GI = Guckis Intelligenz

[Rumgucker]

Hallo Helmut,

der Lernerfolg einer Mustererkennung oder eines Dekoders ist ein anderer als der Lernerfolg eines autonomen Roboters. Mein System freut sich, wenn es genug Futter findet.

Die Frage muss also lauten: "wie weiß Dein System, ob es genug Futter gefunden hat?"

Dieser Hunger-Mechanismus ist schon vorbereitet. Es gibt eine Hunger-Zelle (0x05). Die noch zu programmierende Logik wird dem GI-System damit ab und an mal "Hunger" signalisieren.

Dann kurvt es rum. Dabei erfährt es eine Bestrafung zum Beispiel dadurch, dass sich die Umwelt nicht mehr bewegt. Dann hat es sich festgefahren. Und muss andere Wege finden und diese Wege optimieren.

Und irgendwann gibt es eine besondere Lampenkombination an seinen Eingängen (meinetwegen alle vier Eingänge auf high), die dazu führen, dass der Hunger verschwindet.

Mir fehlt immer noch der Umwelt-Chip, also das Gegenstück zur GI. Damit fang ich erst an, wenn ich keine gröberen Fehler im GI-System mehr erkennen kann.

Dann kommt auch die Hunger-Geschichte mit dazu.

Viele Grüße

Wolfgang

---------------

Nachtrag. ein anderer "Umwelt"-Chip könnte die GI alllerdings dazu bringen, dass er auch als Dekoder funktioniert. Jedesmal, wenn er die richtige Ausgangskombination als Funktion der Eingänge "würfelt", wird die GI belohnt und die "Links" manifestieren sich.

Das funktioniert an sich wie bei Dir. Nur Du machst alles mit der gleichen Software: lehren und lernen. Und ich verwende einen Lehrer (= "Umweltchip"), den man nach Benutzung einfach abkoppeln kann. Das spart knappen Flash-Speicher im Schüler.

Viele Grüße

Wolfgang

[HaWe]

du formalisierst deinen Zustandsraum nicht exakt genug.
Du musst in der Lage sein, deine möglichen Reaktionen als Funktionen deiner Outputs zu beschreiben und sie abhängig zu machen vom möglichen Zustand der aktuellen Inputs.
Solange du das nicht machen kannst, macht das System "irgend etwas nebulöses", aber es ist weder bewiesen, dass es irgend etwas gezielt lernen kann noch dass es verschiedene Zustände gezielt lernen kann.
Auch "Herumfahren" ist ja ein Zustand, der durch spezifische Output-Muster definiert werden kann, und er tritt ein (wird WAHR), wenn das eine oder andere Input-Muster auftritt.

Die Sache mit dem Hunger ist ja ein weiterer Zustand, zusätzlich zu den 4 Sensor-Eingängen; lassen wir den Hunger also erst mal raus.
Zeige erst mal die oben beschriebenen Grund-Fähigkeiten:

für alle (paarweisen) Eingänge a, b ∈ {In1...In4}: output[n]= a ODER b ( für alle n ∈ {1,2} )
für alle (paarweisen) Eingänge a, b ∈ {In1...In4}: output[n]= a UND b ( für alle n ∈ {1,2} )
für alle (einzelnen) Eingänge c ∈ {In1...In4}: output[n]= (NICHT c) ( für alle n ∈ {1,2} )

Nimmst du den Hunger als Input mit rein, gibt es 32 Input-Zustände, für die zu zeigen wäre:

für alle (paarweisen) Eingänge a, b ∈ {In1...In5}: output[n]= a ODER b ( für alle n ∈ {1,2} )
für alle (paarweisen) Eingänge a, b ∈ {In1...In5}: output[n]= a UND b ( für alle n ∈ {1,2} )
für alle (einzelnen) Eingänge c ∈ {In1...In5}: output[n]= (NICHT c) ( für alle n ∈ {1,2} )

[Rumgucker]

Hallo Helmut,

ich hatte im letzten Beitrag noch den Nachtrag geschrieben, dass ich auch dekodieren können muss, wenn der "Umwelt"-Chip entsprechend ausgestaltet ist.

Dein Vorschlag gefällt mir also sehr!

Ich werde also einen "Lehrer" programmieren, der dem GI-Schüler das Dekodieren beibringt.

