Memética en la mente de SmartLab   Joseba Abaitua, Pablo Garaizar Almuerzos ESIDE/TFD 28 de abril  de 2006 <ul><ul><li>Pre...
Guión <ul><li>Introducción: SL  necesita una mente   memética </li></ul><ul><li>Antecedentes del término “meme” </li></ul>...
Introducción: ¿Qué SmartLab queremos? <ul><li>Misión:  creación de un  espacio de trabajo inteligente  con un doble propós...
¿Necesita SmartLab una mente?  Arquitectura propuesta por GISW
¿Qué modelo de mente adoptará SL? <ul><li>Conceptual </li></ul><ul><ul><li>Cerrada, individualista, elistista </li></ul></...
Memética: antecedentes <ul><li>Existen tres sentidos para el término “meme”: </li></ul><ul><li>Antropología, Genética de p...
Richard Dawkins (1976) <ul><li>The Selfish Gene  (1976) Oxford University Press  </li></ul><ul><li>Utilizó el término  mem...
Pablo Moscato (1989) <ul><li>On evolution, search, optimization, genetic algorithms and martial arts. Towards memetic algo...
Tim O'Reilly (2005) <ul><li>“ the  Web 2.0  meme  has become so widespread that companies are now pasting it on as a marke...
http://www.oreillynet.com/.../figure1.jpg
<ul><li>Modelos de mente </li></ul><ul><li>Mente individual/social </li></ul><ul><ul><li>Ralph Barton Perry (1922) Is Ther...
Multilayered system / sistema multicapas <ul><li>Entorno físico y humano </li></ul><ul><li>Capa perceptual (temperatura, v...
 
 
 
<ul><li>Métodos que proyecten nodos (circuitos, redes) de una capa a otra: </li></ul><ul><li>Geofolcsonomías (Cartografía ...
 
 
 
 
 
Modelo mente para SmartLab <ul><li>Arquitectura inicial de ¿tres capas? </li></ul><ul><ul><li>Entradas (Sensores) </li></u...
Introducción a los algoritmos meméticos <ul><li>Algoritmos meméticos (MA): </li></ul><ul><ul><li>Combinación de diferentes...
Introducción a los algoritmos meméticos <ul><li>Algoritmos genéticos (John Holland, 1975): </li></ul><ul><ul><li>Al igual ...
Introducción a los algoritmos meméticos <ul><li>Ejemplo: Cómo hacer el avión de papel que vuele más distancia. </li></ul><...
Introducción a los algoritmos meméticos <ul><li>Enfoque desde los GA:  </li></ul><ul><ul><li>Definimos aleatoriamente un c...
Introducción a los algoritmos meméticos <ul><li>Probamos los fenotipos (aviones) y medimos su fitness (distancia recorrida...
Introducción a los algoritmos meméticos <ul><li>Algoritmos meméticos (MA): </li></ul><ul><ul><li>Combinan técnicas de opti...
Introducción a los algoritmos meméticos <ul><li>Funcionamiento de un MA: </li></ul><ul><ul><li>Un MA mantiene en todo mome...
Introducción a los algoritmos meméticos <ul><li>Esqueleto de un MA: </li></ul><ul><li>FUNC MA (tamañoPob : N, ops : Operad...
Introducción a los algoritmos meméticos <ul><li>Comparativa MA vs. GA: </li></ul><ul><ul><li>GA: </li></ul></ul><ul><ul><u...
Introducción a los algoritmos meméticos <ul><li>Comparativa MA vs. GA: </li></ul><ul><ul><li>Evolución: </li></ul></ul>
Introducción a los algoritmos meméticos <ul><li>Comparativa MA vs. GA: </li></ul><ul><ul><li>Co-evolución: </li></ul></ul>
Introducción a los algoritmos meméticos <ul><li>Resumen: </li></ul><ul><ul><li>Simplificando mucho:  </li></ul></ul><ul><u...
Upcoming SlideShare
Loading in...5
×

Memética en la mente de SmartLab

2,936

Published on

¿Es la memética un modelo válido de mente social para un entorno de trabajo inteligente?

