ROIDCORE  Personified Agent  Conversation ROBOT  Dynamic Artificial Intelligence
仮想人格:ロイドコア
ロイドコア (ROIDCORE) β版
話し言葉による知識の記憶と想起を実現した擬人化キャラクター

トップページ | このサイトについて | プライバシーと共有 | お問い合わせ | 会社情報 | 四方山話
最新情報 | ロイドコアとは | ホワイトレポート | 人格の仮想化技術 | 応用例のご案内
動的人工知能 | 感性と感情 | マインドマップ | 人工知能言語 | 会話ロボット | 記憶モデル
表層と深層 | 不気味の谷と不気味な文 | 教師あり/なし学習

 ■ マインドマップの活用(人工知能における知識構造)   作成日:2012/9/17

【マインドマップの学習】
 コンピュータのディレクトリは階層構造である。書籍の目次も説明/解説を階層構造にする。 知識の階層構造をグラフィカルに表示する手段としてマインドマップなるものがある。 マインドマップはフリーソフトも多く、使い方もWEB上で数多く紹介されている。 ロイドコアはマインドマップデータ(正確にはフリーマインド形式のテキスト部分)をそのままインポート(学習)できる。 一義的なマップでなくても良い。途中が抜けていようと多重に定義しようと矛盾があろうと構わない。 マップのデータは単語、文節、そして文章でも可能。学習時には上位、下位、並立、独立の4種類の概念しか使われない。

【大脳のデータ参照】
 記憶モデルの説明でも触れたように大脳の記憶機能における知識構造は単純な階層構造ではない。 階層的データを想起している時でも、大脳ではおそらく冗長性がある興奮や再帰ループが起こっているであろう。 人工知能のお手本である「人の大脳」の層状構造は私たちが普段使っている情報の階層的構造と大きく異なるのはなぜであろうか。 記憶装置の仕組み(あるいは論理記述)では記憶へのアクセス手段がポインタ参照しかないのが一因と考えている。 データ参照の種類はプログラミング言語やアーキテクチャで幾つかに分類されてはいるものの基本はポインタしかない。 一番簡単なアドレス参照型からリスト結合型、データハッシュ参照型までどれをとっても目的情報をポインタを介し参照する形式である。 一方、大脳ではポインタの概念はニューロンの物理的位置関係になる。当然ニューロンは数値で参照できない。 近傍の物理的関係が唯一で幾何学的に支配される。遠くのニューロンと連絡するには軸策を伸ばすか 多数のニューロンを経由して行うしかないのである。(ロイドコアでは大脳にはないホットラインと呼ばれるショートカットが存在する。) ニューロンを経由したとき繋がりがある他のニューロンにも影響が及ぶのが一般情報の階層構造と大きく異なる。 類似の構造を挙げるならばLISP言語やPROLOG言語のリスト構造がこれに近い。 アナログコンピュータでもなければ、ノイマン型でなくとも参照にはポインタを使う。特別の幾何学的構造を持ったデータ であっても、順位や隣接など相対的ポインタを使う。

【記憶モデルと知識構造の関係】
 ロイドコアの記憶モデルは階層的ではない。誤解のないように付け加えると記憶や想起の処理は階層的である。 大脳と異なるのは脳内のユークリッド距離を抽象的で非線形な距離に置き換えていることである。 これにより、人間のリハビリに相当する部分再学習は驚異的なスピードになる。 同時にデータが破滅する危険性も生じる。(安定状態にならずに飽和してしまう) ニューロシステムの学習をチューニングしているとアルコールと薬物の怖さを身近に感じる。 我々が普段接している情報の多くは階層構造にすると理解し易く、整理(コントロール)し易い。これがマインドマップが便利に使われる 理由である。だからと言ってこの構造をそのまま記憶モデルとして採用すると、「フレーム問題」のような 「困った問題」に直面する。 そのために、ロイドコアではあからさまに大脳を真似たニューラルネットワーク形式を採用している。 学習や構造に関してはオリジナルであることを説明したが、ツイッターや特許に書かれた以上のことは 未発表であることをお断りしておく。実用システムが目的であり新規性の追求が目的ではない。 自身でも過去にエキスパートシステムやニューロブームで目的を誤りことごとく失敗した感が否めない。

【マインドマップデータのインポートと学習】
 マインドマップのインポート機能で階層構造のデータが記憶モデルに分散記憶として学習されていく。 従って、この記憶モデルのバイナリイメージからはマインドマップ形式のデータを再構成することは 不可能である。階層構造のデータ修正は新たなマインドマップをインポートし間違った想起の発火頻度を 下げる方法を採る。実務上は最初から全て再学習する方が簡単だがオンラインの対話中はそうはいかない。 この部分は実装手法として「どうにもすっきりしない」ので何とかしたい。しかし解決法はまだ思いついていない。 それでも前述の「フレーム問題」はある程度学習が進むと、マインドマップそのものよりも記憶モデルの方が起こり難くなるので 良しとしている。マインドマップの知識構造から学習することで冗長性がある推論能力を得るが、 階層構造を持たない一般の会話からの学習においても同様の結果が得られる。その場合データ間の関係はロイドコアの 言語能力に制限されるのでそれらの関係が明示的なマインドマップより性能が劣る。

【シナリオがある会話と質問応答システム】
 シナリオがある会話システムや質問応答システムは対話がハードコーディングになるので柔軟な推論はできない。 そのため人海戦術のデータ入力で守備範囲を広げる作業をする羽目になる。これではフレーム問題を根本的に解決できない。 一方、記憶モデルに基づく会話システムでは最初は辛いがある程度の知識量になると汎化された推論が効いて来て フレームを起こさない知識として認識できる事例が増えてくる。 人力といえば過去に多くのニューロモデルを考え、あれやこれやと「パラメータをいじくり回す」ほんの少しの学習曲線の改善のために 「どれだけ無駄なデータ変換と時間を費やした」ことかと反省している。結局辿り着いたのは 原始的で単純な泥臭い手法だ。「生物学的エレガント」を再考する契機にもなった。 対話ロボットや知能ロボットは人と同じく教育が成果の成否を決める。 目指す所はロボット自身が知識を集積し(データを収集するという意味ではない)、自ら問題解決できる システム(擬人化エージェント)であることは揺るぎ無い。マインドマップのインポートはその要素である。


 トップページに戻る
ROIDCORE  Copyright (C)2011-2015 Life Information Laboratory, Inc. All right reserved.