Das ist viel handfester und leichter nachprüfbar als irgendwelche Cyberräume und Irrgärten mit versteckten Futterstellen. Meinem System sollte es Banane sein. Wenn es bestraft wird, sterben Links ab. Wenn es belohnt wird, erstarken Links. Pures Perceptron. Nur eben in PIC gegossen und mit externem Lehrer-Chip.

Wird also gemacht. Sollte noch dieses WE gelingen. Vielen Dank für die Anregung.

Viele Grüße

Wolfgang

------------

Können wir dann auch Benchmarks "mein GI" gegen "Deine Mustererkennung" machen? DAS wär doch ein Knaller. Dann weiß ich, wo die GI steht. Top oder Flop.

[HaWe]

Pures Perceptron

Der Begriff "Perzeptron" ist fest definiert für eine Neuron-Struktur (kleinste funktionelle Einheit) mit bestimmten Inputs, Gewichten, Schwellenwert (oder Biasinput), einer Summen- und einer Aktivierungsfunktion...:
das ist bei dir wahrscheinlich nicht der Fall, oder doch? Falls nein, müssen wir die Begriffe etwas schärfer auseinander halten.

Vergleich der Netze: gern, aber dann müsste ich eine exakte, komplette Wahrheitstabelle von dir haben, mit allen denkbaren Input-Output-Konstellationen.

[Rumgucker]

Hallo Helmut,

doch. Ich hab nur abweichende Begriffe und abweichende strukturelle Ansätze.

Meine Links haben das "Nutzen"-Feld. Das entspricht der Eingangsgewichtung der Perceptron-Matrizen.
Meine Zellen haben Summenspeicher (sie bestehen nur aus einem 7-Bit Summenspeicher und einem FIRE-REQ-Bit). Als Aktivierungsfunktion dient der FIRE_LIMIT-Schwellwert.

Ungewohnt ist, dass ich Eingang (Dendriten) und Neuron nicht mehr fest verbunden habe. Dadurch ist mein System nicht mehr an Schichten, sondern an Ereignisse gekoppelt. Und ich erspar mir Multiplikationen und addiere die Gewichtungen lediglich zum Summenspeicher hinzu.

Kein Hexenwerk. Nur eben gut angepasst an die kläglichen Möglichkeiten eines PICs.

Wenns nicht dekodieren kann, hab ich Mist gebaut oder was Wichtiges nicht verstanden. Vom Prinzip her sollte es aber (mindestens) das gleiche können, wie ein mehrschichtiges Perceptron-System mit allen denkbaren Propagations und deep learning und haste-nicht-gesehen. Mit 20 Kern-Zeilen. Also PIC-kompatibel und trotzdem schweineschnell.

So ist zumindest das Ziel.

Viele Grüße

Wolfgang

[HaWe]

jaaaa - es "ENTSPRICHT" hier eine FUNKTION irgendwie in etwa dem, was auch bei einem Perzeptron PASSIERT,
aber es IST kein Perzeptron

2 Outputs würden andererseits auch mindestens 2 miteinander verknüpften Perzeptrons entsprechen.

[Rumgucker]

Hallo Helmut,

ok. Also ein Perceptron-Abklatsch, ein "Perceptklatsch".

Mir fällt aber gerade ein, dass ich mich noch mit Negationen befassen muss. Das war mir für meinen Irrgarten nicht so wichtig. In so ner trostlosen Einöde sollte man negative Gedanken gleich im Ansatz verhindern.

Bei Dekodern sind Negationen aber unverzichtbar. Ich werde wohl beim Durchlaufen von FIRE_LIMIT zwei FIRE_REQ setzen müssen. Richtungsabhängig.

Egal. Mühsam nährt sich das Eichhörnchen...

Viele Grüße

Wolfgang

[HaLa]

mal eine vielleicht ketzerische Frage:
Warum versucht man KI nicht mit Analogrechnern zu realisieren?
Die Natur funktioniert analog, nicht digital!
Ich durfte während meines Studiums noch an einem wunderbaren Analogrechner arbeiten, die Ergebniss waren überraschend gut im Vergleich zur (gemessenen) Realität,
leider wurde das Teil bereits Ende der 70er verschrottet, wie eine spätere Nachfrage von mir ergab, ich hätte mir das Ding in die Wohnung geszellt.