AI-Cognitive

Моделирование мышления (или, более формально, когнитивное компьютерное моделирование) — это многообещающее направление в искусственно интеллекте, в котором находят свое практическое воплощение в виде программных моделей последние достижения в классических направлениях искусственного интеллекта, психологии, лингвистике и нейрофизиологии. Основная цель этого направления — построить общую модель интеллектуального поведения человека, или, другими словами, модель его когнитивных функций. При этом оказывается, что некоторые модели можно реализовать программно и провести с ними интересные эксперименты, сравнив результаты с реальным человеческим поведением. А при удачном стечении обстоятельств такие программы удается внедрить в физические устройства: телефоны (тогда получаются интеллектуальные ассистенты), роботы (ориентирующиеся в сложной обстановке), квадрокоптеры (которые могут взаимодействовать друг с другом) и многие другие окружающие нас вещи.

Основные проекты направления делятся на три группы: те, что связаны с биологий (моделирование процесса внимания и биологически реалистичных процессов обучения), те, что связаны с психологией (выявления каузальных отношений во внешней среде, моделирование процессов планирования и целеполагания, образование коалиций и распределение ролей) и те, что связаны с лингвистикой (построение картины мира по текстам). Всегда есть возможность поработать, не углубляясь в междисциплинарные связи — просто написать хорошую, красивую программу по одной из этих тем.

AI-Cognitive: Neuro — Каков алгоритм работы нашего мозга?

Многие алгоритмы машинного обучения, особенно столь популярные сейчас нейронные сети, заимствуют идеи своей эффективной работы из знаний нейрофизиологов о том, как работает наш мозг. Оказывается, что среди огромного количества информации о генах, нейронах, синапсах и нейромедиаторах можно выделять вполне конкретные принципы того, как учится и принимает решения наш мозг. Среди этих принципов такие, как иерархичность, наличие обратной связи, послойное обучение, латеральное подавление и др. Объединить эти идеи и воплотить их в новом алгоритме управления техническим устройством (как говорят, построить нейроморфный алгоритм) — задача этого проекта. Ну или как минимум познакомиться с уже имеющимися такими алгоритмами, например, обучения, среди которых глубокое обучение лишь один характерный пример.

Необходимые умения: владение Python, технический английский, интерес к биологии приветствуется.

Ключевые слова: HTM, глубокие нейронные сети, неокогнитрон, машинное обучение, нейронные сети, сверточные сети, самоорганизующиеся карты, каузальные сети, правила Хэбба, резонанс Гроссберга, байесовские сети.

Точки входа в проект:

  • George D., Hawkins J. Towards a mathematical theory of cortical micro-circuits // PLoS Comput. Biol. 2009. Vol. 5, № 10. P. e1000532.

Примерные темы:

  • Визуализация активности связей в иерархических структурах
  • Реализация обратных связей в предсказательных структурах
  • Формирование правил запоминания
  • Марковское и байесовское представления иерархической временной памяти

AI-Cognitive: AQJSM — Как найти причину событий и понять ее?

Среди большого количества методов машинного обучения в настоящее время особый интерес представляют методы выделения причинно-следственных связей. Ведь обладая информацией о них можно не только отслеживать корреляции, но и строить предсказания развития событий. Чтобы сделать даже небольшое умозаключение (как говорят, провести вывод), без причин и следствий никак не обойтись. Здесь на помощь приходят логические методы в анализе данных — дедукция, абдукция и другие интересные принципы нашего мышления. Вообще причинно-следственная (или как ее еще называют — каузальная) связь — вещь, казалось бы, очень простая. Все знают, что такое причина и следствие. Но вот автоматически отделить их друг от друга, да еще найти недостающий элемент этой пары в массиве больших данных — дело уже не шуточное. Поэтому задача обучения причинами и следствиям не только очень важна в искусственно интеллекте, но и не так проста, поэтому ваш вклад в рамках этого проекта будет очень важен.

Необходимые умения: владение Python, технический английский, знание методов машинного обучения приветствуется.

Ключевые слова: машинное обучение, корреляция, причинно-следственные связи, правила, ДСМ-метод, анализ формальных понятий, база фактов.

