в большой степени персонализирована, не только чтобы правильно ответить, но и чтобы ПОНЯТЬ вопрос. Известный классик писал: чтобы задать верный вопрос, нужно знать бОльшую часть ответа. Без этого никак.
Другой вопрос: если система имеет хорошее представление о системе взглядов спрашивающего. В этом случае «бОльшая часть» вопросов, скорее всего уже детерминирована.
Говоря о наших моделях — персонализация сейчас в разработке.
P.S. мы сознательно не развиваем в комментариях различные аспекты персонализации поиска/моделирования коммуникаций с конкретной личностью. Планируем это обсудить в следующей статье.
Мы уже упомянули, что по нашему представлению мы моделируем технологическую модель псевдомышления. Исходя из этого любой информационный поток может быть обработан в соответствии с задачей. По-этому, в случае с обработкой образов важен скорее не формат входа, а задача, результат, который нужно получить.
Мы рады снова вас видеть среди комментаторов наших статей.
Существуют веб-сервисы, с помощью которых вы можете самостоятельно проверить как формируются «размышления» нашей модели, и какие при этом используются источники.
Для опровержения или подтверждения вашего предположения «поиск документа по заданной тематике» достаточно задать вопрос модели, требующий размышлений.
Форма указания якорей большой роли не играет.
2. Что значит «заточить под ИИ»?
3. Можно примеры похожих программ?
У нас недостаточно ресурсов на практические исследования сразу всех областей, в которых данная технология может быть применима.
Теоретически возможно применить нашу технологию для распознования любых образов( в том числе и номеров автомобилей) по фотографии, при условии избыточности данных.
Сейчас все наши силы направлены на разработку диалоговых моделей взаимодействия с человеком посредством текстовых каналов связи.
Как создать искусственный интеллект? История вторая. Алгоритмы интеллектуального поиска и хранения информации
Это НЕ нейронные сети, это алгоритмы стахастического анализа или вернее стахастической обработки, использующие теорию графов.
Возможно когда-нибудь расскажем более подробно, а пока алгоритмы представляют «ноухау» нашей компании.
Поэтому техническую информацию даем дозировано, чтобы сформировать представление о нашем подходе у читателей.
Задавайте уточняющие вопросы по статье, читайте нашу следующую статью.
2. Для самообучения машинам не хватает КАЧЕСТВА сенсоров/анализаторов/каналов поступления данных.
— Думаю всем будет интересно почитать обзор приведенных вами статей и понять как IBM Watson использует Prolog.
— Предлагаем в этой статье также поразмыслить о том как создать лингвистическую модель на основе пролога, чтобы она могла размышлять на любом языке.
Мы обязательно подключимся к обсуждению, зададим вопросы и выскажем наше мнение, если оно вам будет интересно.
Так как вы самый активный комментатор нашей статьи, предлагаю вам написать свои размышления о ИИ в своей собственной статье, и нашу с вами беседу перенести туда, дабы не разводить «флуд», и не уходить от темы статьи.
В geektimes также есть «Диалоги», все ваши вопросы вы можете написать нам в виде сообщения.
Мы обязательно на них ответим.
Правда мы бы разложили интеллект на качества и определяли его более точно.
Исходя из объема оприорных данных, сложностей факторных цепей, условий определенности-неопределенности.
Пылесос — у него же нету сенсоров… подкрепления или это уже не пылесос. Нет?
А без сенсоров подкрепления не выйдет обеспечить обратную связь.
А если у пылесоса будет собственная обратная связь пусть и с подкреплением, то он должен обладать моделью памяти, адекватной сенсорам. нет?
В итоге получиться не пылесос а некий, ну робот, и, да, он будет более функционален.
Т.е в контексте вот именно пылесоса интеллект не подходит. Разве нет?
Про симпатику — мы бы все же упростили: Мы же говорили про оприорные данные, т.е. углеродный/белковый/газовый и прочие обмены есть.
Его производные — вполне «измеряемые» в рамках организма.
Используя опорные данные симпатика демонстрирует весьма и весьма определенные данные.
Т.е. это не интеллект, это конечный автомат.
И, да с качественной обратной связью.
Но он не решает интеллектуальные задачи, верно?
А что же с ИИ?
Отчасти с Вами можно согласиться, но на элемент обучения, адаптации, определения приоритетов, селекцию, т.е. упорядочивание инфопотока, его факторную формализацию у нас иная точка зрения и мы ее обязательно обсудим позже.
Пока же мы остановимся в рамках некой системы координат, присущей некому ИИ, решение задач в которой имеет прикладное применение.