Czym jest Architektura poznawcza (Cognitive Architecture)?
Architektura poznawcza to teoretyczny i inżynieryjny opis ogólnych mechanizmów, które umożliwiają systemowi sztucznej inteligencji postrzeganie, rozumowanie, uczenie się oraz podejmowanie decyzji w sposób przypominający ludzki. Termin został spopularyzowany w latach siedemdziesiątych XX w. przez Allena Newella i Herberta Simona, twórców projektu Unified Theory of Cognition. Ich celem było stworzenie wspólnego szkieletu dla badań psychologii poznawczej i informatyki, a model ten zapoczątkował powstanie architektur takich jak Soar, ACT-R i CLARION.
Jak dokładnie działa Architektura poznawcza (Cognitive Architecture)
Każda implementacja zakłada istnienie współpracujących modułów: percepcyjnych (przetwarzających dane wejściowe), pamięci roboczej, długotrwałej pamięci deklaratywnej i proceduralnej, mechanizmu kontroli uwagi oraz układu wnioskowania i uczenia. Informacje krążą między modułami poprzez ustandaryzowane reprezentacje, a logika decyzyjna wybiera działanie, kierując się zarówno bieżącym stanem środowiska, jak i celami zapisanymi w pamięci. W ujęciu symbolicznym (np. ACT-R) operacje realizują reguły produkcji, podczas gdy podejścia hybrydowe (np. CLARION) łączą symboliczne reguły z sub-symbolicznymi sieciami neuronowymi, czerpiąc korzyści z obu paradygmatów.
Kontekst historyczny i współczesne nurty badawcze
Pierwsze prototypy powstawały w RAND Corporation oraz Carnegie Mellon University. W 1983 r. John Laird, Allen Newell i Paul Rosenbloom opublikowali zręby architektury Soar, która do dziś służy do symulacji zachowań kognitywnych agentów. Równolegle John Anderson rozwijał ACT, później ACT-R, skupiając się na ścisłym odwzorowaniu procesów psychologicznych potwierdzanych danymi z eksperymentów. W ostatniej dekadzie obserwujemy zainteresowanie architekturami neurosymbolicznymi, gdzie symboliczne reguły integruje się z głębokimi sieciami neuronowymi w celu poprawy elastyczności oraz możliwości generalizacji.
Zastosowania w praktyce
Architektury poznawcze wspomagają tworzenie inteligentnych tutorów edukacyjnych, symulacje pilotów w lotnictwie, systemy doradcze w diagnostyce medycznej oraz wirtualnych asystentów obsługujących złożone zapytania. Przykładowo, w projekcie Synthetic Teammate realizowanym przez U.S. Air Force Research Laboratory agent oparty na Soar współdziała z pilotem myśliwca, analizując sensory, przewidując zagrożenia i sugerując manewry.
Zalety i ograniczenia
Największą zaletą jest modułowa, przejrzysta struktura pozwalająca śledzić i wyjaśniać decyzje systemu, co bywa trudne w czysto statystycznych modelach. Architektury poznawcze ułatwiają też przenoszenie wiedzy między zadaniami dzięki wspólnej pamięci deklaratywnej. Ograniczenia wynikają z wysokich kosztów obliczeniowych symulacji szczegółowych procesów kognitywnych oraz trudności w pozyskiwaniu wiarygodnych reguł, gdy problem wykracza poza dobrze zbadane domeny.
Na co uważać?
Ponieważ architektura poznawcza zakłada określony sposób reprezentacji wiedzy, błędne lub niekompletne modelowanie może prowadzić do systematycznych pomyłek. Należy również ocenić, czy pełna przejrzystość i wierne odwzorowanie procesów psychologicznych są rzeczywiście potrzebne; w niektórych zastosowaniach prostszy model statystyczny może spełniać wymagania przy mniejszym nakładzie zasobów.
Dodatkowe źródła
Więcej informacji można znaleźć w artykułach Wikipedia – Cognitive architecture, w dokumentacji Soar Cognitive Architecture, a także w pracach Johna Andersona opisujących ACT-R dostępnych na oficjalnej stronie projektu. Aktualne badania łączące podejścia symboliczną i neuronową można śledzić w repozytorium arXiv.
