Kognitive Systeme: Symbolorientierte Ansätze

• Die Vorlesung behandelt kognitive Systeme mit Fokus auf symbolorientierte Ansätze. Sie wird von Prof. Dr. Ing. Alke Martens im Sommersemester 2017 gehalten.

Geschichte

• Die wissenschaftliche Revolution (Galileo Galilei, René Descartes, Isaac Newton) besagt, dass alles durch Gesetze und Prinzipien auf der Basis interagierender Teile beschrieben werden kann.
• Natürliche Phänomene sind durch Beobachtung, Experimente und mathematische Überlegungen verstehbar.
• Rationalität und empirische Beweise sind von Bedeutung.
• Spirituelle und mystische Erklärungen sind keine Wissenschaft.
• Wissenschaftliche Erkenntnisse sind verständlich, erklärbar und vorhersehbar.
• Die Von-Neumann-Maschine wird als ein "Modell des Geistes" in einer mechanistischen Sichtweise betrachtet.

Von-Neumann-Architektur

• Die Von-Neumann-Architektur besteht aus einem Speicher, einem Rechenwerk (ALU), einem Steuerwerk, einer Eingabe- und einer Ausgabeeinheit.
• Die Komponenten kommunizieren über Adress-, Daten- und Steuerbusse.

Anfänge der KI

• Der Computer wird als dem menschlichen "Geist" bzw. Gehirn gleichgesetzt.
• Physische Systeme können als physische Symbolsysteme (PSS-Hypothese) wahrgenommen werden.
• Symbole sind die Basis von High-Level-kognitiven Systemen.
• Alle intelligenten Handlungen lassen sich auf die Manipulation von Symbolsystemen zurückführen.
• Die Manipulation von Symbolsystemen kann zu intelligenten Handlungen führen.
• Systemeigenschaften wie Abgeschlossenheit und Vollständigkeit können zu Systemen führen, die auf Symbolen allein aufgebaut werden können.
• Symbole und Symbolsysteme können auf formalen Systemen und mathematischer Logik basieren.

Physische Symbolsystem-Hypothese (PSSH)

• Ein physisches Symbolsystem ist ein formales System.
• Dieses formale System kann physische Muster (d. h. Symbole) annehmen.
• Symbole können zu Strukturen (d. h. Ausdrücken) kombiniert werden.
• Symbole und Ausdrücke können durch Prozesse manipuliert werden.
• Durch Prozesse manipulierte Symbole und Ausdrücke führen zu neuen Ausdrücken.
• Eine Definition lautet: "Ein physisches Symbolsystem hat die notwendigen und hinreichenden Mittel für eine allgemeine intelligente Interaktion" (Newell, Simon, 1976).
• Intelligentes menschliches Denken kann durch Symbole und Ausdrücke beschrieben werden.
• Prozesse sind mentale Operationen (Denken).
• Beispiele:
  • Englische Sprache: Symbole = Wörter, Ausdrücke = Sätze
  • Schachspiel: Symbole = Figuren, Ausdrücke = Positionen der Figuren auf dem Brett, Prozesse = legale Züge im Spiel
• Physikalische Symbolsysteme umfassen:
  • Formale Logik (UND, ODER, NICHT, Für alle...)
  • Algebra (Zahlen, Operatoren wie +, * ...)
• PSSH interessiert sich für Symbole von Dingen, die eine Bedeutung haben und potenziell zerlegbar oder ontologisch organisiert sind.
• Die Hypothese modelliert keine Informationen durch die sensorische Eingabe eines Geräts und arbeitet auf der Ebene der Symbole.

Problem

• Searle (1980) stellte fest, dass diesen Systemen die "Intentionalität" fehlt, erläutert am Beispiel des "Chinese Room"-Experiments.

Chinesisches-Zimmer-Experiment

• Ein Computer, der ein Programm ausführt, hat keinen Verstand, kein Verständnis und kein Bewusstsein.
• John Searle veröffentlichte "Minds, Brains, and Programs" (1980) im Journal Behavioral Brain Sciences.
• Ähnliche Argumente wurden von Leibniz (1714) gegen eine mechanistische Weltanschauung vorgebracht.
• Searle prägte den Begriff "starke KI".

Diskussion: Bewusstsein vs. intelligentes Handeln

• Die Physische Symbolsystem-Hypothese (PSSH) spricht von "intelligenten Handlungen" des Maschinenverhaltens.
• PSSH spricht nicht über mentale Zustände, Geist, Bewusstsein, Erfahrung, Selbst usw.
• PSSH ist nicht relevant für Psychologie, Neurologie oder andere Analysen des menschlichen Wesens.

Mentale Modelle

• Jay Wright Forrester definierte mentale Modelle als das Bild der Welt, das wir im Kopf tragen und das aus ausgewählten Konzepten und Beziehungen besteht, die das reale System repräsentieren (1971).
• PSSH bezieht sich auf die Idee, dass mentale Modelle durch Symbole dargestellt werden können.