Published in: Technology
0 Comments
3 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total Views
2,936
On Slideshare
0
From Embeds
0
Number of Embeds
2
Actions
Shares
0
Downloads
0
Comments
0
Likes
3
Embeds 0
No embeds

No notes for slide
  • Memética en la mente de SmartLab

    1. 1. Memética en la mente de SmartLab Joseba Abaitua, Pablo Garaizar Almuerzos ESIDE/TFD 28 de abril de 2006 <ul><ul><li>Presentación </li></ul></ul>
    2. 2. Guión <ul><li>Introducción: SL necesita una mente memética </li></ul><ul><li>Antecedentes del término “meme” </li></ul><ul><ul><li>Richard Dawkins (1976) <3136 Scholar> / Richard Semon (1904) </li></ul></ul><ul><ul><li>Pablo Moscato (1989), <184 Scholar, 12 CiteSeer> </li></ul></ul><ul><ul><li>Tim O'Reilly (2005), <9 Scholar, 1304 del.icio.us > </li></ul></ul><ul><li>Modelos de mente </li></ul><ul><ul><li>Mente individual/social </li></ul></ul><ul><ul><li>Modelos de la Inteligencia Artificial </li></ul></ul><ul><li>Memética y Web2.0 </li></ul><ul><ul><li>Folcsonomías vs ontologías </li></ul></ul><ul><ul><li>Memes, metamemes ( tags ) y memetrackers </li></ul></ul><ul><li>Algoritmos meméticos </li></ul><ul><ul><li>Algoritmos evolutivos (genéticos, meméticos) </li></ul></ul><ul><ul><li>Funcionamiento, ejemplos </li></ul></ul>
    3. 3. Introducción: ¿Qué SmartLab queremos? <ul><li>Misión: creación de un espacio de trabajo inteligente con un doble propósito : </li></ul><ul><ul><li>Proporcionar infraestructura para albergar y atraer proyectos de investigación avanzados relacionados con AmI </li></ul></ul><ul><ul><li>Comprobar la validez de AmI como mecanismo para enriquecer y mejorar la experiencia de los usuarios </li></ul></ul><ul><li>Objetivos del laboratorio: </li></ul><ul><ul><li>Proporcionar un espacio de trabajo inteligente y reactivo a sus usuarios . </li></ul></ul><ul><ul><li>Gestionar automáticamente aspectos de confort y ahorro energético </li></ul></ul><ul><ul><li>Automatizar tareas de los usuarios, para descargarles de actividades intermedias y focalizar su actividad en el objetivo final. </li></ul></ul><ul><ul><li>Proporcionar nuevos mecanismos de comunicación y coordinación inteligentes con otros investigadores o laboratorios </li></ul></ul>
    4. 4. ¿Necesita SmartLab una mente? Arquitectura propuesta por GISW
    5. 5. ¿Qué modelo de mente adoptará SL? <ul><li>Conceptual </li></ul><ul><ul><li>Cerrada, individualista, elistista </li></ul></ul><ul><ul><li>Creada, diseñada </li></ul></ul><ul><ul><li>Deductiva, descendente </li></ul></ul><ul><ul><li>Estática </li></ul></ul><ul><ul><li>Monolítica (?) </li></ul></ul><ul><ul><li>Intelectual </li></ul></ul><ul><ul><li>Racional </li></ul></ul><ul><ul><li>Composicional </li></ul></ul><ul><li>Memética </li></ul><ul><ul><li>Abierta, social, colectiva, cooperativa, gregaria </li></ul></ul><ul><ul><li>Evolutiva </li></ul></ul><ul><ul><li>Inductiva, ascendente </li></ul></ul><ul><ul><li>Dinámica </li></ul></ul><ul><ul><li>Emergente </li></ul></ul><ul><ul><li>Intuitiva </li></ul></ul><ul><ul><li>Emocional </li></ul></ul><ul><ul><li>Holística (?) </li></ul></ul><ul><ul><li>Sensorial, conductista, probabilística... </li></ul></ul>
    6. 6. Memética: antecedentes <ul><li>Existen tres sentidos para el término “meme”: </li></ul><ul><li>Antropología, Genética de poblaciones: Richard Dawkins (1976) <3136 Scholar> / Richard Semon (1904) </li></ul><ul><li>Computación evolutiva: Pablo Moscato (1989), <184 Scholar, 12 CiteSeer> </li></ul><ul><li>Web2.0: Tim O'Reilly (2005), <9 Scholar, 1304 del.icio.us > </li></ul>
