roboforum.ru

Вводный пост для тех, кто хочет присоединиться к обсуждению проблемы:

Мысль №1.

Масса подходов к созданию элементов ИИ и неких подобий ИИ затыкается на самых первых шагах - что же есть этот самый ИИ и как понять, что мы его создали. Я считаю, что создание даже подобия ИИ - это прежде всего проект. Теория управления проектами гласит, что прежде чем начинать проект мы должны иметь критерии оценки, что проект завершен успешно, чтобы 100% понимать, куда мы идём.

Чтобы выполнить это требование я предлагаю изначально сформулировать набор требований к создаваемому подобию ИИ (далее "ПИИ", чтобы не путаться с замороченным понятием ИИ) и уже в дальнейшем проектировать его исходя из поставленной задачи.

Мысль №2.

В качестве основного свойства, которое мы хотели бы получить от нашего ПИИ - способность самостоятельно обучаться и адаптироваться к среде в которой он действует (считаем, что среда по физическим законам и структуре близка к нашему реальному миру).

Чтобы нам не пришлось придумывать хитрых способов определения целей существования робота - мы сделаем просто, зададим ему базовые мотиваторы типа боль (уровень повреждений), голод/сытость(уровень заряда батарей) и т.п.

Критерии оценки успеха проекта:

В качестве основных задач, на которых мы будем проверять адаптируемость нашего ПИИ мы примем тесты, аналогичные тестам на интеллект применяемые к различным животным, типа грачей.

Один из типовых тестов может быть таким - робот находится в комнате, в которой кормушка закрыта воротами, которые открываются при нажатии на кнопку, кнопку можно придавить находящимся в комнате предметом Х, который робот может двигать. Либо кнопка открывает ворота на какое-то время. Роботу могут показать что кнопка открывает ворота или он может попробовать сам догадаться потыкаться во все предметы и понять что делает кнопка и что он может двигать предмет Х.

Первичные мысли по решению задачи проекта

Одной из основных проблем при построении робота с элементами ИИ является создание новых образов, такими какими их будет "видеть" это самый элемент ИИ то есть никаких явных программирований, пусть даже показываний пальцем, система должна иметь возможность самостоятельно без всяких подсказок разобраться в окружении что и как связано и какие действия вызывает.

Для этого надо какую-то распознавалку, которая будет иметь возможность кластеризации полученных данных в предполагаемые образы. Это в базовом варианте

Ну и к полученным образам надо будет учиться строить какие-то типа сильно разреженных матриц ковариаций, которые будут показывать зависимость увиденных образов друг от друга.

И тут другая проблема - надо будет как-то оценивать не только образы единомоментные, но и протяженные во времени - т.е. "шаг", "прыжок", "пинок" - это по идее всё тоже образы, которые складываются из серий положений статичных образов.

Если даже в базовом варианте это реализовать и робот сможет разбираться в каких-то простых окружениях - думаю уже будет интересно

Ну и наконец - какие базовые проблемы нужно решить изначально для этого базового варианта:

Надо какую-то распознавалку совмещенную с кластеризатором, которая сможет отрабатывать инфу с камеры, правда видимо сразу надо будет её делать с обработкой серии кадров и движения. Даже не движения робота при статичном окружении, а при движении объектов относительно окружения, иначе особых способов выделить объекты я не особо вижу. Ну кроме тупого "по расстоянию", но это не выделить двери комнаты относительно стены, кнопку относительно панели вокруг неё и т.п. Короче ничего интересного кластеризация по расстоянию сама по себе не даст.

Мысли возникшие в ходе обсуждения

1. Надо какое-то подобие пространственного мышления, в котором ПИИ сможет строить модели развития событий и выбирать свои действия.

2. Чтобы унифицированно подходить к распознаванию образов предлагается всю информацию со всех сенсоров после обработки препроцессорами скидывать в единое информационное пространство восприятия (далее ЕПВ), из которого уже в унифицированном формате модуль формирования и распознавания образов будет пытаться извлечь кандидаты в образы и распознать уже запомненные образы.

3. Надо как-то работать с составными образами, для этого предлагается выход с разпознавателя образов через так же препроцессор завернуть в часть ЕПВ.

