Mem�tica en la mente de SmartLab

Memética en la mente de SmartLab Joseba Abaitua, Pablo Garaizar Almuerzos ESIDE/TFD 28 de abril de 2006

Presentación

Guión

Introducción: SL necesita una mente memética

Antecedentes del término “meme”

Richard Dawkins (1976) <3136 Scholar> / Richard Semon (1904)

Pablo Moscato (1989), <184 Scholar, 12 CiteSeer>

Tim O'Reilly (2005), <9 Scholar, 1304 del.icio.us >

Modelos de mente

Mente individual/social

Modelos de la Inteligencia Artificial

Memética y Web2.0

Folcsonomías vs ontologías

Memes, metamemes ( tags ) y memetrackers

Algoritmos meméticos

Algoritmos evolutivos (genéticos, meméticos)

Funcionamiento, ejemplos

Introducción: ¿Qué SmartLab queremos?

Misión: creación de un espacio de trabajo inteligente con un doble propósito :

Proporcionar infraestructura para albergar y atraer proyectos de investigación avanzados relacionados con AmI

Comprobar la validez de AmI como mecanismo para enriquecer y mejorar la experiencia de los usuarios

Objetivos del laboratorio:

Proporcionar un espacio de trabajo inteligente y reactivo a sus usuarios .

Gestionar automáticamente aspectos de confort y ahorro energético

Automatizar tareas de los usuarios, para descargarles de actividades intermedias y focalizar su actividad en el objetivo final.

Proporcionar nuevos mecanismos de comunicación y coordinación inteligentes con otros investigadores o laboratorios

¿Necesita SmartLab una mente? Arquitectura propuesta por GISW

¿Qué modelo de mente adoptará SL?

Conceptual

Cerrada, individualista, elistista

Creada, diseñada

Deductiva, descendente

Estática

Monolítica (?)

Intelectual

Racional

Composicional

Memética

Abierta, social, colectiva, cooperativa, gregaria

Evolutiva

Inductiva, ascendente

Dinámica

Emergente

Intuitiva

Emocional

Holística (?)

Sensorial, conductista, probabilística...

Memética: antecedentes

Existen tres sentidos para el término “meme”:

Antropología, Genética de poblaciones: Richard Dawkins (1976) <3136 Scholar> / Richard Semon (1904)

Computación evolutiva: Pablo Moscato (1989), <184 Scholar, 12 CiteSeer>

Web2.0: Tim O'Reilly (2005), <9 Scholar, 1304 del.icio.us >

Richard Dawkins (1976)

The Selfish Gene (1976) Oxford University Press

Utilizó el término meme para describir una unidad de evolución sociocultural

Antropólogos (Herbert Spencer 1820-1903) y sociólogos (Émile Durkheim 1858-1917)

Genética de poblaciones (Luigi Luca Cavalli-Sforza n.1922)

variación genética entre los individuos de una población bajo la influencia de las fuerzas evolutivas: selección natural, deriva genética, flujo genético (o migración), recombinación y mutación.

replicador mutante en la evolución cultural humana; patrón que influye en su entorno y se propaga

Virus of the Mind: The New Science of the Meme (2004), Richard Brodie

Pablo Moscato (1989)

On evolution, search, optimization, genetic algorithms and martial arts. Towards memetic algorithms Tech. Rep. Caltech Concurrent Computation Program , Report. 826, California Institute of Technology, Pasadena, California, USA, 1989.

“ The resulting algorithms, often called genetic local search algorithms (GLS) 35, 7, 36] or memetic algorithms [27, 28, 25], have proven to be highly effective since they combine the advantages of efficient local search for exploiting the neighborhood of a single solution and population based algorithms that effectively explore the search space.” Genetic Algorithms for Binary Quadratic Programming - Merz, Freisleben (1999)

Double-click to add graphics

Ahora en Australia : Newcastle Bioinformatics Initiative

Tim O'Reilly (2005)

“ the Web 2.0 meme has become so widespread that companies are now pasting it on as a marketing buzzword, with no real understanding of just what it means”

Double-click to add graphics

What Is Web 2.0, http://www.oreillynet.com/pub/a/oreilly/tim/news/2005/09/30/what-is-web-20.html

“ (born 1954, Cork, Ireland) is the founder of O'Reilly Media (formerly O'Reilly & Associates) and a booster of the free software and open source movements. Tim defines his company not as a book or online publisher, or as a conference producer (though the company does all three), but as a technology transfer company, "changing the world by spreading the knowledge of innovators." from Wikipedia

http://www.oreillynet.com/.../figure1.jpg

Modelos de mente

Mente individual/social

Ralph Barton Perry (1922) Is There a Social Mind? American Journal of Sociology 27: 561-572.

Psicología social, antropología evolutiva

Modelos de la Inteligencia Artificial

Reglas, ontologías

Redes neuronales, métodos estadísticos

Computación evolutiva

etc.

Alternativas

Folcsonomías vs ontologías

Memes, metamemes vs conceptos y metadatos

Web2.0 vs Web3.0?

Son capas distintas

Multilayered system / sistema multicapas

Entorno físico y humano

Capa perceptual (temperatura, volúmenes, movimiento, sonido...)

Capa topográfica (cartografía)

Capa folcsonómica (anotaciones sociales)

Capa ontológica (conceptos)

...

