Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.
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

3,282 views

Published on

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

Published in: Technology
  • Be the first to comment

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>

×