Wissenserfassung und Wissensrepräsentation

• Es werden grundlegende Konzepte des Wissens untersucht.

Menschliches Wissen

• Es gibt einen Ansatz der epistemischen Logik (griechisch επιστήμη - Wissenschaft, Wissen).
• Erweiterung der klassischen zweiwertigen Logik (wahr / falsch) mit einem Wissensoperator W.
• Ein System s kennt eine Tatsache p, wenn p in allen Welten gültig ist, die s von der gegebenen Welt nicht unterscheiden kann.
• Das Wissen wird auch als ein System von Überzeugungen betrachtet.

Probleme des epistemischen Ansatzes

• Der Ansatz ist nicht wirklich auf bestehende Systeme anwendbar, da alles, was man weiß, wahr ist (Veridikalität).
• Es erfolgt ein logischer Allwissenheit, da Tautologien in allen möglichen Welten gültig sind (eine Tautologie ist eine Aussage, die immer wahr ist).
• Induktiver Abschluss bedeutet, dass man mit allem, was man weiß, alles weiß, was daraus abgeleitet werden kann.
• Es erfolgen positive und negative Introspektionen, da man weiß, dass man alles weiß bzw. dass man nicht alles weiß.

Menschliches Wissen als Glaubenssystem

• Es gibt ein Problem des menschlichen Wissens vs. idealen Wissens.
• Menschen haben angenommenes und De-facto-Wissen.
• Das System der Überzeugungen umfasst:
  • Menge explizit gegebener Überzeugungen.
  • Menge von Regeln zur Konstruktion neuer Überzeugungen oder Kombinationen von Überzeugungen (prozedurales Wissen).
  • Menge T aller verfügbaren Wissenselemente (deklaratives Wissen).

Symbolorientiertes Wissen

• Es werden deklarative und prozedurale Darstellungen betrachtet.
• Die Idee ist die formale Repräsentation menschlichen Wissens, sodass eine Maschine damit arbeiten kann.

Deklarative Repräsentation

• Frühe Schritte (Hunt, 1962): Objektname, Attribut-Wert-Kombinationen, Sammlung isolierter Wissenselemente.
• Semantische Netze (Quillian, 1968): Objekte, Attribut-Wert-Kombinationen, Objektklassen, Klassenhierarchie, ISA-Beziehung (Vererbung von Attribut-Wert-Kombinationen zwischen Eltern- und Kindklassen), Ereignisse als Wissens Objekte.
• Das Ziel ist die vollständige Wissensrepräsentation im Computer.
• Frames (Minsky, 1981) werden durch Wertebereiche, Wertbeschränkungen, Standardwerte und Ableitungsregeln erweitert.
• Vererbung wird heutzutage in semantischen Netzen selten verwendet; stattdessen werden Inferenzprozesse und/oder Ontologien organisiert.
• Problem: Deklarative Repräsentation ist statisch; es fehlt, was das System mit dem Wissen macht.

Prozedurale Repräsentation

• Es besteht Bedarf an einer anderen Art der Wissensrepräsentation.
• "Regeln" zur Ausführung oder Verarbeitung von Operationen (teilweise in die deklarative Repräsentation integriert, aber nicht immer!).
• Operatives Wissen wird benötigt und wird als prozedurale Repräsentation bezeichnet.
• In einfacher Form: Regeln + Kontext, Generierung neuer Einträge, wenn bestimmte Einträge im deklarativen Kontext vorhanden sind.
• Realisierung: Bedingung + Aktion
• Bedingungsteil: Spezifikation der Anforderungen für die Anwendung.
• Aktionsteil: Beschreibung der zugehörigen Operationen.
• Wissen kann flexibel eingesetzt werden.

Deklaratives versus prozedurales Beispiel

• Ein System mit deklarativen Regeln zur Farbe von Schnee, Gras und Blut kann auf Anfragen antworten.
• Im Beispiel,
  • ((color of snow) -> (answer „white“))
  • ((color of gras) -> (answer „green“))
  • ((color of blood) -> (answer „red“))
  • ((color_of x) -> (answer „no idea“))
• Das System beantwortet die Frage "Welche Farbe hat Schnee?" mit der korrekten Antwort "weiß".
• Das System prüft die Regeln "von oben nach unten" in der gezeigten Reihenfolge.
• Alternativ wird das deklarative Wissen durch prozedurales Wissen ergänzt.
• Das System kann dieselben Fragen beantworten, ist aber flexibler und erweiterbar.
• Für eine Erweiterung, um Fragen wie "Was ist weiß?" beantworten zu können, muss die Wissensbasis in einer rein deklarativen Umgebung dupliziert werden.
• Im Gegensatz dazu wird im prozeduralen Ansatz nur die Regelbasis entsprechend erweitert.
• Beispiel:
  • ((what_is x) (y is x)-> (answer y))
  • ((what is x) -> (answer „no idea“))