4. Чтобы действовать на разных уровнях планирования ПИИ может строить несколько планов из цепочек образов, например, уровня стратегического плана, тактического, оперативного.

Мысли возникшие в ходе обсуждения. Часть 2
1. Надо решать задачу целиком, пусть и "худо-бедно" и только потом заниматься улучшением её отдельных блоков, поэтому если задачу разбили на блоки и какой-то блок понятно как решить хоть в базовом простейшем варианте - пока его бросаем, пока не будет ясно как решить в базовом варианте все блоки и как они между собой будут работать.

2. Чтобы не возникло ощущение, что обсуждается сферический конь в вакууме - предлагаю "худо-бедное" решение формирователя и распознавателя образов с визуальных данных. Прежде всего будем выделять области с единым или близким к единому цвету. Если какой-то контрастный к этому цвету объект будет окружен такой областью - это кандидат на будущий образ, который мы просто сохраним с маской чтобы выделить его в дальнейшем из фона. Кроме того отличным вариантом выбора кандидата на образ - будет область находящаяся в движении на неподвижном фоне. Собственно хороший способ привлечь внимание человека к какому-то предмету - помахать им у него перед глазами.

3. Распознавать при этом мы можем достаточно тупым способом - почти перебором. Если очень не верится, что это реально - могу накидать примеры, хотя я считаю, что у нас полно других проблем и не гоже тут заниматься изобретением веосипедов

Сигнатурный анализатор здесь не в тему?

Нейросети, нейросети, и чего вы зациклились на этом красивом «магическом», модном (какое-то время назад) названии. Что такое нейросеть? Да просто матрица коэффициентов, ни более того.

На что способна «нейросеть», что она может?

А это всего лишь ещё один инструмент для классификации входных векторов, когда количество классов заранее известно и нужно просто определить к какому классу принадлежит входной вектор. А дальше алгоритм настройки матрицы – с учителем (нейросети обратного распространения) и без учителя (карта Кохонена), это самые поросые и популярные, есть и другие. А самое важное, что существует много других алгоритмов классификации/кластеризации которые используют для обработки потока данных (Data Mining).

Чем классификация отличается от кластеризации?
Классификация - количество классов заранее известно (наиболее простой алгоритм – метод К-средних).
Кластеризация – количество классов (кластеров) заранее не известно.

Ну вот уже с ходу сколько всего вспомнил. Различных методов и алгоритмов обработки данных достаточно много. Тут важно понимать, что каждый из них может делать, а что не может.

Чем, на мой взгляд, хорош алгоритма AVM?

Алгоритм AVM способен выявлять кластеры (скопления) часто встречающихся изображений, и накапливать их в дереве поиска в виде матриц коэффициентов. За каждой такой матрицей может быть закреплена некая ассоциация. То есть AVM может быть использована для предобработки реального видео, для преобразования видео в некий символьный вид (абстрактный уровень). А дальше можно работать уже не с самим изображением, а с символами, которые были распознаны на этом изображении с помощью AVM.

2EDV: что на выходе от вашего AVM можно получать для дальнейшей обработки?
Если ваша система кластеризации обрабатывает очередное изображение и в памяти уже есть некот. дерево признаков, то не есть ли это процесс кластеризации/классификации/идентификации? Т.е. если новые данные раскладываются на то, что уже в памяти есть - это классификация/идентификация, то, что новое добавляется - кластеризация.
И чем принципиально ваше дерево поиска отличается от онтологии, например, OWL, где узлы - это классы и экземпляры этих классов (индивидуалы).

Нейросети, нейросети, и чего вы зациклились на этом красивом «магическом», модном (какое-то время назад) названии. Что такое нейросеть? Да просто матрица коэффициентов, ни более того.

Абсолютно верно.
Как и многие другие методы. Что такое преобразование Фурье
или цифровой фильтр? - матрица коэффициентов.

Тут вопрос не в том, как метод называется, а именно какие задачи он выполняет.
Я уже писал, что кластеризация сама по себе - это не проблема.
(проблема ее эффективной реализации - это другой вопрос).

Виктор Казаринов писал(а):что на выходе от вашего AVM можно получать для дальнейшей обработки?