    7. 7. Richard Dawkins (1976) <ul><li>The Selfish Gene (1976) Oxford University Press </li></ul><ul><li>Utilizó el término meme para describir una unidad de evolución sociocultural </li></ul><ul><ul><li>Antropólogos (Herbert Spencer 1820-1903) y sociólogos (Émile Durkheim 1858-1917) </li></ul></ul><ul><ul><li>Genética de poblaciones (Luigi Luca Cavalli-Sforza n.1922) </li></ul></ul><ul><ul><li>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. </li></ul></ul><ul><li>replicador mutante en la evolución cultural humana; patrón que influye en su entorno y se propaga </li></ul><ul><li>Virus of the Mind: The New Science of the Meme (2004), Richard Brodie </li></ul>
    8. 8. Pablo Moscato (1989) <ul><li>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. </li></ul><ul><li>“ 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) </li></ul>Double-click to add graphics <ul><ul><li>Ahora en Australia : Newcastle Bioinformatics Initiative </li></ul></ul>
    9. 9. Tim O'Reilly (2005) <ul><li>“ 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” </li></ul>Double-click to add graphics <ul><ul><li>What Is Web 2.0, http://www.oreillynet.com/pub/a/oreilly/tim/news/2005/09/30/what-is-web-20.html </li></ul></ul><ul><ul><li>“ (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, &quot;changing the world by spreading the knowledge of innovators.&quot; from Wikipedia </li></ul></ul>
    10. 10. http://www.oreillynet.com/.../figure1.jpg
    11. 11. <ul><li>Modelos de mente </li></ul><ul><li>Mente individual/social </li></ul><ul><ul><li>Ralph Barton Perry (1922) Is There a Social Mind? American Journal of Sociology 27: 561-572. </li></ul></ul><ul><ul><li>Psicología social, antropología evolutiva </li></ul></ul><ul><li>Modelos de la Inteligencia Artificial </li></ul><ul><ul><li>Reglas, ontologías </li></ul></ul><ul><ul><li>Redes neuronales, métodos estadísticos </li></ul></ul><ul><ul><li>Computación evolutiva </li></ul></ul><ul><ul><li>etc. </li></ul></ul><ul><li>Alternativas </li></ul><ul><ul><li>Folcsonomías vs ontologías </li></ul></ul><ul><ul><li>Memes, metamemes vs conceptos y metadatos </li></ul></ul><ul><ul><li>Web2.0 vs Web3.0? </li></ul></ul><ul><li>Son capas distintas </li></ul>
    12. 12. Multilayered system / sistema multicapas <ul><li>Entorno físico y humano </li></ul><ul><li>Capa perceptual (temperatura, volúmenes, movimiento, sonido...) </li></ul><ul><li>Capa topográfica (cartografía) </li></ul><ul><li>Capa folcsonómica (anotaciones sociales) </li></ul><ul><li>Capa ontológica (conceptos) </li></ul><ul><li>... </li></ul>
    13. 16. <ul><li>Métodos que proyecten nodos (circuitos, redes) de una capa a otra: </li></ul><ul><li>Geofolcsonomías (Cartografía – Folcosonomía) </li></ul><ul><ul><ul><li>Iñaki Vázquez, Diego López de Ipiña (2006) </li></ul></ul></ul><ul><li>Algoritmo folk2onto (Folcsonomía - Ontología) </li></ul><ul><ul><ul><li>Borja Sotomayor (2006) Mapping social tags into ontological categories. Working draft . University of Chicago </li></ul></ul></ul>
    14. 22. Modelo mente para SmartLab <ul><li>Arquitectura inicial de ¿tres capas? </li></ul><ul><ul><li>Entradas (Sensores) </li></ul></ul><ul><ul><ul><li>Captura, interpretación, abstracción, modelización, anotación de parámetros contextuales: localización, identidad, actividad, etc. </li></ul></ul></ul><ul><ul><ul><li>Interacción natural </li></ul></ul></ul><ul><ul><li>Modelización y Razonamiento </li></ul></ul><ul><ul><ul><li>Modelización: </li></ul></ul></ul><ul><ul><ul><ul><li>Ontologías </li></ul></ul></ul></ul><ul><ul><ul><ul><li>Pizarras compartidas o Tuples spaces </li></ul></ul></ul></ul><ul><ul><ul><li>Comparación de diferentes modelos de razonamiento: </li></ul></ul></ul><ul><ul><ul><ul><li>Tradicional: basado en reglas (Fuzzy Logic) </li></ul></ul></ul></ul><ul><ul><ul><ul><li>Razonamiento semántico </li></ul></ul></ul></ul><ul><ul><ul><ul><li>Redes Bayesianas, computación evolutiva </li></ul></ul></ul></ul><ul><ul><ul><li>Aprendizaje basado en experiencia </li></ul></ul></ul><ul><ul><li>Salidas (Actuadores) </li></ul></ul><ul><ul><ul><li>Servicios Web Semánticos empotrados en microservidores propios </li></ul></ul></ul><ul><ul><ul><li>Abstracción de estándares domóticos a través de OSGi y UPnP </li></ul></ul></ul>