Точки входа в проект:

  • Панов А.И. Выявление причинно-следственных связей в данных психологического тестирования логическими методами // Искусственный интеллект и принятие решений. 2013. № 1. С. 24–32.

Примерные темы:

  • Сравнение методов поиска каузальных связей
  • Выявление причинно-следственных связей с помощью алгоритма AddIntent
  • Визуализация каузальной структуры базы фактов

AI-Cognitive: Planning — Как научиться действовать?

Среди многих сложных задач в искусственном интеллекте есть одна, без решения которой ни о каком самостоятельном роботе и речь идти не может. Это вопрос планирования. Важный этап любого поведения — это подготовка к нему, т.е. создания плана своего действия. Однако, чтобы хорошо планировать, нужно иметь опыт выполнения этих самых действий — нужно учиться тому, к чему приводят те или иные операции и последовательности действий. Обычно современным планировщикам задают наборы действий заранее на символьном уровне (виде специальных правил), но для настоящего робота, который может попасть в совершенно новую ситуацию, такой подход плохо работает. Он должен вспомнить свой прошлый опыт в похожих ситуациях и составить новый план из новых действий, которые ему никто не подсказывал. Такими алгоритмами обучения планированию мы и предлагаем заняться в этом проекте!

Необходимые умения: владение Python, технический английский, знания о графах приветствуются.

Ключевые слова: планирование поведения, поиск на графе, семантические сети, CBP, обучение с подкреплением, Gym.

Точки входа в проект:

  • Осипов Г.С. Введение в искусственный интеллект. М.: УРСС, 2015. 266 с.
  • Silver D. et al. Mastering the game of Go with deep neural networks and tree search // Nature, 2016. Vol. 529, № 7587. P. 484–489.

Примерные темы:

  • Реализация аагента в системе Gym
  • Обучение с подкреплением по картинке с сенсоров
  • Обзоры работ по планированию по прецедентам
  • Реализация системы прецедентов для планирования
  • Визуализация процесса поиска на графе

AI-Cognitive: Coalitions — Кому чем заниматься, когда нас много?

Видео про группы роботов и квадрокоптеров сейчас можно найти сотнями в Youtube. Они летают и двигаются стаями, роями и другими конфигурациями. Но вот дальше совместного передвижения дело идет тяжело. Решать какую-либо нетривиальную задачу вместе, сформировать для этого группу — коалицию, а потом распределить в этой коалиции подзадачи и роли — все это очень непростые вопросы, над которыми очень интересно заниматься, в том числе и с использованием классических мультиагентных систем. Здесь можно поработать и с моделями конкретных роботов в системах Ros+Gazebo. Тут большой простор для творчества и нужны креативные ребята!

Необходимые умения: владение Python и\или Java, технический английский.

Ключевые слова: мультиагентные системы, протоколы обмена сообщениями, коалиции, роевой интеллект, распределение ролей, планирование группового поведения.

Точки входа в проект:

  • Тарасов В.Б. От многоагентных систем к интеллектуальным организациям. М.: Эдиториал УРСС, 2002. 352 с.

Примерные темы:

  • Протоколы обмена сообщениями в мультиагентных системах: стандарт FIPA
  • Работа с BDI агентами в системе Jadex
  • Визуализация работы протоколов
  • Разработка алгоритма распределения ролей и группового планирования

AI-Cognitive: Scripts — О чем думал автор, когда писал свой текст?

Вообще, понимание текста — вещь очень не тривиальная, требующая, порой, большой фантазии и поистине человеческого понимания и сопереживания. Однако, даже в этой области сделано очень не мало и в рамках этого проекта, на стыке психологии, лингвистики и программирования, можно познакомиться с последними достижениями в этой области, например, узнать, что это такое таинственное — знаковая картина мира.

Необходимые умения: владение Python, технический английский, интерес к лингвистике приветствуются.

Ключевые слова: семантические сети, лингвистические отношения, семиотика, знак, значение, смысл, семантический анализ.

Точки входа в проект:

  • Осипов Г.С. Приобретение знаний интеллектуальными системами. М.: Наука. Физматлит, 1997. 112 с.

Примерные темы:

  • Разметка текста по компонентам картины мира
  • Усовершенствование текстовых анализаторов
  • Поиск правил выделения базовых отношений
  • Визуализация семантических сетей