Классифицированные символы, которые соответствую часто встречающимся фрагментам изображения.

Смотрите пример из «Navigator Tool Kit»:
.\samples\src\BeaconsTest\BeaconsTest.cpp

Остальная часть вопроса мне не очень понятна, не могу ответить...

=DeaD= писал(а):Про ПИД-регуляторы не вкурил пока что вы имеете в виду. Особенно хочется увидеть в природе Д-компоненту

Вы предсказывать умеете? Можете мячик летящий поймать? Это Д-компонента в действии.

EDV писал(а):Классифицированные символы, которые соответствую часто встречающимся фрагментам изображения.
Смотрите пример из «Navigator Tool Kit»:
.\samples\src\BeaconsTest\BeaconsTest.cpp

Смотрю и не очень понимаю в этом файле, где там классифицированные символы. М.б. номер строки укажете и немного прокомментируете? Или под классифицированными символами вы подразумеваете распознанные образы?
Мне бы хотелось ваш AVM состыковать с онтологической системой. Но, наверное, лучше из данной темы переместиться в любую другую с этим обсуждением, например, в вашу какую-то, чтобы здесь не мешать DeaD? А то он уже один раз меня отсюда попросил убраться. Не буду злоупотреблять гостеприимством.

Распознование и классификация это хорошо, но причем здесь ИИ?

при том, что без распознания образов ими нельзя оперировать. между камерой и восприятием картинки как объекта расположено что?

Распознавание это первичная обработка данных с одного из сенсорных каналов, которого вообще может не быть. Крот слеп, тем не менее естественным интеллектом обладает, да и я в полной темноте тупее не становлюсь

тупее нет, а вот если бы рос в полной темноте, то наверняка не стал бы умнее.

это первичная обработка данных с одного из сенсорных каналов, которого вообще может не быть. Крот слеп, тем не менее естественным интеллектом обладает, да и я в полной темноте тупее не становлюсь

Вот тут согласен.

Однако здесь нужно рассматривать не только "мгновенный срез",
но и путь его достижения. Смогли бы вы стать таким же умным,
если бы ВСЕГДА находились в полной темноте?

Уверен, что да, однако путь достижения был бы, думаю, другим.

А в принципе я согласен и писал здесь уже, что не нужно привязываться, например, к зрению
(всякой стереометрии, классификации и т.д.) Имхо, здесь механизмы несколько другие,
вероятно даже независимые от способа получения первичной инфы и ее предобработки.
(Может быть независимые не в реализации, но по сути)

Если мы говорим об ИИ, то рассматривать нужно процесс принятия решения и т.п., а не работу с одним из возможных сенсоров.

Виктор Казаринов писал(а):

EDV писал(а):Смотрю и не очень понимаю в этом файле, где там классифицированные символы. М.б. номер строки укажете и немного прокомментируете? Или под классифицированными символами вы подразумеваете распознанные образы?

Ну, тогда по порядку:
1. Скачиваем http://edv-detail.narod.ru/Navigator_Tool_Kit.zip
2. Запускаем .\samples\StartMe.bat
3. Жмём «Esc» (пропускаем первый пример «LocationTree.exe») и видим теперь «BeaconsTest.exe» в действии. В примере классифицированные фрагменты изображения отмечаются зелёными прямоугольниками. Каждому фрагменту присвоен идентификационный код (номер класса, к которому относится фрагмент).

Теперь попробуем прокрутить через «BeaconsTest.exe» произвольное видео:
1. Записываем видеофайл в папку .\samples\bin
2. Удаляем ранее классифицированные данные (файл: .\samples\bin\beacons.avm).
3. Запускаем видеофайл на обработку: BeaconsTest.exe FileName.avi

Видеофайл будет крутится в цикле, каждый раз повторяясь заново. После второго повтора, программа сохранит новые данные о классифицированных фрагментах изображения в файле .\samples\bin\beacons.avm

Если мы говорим об ИИ, то рассматривать нужно процесс принятия решения и т.п., а не работу с одним из возможных сенсоров.

а вот никогда не приходило в голову, что интеллект без окружения, сенсоров, классификации поступающей информации и многого многого другого просто не возможен?