Teoría de Esquemas
Han existido un número de intentos para definir una metodología
para el análisis de sistemas dinámicos biológicos
de gran complejidad. Uno de estos intentos es la teoría de
esquemas la cual define el marco conceptual para la representación
de conocimiento inspirada en estudios biológicos y cognitivos.
La teoría de esquemas (Arbib 1992) contribuye a la Inteligencia
Artificial Distribuida (IAD), y depende de la ciencia cognitiva
y la teoría del cerebro. Sus aplicaciones son en áreas
tales como robótica, donde procesos cognitivos, sensoriales,
y motrices pueden ser representados a diferentes niveles de detalle.
Los esquemas proveen un nivel de representación "neurofisiológico"
intermedio entre descripciones de tareas neuronales de alto nivel
y redes neuronales detalladas.
Se ha desarrollado un amplio rango de modelos basados en la teoría
de esquemas, desde sistemas biológicos, tales como modelos
que expliquen datos sobre lesiones en los sistemas de adquisición
de presa y evitar depredadores en sapos (Cobas y Arbib 1990; 1991;
Arbib y Lee 1993; Corbacho y Arbib 1995), hasta modelos basados
en redes neuronales artificiales, tales como la integración
sensorimotora en sistemas robóticos (Fagg et al. 1992).
Un número de sistemas de simulación han sido desarrollados
para tratar con diferentes aspectos de la teoría de esquemas.
En particular, ASL - Lenguage
de Esquemas Abstracto, se ha desarrollando para proveer una
plataforma de modelado de esquemas integrados a redes neuronales.
Adaptación y Aprendizaje
El área de adaptación y aprendizaje en sistemas dinámicos
ha sido tratado por muchos científicos en áreas más
tradicionales de inteligencia artificial, con sistemas como SOAR,
además de redes neuronales, con aprendizaje como hebbian, inspirado
en la biología, o "back-propagation", totalmente
artificial. Aprendizaje en los sistemas tradicionales de la inteligencia
artificial son explícitos, mediante mecanismos preestablecidos
de alto nivel, mientras que el aprendizaje en las redes neuronales
es implícito, generalmente especificado como un mecanismo en
el nivel de pesos sinápticos individuales. En las redes neuronales
tradicionales, el sistema no tiene manera de saber o razonar sobre
sus estado, al contrario del razonamiento más tradicional basado
en explicaciones, restringiendo cualquier optimización o análisis
que se quisiera hacer a niveles más altos de cognición.
Nuestro objetivo es lograr modelos más complejos donde el aprendizaje
cognitivo (o sea, aprendizaje en el nivel más alto) esté
causalmente conectado al aprendizaje en niveles más bajos.
Adaptación y aprendizaje
en múltiples niveles es uno de los objetivos de investigación
en el laboratorio.
Arquitecturas Meta-Nivel
Las arqutiecturas meta-nivel implementadas por medio de la reflexión
computacional introducen capabilidades de "introspexión",
por medio de los cuales ambientes computacionales pueden ser modificados
(Smith 1984). Extendiendo esta abstracción en el mundo orientado
a objetos, un objeto se puede representar a un nivel más
alto por un meta objeto, el cual, si se modificara, cambiaría
su correspondiente implementación de más bajo nivel
(Maes 1987).
Ejemplos del poder de hacer explícitas tales manipulaciones
de meta nivel se pueden ver en áreas como sistemas paralelos,
donde mayor eficiencia de implementación en compiladores
paralelos puede ser obtenida al "abrir" el compilador
y sistema de ejecución (Lamping et al. 1992). De tal manera,
una meta de la reflexión computacional es exponer la implementación
de abstracciones para así poder ofrecer una mayor expresión
a su (Kiczales 1992). Utilizando reflexión en un entorno
de múltiples modelos en un sistema de programación
distribuido, el objeto base corresponde al sistema base siendo modelado,
y los objetos meta nivel son las vistas del sistema, tales como
modelos operacionales de recursos, estadísticos, y de migración,
donde un cambio en cualquiera de estos objetos de meta nivel causaría
que también se modifique los propios objetos base, y subsecuentemente
todos los objetos meta nivel (Okamura et al. 1992). En el área
de redes neuronales Smieja y Muhlenbein (1992) propusieron una arquitectura
reflectiva para el control de redes neuronales modulares. En otro
trabajo, una sola red neuronal se puede implementar como diferentes
conjuntos de sub-módulos donde, los cuales dependiendo de
su arquitectura, pudieran mejorar o empeorar la eficiencia computacional
de la red Boers y Kuiper (1993).
Para desarrollar sistemas que contengan arquitecturas con diferentes
niveles y distintas representaciones, es necesario diseñar
y desarrollar herramientas de programación que integren los
componentes a nivel del sistema y del modelado. Se está desarrollando
en el laboratorio una arquitecturas meta nivel, a través
del uso de reflexión computacional en ASL y NSL, donde se
busca implementar los siguientes aspectos:
- Monitoreo y control de la comunicación entre esquemas
distribuidos.
- Balanceo de carga mediante la migración de esquemas.
- Manejo de diferentes versiones de modelos implementados en ASL/NSL,
y acomodación a diferentes conjuntos de datos.
- Modificación dinámica del sistema en la integración
de diferentes niveles de modelado de esquemas y redes neuronales,
junto con múltiples vistas de niveles individuales.
|