    15. 23. Introducción a los algoritmos meméticos <ul><li>Algoritmos meméticos (MA): </li></ul><ul><ul><li>Combinación de diferentes técnicas: </li></ul></ul><ul><ul><ul><li>Computación evolutiva: algoritmos genéticos (GA). </li></ul></ul></ul><ul><ul><ul><li>Técnicas de búsqueda local (Hill Climbing). </li></ul></ul></ul>
    16. 24. Introducción a los algoritmos meméticos <ul><li>Algoritmos genéticos (John Holland, 1975): </li></ul><ul><ul><li>Al igual que en el resto de la IA, usados para hallar soluciones a problemas complejos (difícilmente computables, sin solución algorítmica, etc.). </li></ul></ul><ul><ul><li>Basados en la Teoría de la Evolución: </li></ul></ul><ul><ul><ul><li>Recombinación genética </li></ul></ul></ul><ul><ul><ul><li>Mutaciones </li></ul></ul></ul><ul><ul><ul><li>Selección </li></ul></ul></ul>
    17. 25. Introducción a los algoritmos meméticos <ul><li>Ejemplo: Cómo hacer el avión de papel que vuele más distancia. </li></ul><ul><li>Hechos: </li></ul><ul><ul><li>No sabemos nada de aerodinámica. </li></ul></ul><ul><ul><li>No sabemos nada de papiroflexia. </li></ul></ul><ul><ul><li>Tenemos muchas hojas de papel. </li></ul></ul><ul><ul><li>Sabemos doblar las hojas de papel de forma básica. </li></ul></ul><ul><ul><li>Sabemos medir cuánto ha volado un prototipo. </li></ul></ul>
    18. 26. Introducción a los algoritmos meméticos <ul><li>Enfoque desde los GA: </li></ul><ul><ul><li>Definimos aleatoriamente un conjunto de genotipos: conjunto de dobleces que hay que aplicar a un papel para convertirlo en un prototipo de avión. </li></ul></ul><ul><ul><ul><li>Ejemplo: </li></ul></ul></ul><ul><ul><ul><ul><li>Genotipo (5 genes): </li></ul></ul></ul></ul><ul><ul><ul><ul><ul><li>Doblar papel por la mitad. </li></ul></ul></ul></ul></ul><ul><ul><ul><ul><ul><li>Doblar esquina superior en triángulo. </li></ul></ul></ul></ul></ul><ul><ul><ul><ul><ul><li>Doblar esquina inferior en triángulo. </li></ul></ul></ul></ul></ul><ul><ul><ul><ul><ul><li>Doblar papel por la mitad. </li></ul></ul></ul></ul></ul><ul><ul><ul><ul><ul><li>Doblar esquina superior por la mitad. </li></ul></ul></ul></ul></ul><ul><ul><ul><ul><li>Fenotipo: </li></ul></ul></ul></ul>
    19. 27. Introducción a los algoritmos meméticos <ul><li>Probamos los fenotipos (aviones) y medimos su fitness (distancia recorrida en vuelo). </li></ul><ul><li>Seleccionamos a los más aptos y a alguno de los no tan aptos. </li></ul><ul><ul><li>Si seleccionamos solamente a los más aptos, podemos quedarnos atrapados en un máximo local: </li></ul></ul><ul><ul><li>Si introdujéramos la mutación, quizá podríamos salir de este máximo local. </li></ul></ul>
    20. 28. Introducción a los algoritmos meméticos <ul><li>Algoritmos meméticos (MA): </li></ul><ul><ul><li>Combinan técnicas de optimización metaheurísticas: </li></ul></ul><ul><ul><ul><li>Búsqueda basada en poblaciones: algoritmos evolutivos (algoritmos genéticos). </li></ul></ul></ul><ul><ul><ul><li>Mejora local: hill climbing: </li></ul></ul></ul><ul><ul><ul><ul><li>Avance a través de un grafo hacia el nodo que esté más próximo a la solución. </li></ul></ul></ul></ul><ul><ul><ul><ul><li>Peligro de máximos locales. </li></ul></ul></ul></ul><ul><ul><li>Metaheurísticas: se usan heurísticas subordinadas para el proceso de optimización (heurística sobre la heurística que se aplicará). </li></ul></ul><ul><ul><li>Los múltiples agentes cooperan y compiten para encontrar la solución óptima. </li></ul></ul>