Métodos que proyecten nodos (circuitos, redes) de una capa a otra:

Geofolcsonomías (Cartografía – Folcosonomía)

Iñaki Vázquez, Diego López de Ipiña (2006)

Algoritmo folk2onto (Folcsonomía - Ontología)

Borja Sotomayor (2006) Mapping social tags into ontological categories. Working draft . University of Chicago

Modelo mente para SmartLab

Arquitectura inicial de ¿tres capas?

Entradas (Sensores)

Captura, interpretación, abstracción, modelización, anotación de parámetros contextuales: localización, identidad, actividad, etc.

Interacción natural

Modelización y Razonamiento

Modelización:

Ontologías

Pizarras compartidas o Tuples spaces

Comparación de diferentes modelos de razonamiento:

Tradicional: basado en reglas (Fuzzy Logic)

Razonamiento semántico

Redes Bayesianas, computación evolutiva

Aprendizaje basado en experiencia

Salidas (Actuadores)

Servicios Web Semánticos empotrados en microservidores propios

Abstracción de estándares domóticos a través de OSGi y UPnP

Introducción a los algoritmos meméticos

Algoritmos meméticos (MA):

Combinación de diferentes técnicas:

Computación evolutiva: algoritmos genéticos (GA).

Técnicas de búsqueda local (Hill Climbing).

Algoritmos genéticos (John Holland, 1975):

Al igual que en el resto de la IA, usados para hallar soluciones a problemas complejos (difícilmente computables, sin solución algorítmica, etc.).

Basados en la Teoría de la Evolución:

Recombinación genética

Mutaciones

Selección

Ejemplo: Cómo hacer el avión de papel que vuele más distancia.

Hechos:

No sabemos nada de aerodinámica.

No sabemos nada de papiroflexia.

Tenemos muchas hojas de papel.

Sabemos doblar las hojas de papel de forma básica.

Sabemos medir cuánto ha volado un prototipo.

Enfoque desde los GA:

Definimos aleatoriamente un conjunto de genotipos: conjunto de dobleces que hay que aplicar a un papel para convertirlo en un prototipo de avión.

Ejemplo:

Genotipo (5 genes):

Doblar papel por la mitad.

Doblar esquina superior en triángulo.

Doblar esquina inferior en triángulo.

Doblar papel por la mitad.

Doblar esquina superior por la mitad.

Fenotipo:

Probamos los fenotipos (aviones) y medimos su fitness (distancia recorrida en vuelo).

Seleccionamos a los más aptos y a alguno de los no tan aptos.

Si seleccionamos solamente a los más aptos, podemos quedarnos atrapados en un máximo local:

Si introdujéramos la mutación, quizá podríamos salir de este máximo local.

Algoritmos meméticos (MA):

Combinan técnicas de optimización metaheurísticas:

Búsqueda basada en poblaciones: algoritmos evolutivos (algoritmos genéticos).

Mejora local: hill climbing:

Avance a través de un grafo hacia el nodo que esté más próximo a la solución.

Peligro de máximos locales.

Metaheurísticas: se usan heurísticas subordinadas para el proceso de optimización (heurística sobre la heurística que se aplicará).

Los múltiples agentes cooperan y compiten para encontrar la solución óptima.

Funcionamiento de un MA:

Un MA mantiene en todo momento una población de diferentes soluciones al problema considerado (~ GA).

Cada una de las soluciones es un agente.

Los agentes compiten y cooperan para hallar la mejor solución:

Competición: la selección de los más aptos en cada generación.

Cooperación:

Recombinación de agentes: normalmente 2, aunque pueden ser más.

Mutación: inclusión de información no contenida en ninguno de los agentes.

Meta-operadores: aplicación iterativa de un operador de mutación conservando los cambios que proporcionan una mejora del agente (búsqueda local).

Esqueleto de un MA:

FUNC MA (tamañoPob : N, ops : Operador[ ]) -> Agente

Variables

pob : Agente[ ];

Inicio

pob <- Iniciar-Poblacion(tamañoPob);

REPETIR

pob <- Paso-Generacional (pob, ops)

SI Convergencia(pob) ENTONCES

pob <- Reiniciar-Poblacion(pob);

FINSI

HASTA QUE Terminacion-MA()

DEVOLVER i-esimo-Mejor(pob, 1);

Fin

Comparativa MA vs. GA:

GA:

individuo: solución al problema.

recombinacion de información: intercambio no-guiado de información.

mutacion: introduccion aleatoria de nueva información.

MA:

agente: solucion(es) al problema + mecanismo mejora local.

recombinacion de información: intercambio guiado.

mutacion: introduccion sensible de nueva informacion.

mejora local: aprendizaje lamarckiano.

Evolución:

Co-evolución:

Resumen:

Simplificando mucho:

MA = GA + Búsqueda local.

En MA hay múltiples agentes co-evolucionando, que transmiten sus hallazgos al sistema general mediante memes.

Los agentes...

compiten en cada generación por ser los más aptos.

colaboran aportando...

parte de sus cualidades (recombinación de la información)

lo aprendido durante su funcionamiento (aprendizaje lamarckiano)

información al sistema general (memes).

Mem�tica en la mente de SmartLab

0 comments

Notes on slide 1

2 Favorites