    21. 29. Introducción a los algoritmos meméticos <ul><li>Funcionamiento de un MA: </li></ul><ul><ul><li>Un MA mantiene en todo momento una población de diferentes soluciones al problema considerado (~ GA). </li></ul></ul><ul><ul><li>Cada una de las soluciones es un agente. </li></ul></ul><ul><ul><li>Los agentes compiten y cooperan para hallar la mejor solución: </li></ul></ul><ul><ul><ul><li>Competición: la selección de los más aptos en cada generación. </li></ul></ul></ul><ul><ul><ul><li>Cooperación: </li></ul></ul></ul><ul><ul><ul><ul><li>Recombinación de agentes: normalmente 2, aunque pueden ser más. </li></ul></ul></ul></ul><ul><ul><ul><ul><li>Mutación: inclusión de información no contenida en ninguno de los agentes. </li></ul></ul></ul></ul><ul><ul><ul><ul><ul><li>Meta-operadores: aplicación iterativa de un operador de mutación conservando los cambios que proporcionan una mejora del agente (búsqueda local). </li></ul></ul></ul></ul></ul>
    22. 30. Introducción a los algoritmos meméticos <ul><li>Esqueleto de un MA: </li></ul><ul><li>FUNC MA (tamañoPob : N, ops : Operador[ ]) -> Agente </li></ul><ul><li>Variables </li></ul><ul><ul><li>pob : Agente[ ]; </li></ul></ul><ul><li>Inicio </li></ul><ul><ul><li>pob <- Iniciar-Poblacion(tamañoPob); </li></ul></ul><ul><ul><li>REPETIR </li></ul></ul><ul><ul><ul><li>pob <- Paso-Generacional (pob, ops) </li></ul></ul></ul><ul><ul><ul><li>SI Convergencia(pob) ENTONCES </li></ul></ul></ul><ul><ul><ul><ul><li>pob <- Reiniciar-Poblacion(pob); </li></ul></ul></ul></ul><ul><ul><ul><li>FINSI </li></ul></ul></ul><ul><ul><li>HASTA QUE Terminacion-MA() </li></ul></ul><ul><ul><li>DEVOLVER i-esimo-Mejor(pob, 1); </li></ul></ul><ul><li>Fin </li></ul>
    23. 31. Introducción a los algoritmos meméticos <ul><li>Comparativa MA vs. GA: </li></ul><ul><ul><li>GA: </li></ul></ul><ul><ul><ul><li>individuo: solución al problema. </li></ul></ul></ul><ul><ul><ul><li>recombinacion de información: intercambio no-guiado de información. </li></ul></ul></ul><ul><ul><ul><li>mutacion: introduccion aleatoria de nueva información. </li></ul></ul></ul><ul><ul><li>MA: </li></ul></ul><ul><ul><ul><li>agente: solucion(es) al problema + mecanismo mejora local. </li></ul></ul></ul><ul><ul><ul><li>recombinacion de información: intercambio guiado. </li></ul></ul></ul><ul><ul><ul><li>mutacion: introduccion sensible de nueva informacion. </li></ul></ul></ul><ul><ul><ul><li>mejora local: aprendizaje lamarckiano. </li></ul></ul></ul>
    24. 32. Introducción a los algoritmos meméticos <ul><li>Comparativa MA vs. GA: </li></ul><ul><ul><li>Evolución: </li></ul></ul>
    25. 33. Introducción a los algoritmos meméticos <ul><li>Comparativa MA vs. GA: </li></ul><ul><ul><li>Co-evolución: </li></ul></ul>
    26. 34. Introducción a los algoritmos meméticos <ul><li>Resumen: </li></ul><ul><ul><li>Simplificando mucho: </li></ul></ul><ul><ul><ul><li>MA = GA + Búsqueda local. </li></ul></ul></ul><ul><ul><li>En MA hay múltiples agentes co-evolucionando, que transmiten sus hallazgos al sistema general mediante memes. </li></ul></ul><ul><ul><li>Los agentes... </li></ul></ul><ul><ul><ul><li>compiten en cada generación por ser los más aptos. </li></ul></ul></ul><ul><ul><ul><li>colaboran aportando... </li></ul></ul></ul><ul><ul><ul><ul><li>parte de sus cualidades (recombinación de la información) </li></ul></ul></ul></ul><ul><ul><ul><ul><li>lo aprendido durante su funcionamiento (aprendizaje lamarckiano) </li></ul></ul></ul></ul><ul><ul><ul><ul><li>información al sistema general (memes). </li></ul></ul></ul></ul>

    ×