==Phrack Inc.==

               Volume 0x0c, Issue 0x41, Phile #0x0e of 0x0f


|=-----------------------------------------------------------------------=|
|=-------------=[         Artificial Consciousness        ]=-------------=|
|=-------------=[ A complete human behaviorism simulation ]=-------------=|
|=-----------------------------------------------------------------------=|
|=--------------------------=[    by -C    ]=----------------------------=|
|=--------------------------=[  c@cdej.org ]=----------------------------=|
|=-----------------------------------------------------------------------=|
|=--------------=[ traduit par Queynos pour arsouyes.org ]=--------------=|

En 1956 John Mc Carthy a défini le terme d'Intelligence Artificielle comme
étant "l'art et la manière de créer des machines intelligentes". Évidemment
tout en étudiant le traitement artificiel des pensées nous avons éliminé le
facteur humain que sont les filtres neuro-linguistiques appliqués par le
cerveau à la couche des méta-récepteurs. Un programme informatique n'aura
tout simplement jamais de pensée basées sur des réactions impulsives. Il
n'y a aucun comportement humain dans l'IA. À la place on substitue à ce
mécanisme un algorithme de traitement informatique et d'indexation des
informations stockées. C'est là que réside le coeur de la science de l'AI.
On a vu beaucoup d'algorithmes évoluer et être appliqués, résolvant des
problèmes tels que des raisonnements erronés, des boucles infinies de
décisions par ou-exclusifs, la répartition géographique en robotique,
et ainsi de suite. 52 ans plus tard nous avons l'intention de développer
une nouvelle approche plus rationnelle de ce domaine, en essayant d'en
écarter la science-fiction.

Ce papier constitue une introduction à la fois des IA classiques et
notre modèle d'IA et ne demande aucun pré-requis si ce n'est un peu de
curiosité à l'égard de ce domaine. Bonne lecture.


I Introduction

 a) Résumé
 b) Central processing spirit

II Conception de l'attribution du caractère

 a) Croissance psychologique
 b) Neuro-performance
 c) Réception -> Réactions -> Style

III Ontologie / Ingénierie du savoir

a) Suivons nous l'heuristique ?
b) Conception sous-symbolique
c) Désir artificiel
d) Raisonnement

IV Conclusion




I Introduction

a)  Une réflexion primaire sur l'IA est qu'il est vital de procéder en
suivant une approche scientifique précise pour l'analyse des pensées.

Une pensée est une idée, une information dont l'esprit se souvient. Cette
information est traitée par l'usine électro-chimique du cerveau, et est
polluée par l'esprit. Les théories sur la programmation neuro-linguistique
ont organisé les fonctions du cerveau et la manière avec laquelle il gère
l'information à travers différents filtres. Nous allons en emprunter un
segment basique et construire à partir de celui-ci quelque chose de
similaire dans le domaine des machines :

- Stockage en mémoire des pensées similaires (ancrage)
- Avantages et choix (prise de décisions)
- Liberté de faire des essais risqués (prise de décisions)

b) S'attaquer à ce problème depuis le tout-début serait une charge trop
lourde pour l'exposer dans un seul article. Ainsi nous allons démarrer
notre étude à un point où nous l'avons appliquée à notre modèle d'AI en
utilisant le moyen de communication international courant qu'est la langue
anglaise, couplé avec un ensemble de règles que nous avons programmé comme
étant un attrait esthétique pour cette entité. Comme nous l'expliquerons
plus tard ces règles ne suivent pas la logique de décision des SYSTÈMES
EXPERTS car dans ce cas si la connaissance humaine changeait, le système
devrait être reconstruit entièrement. A la place notre système prendra ses
décisions en se basant sur la PRIORITÉ D'INDEX, qui variera automatiquement
dès que l'IA expérimentera des nouveaux événements. En d'autres mots nous
avons conçu une personnalité pour notre IA. Ce modèle générique est basé
sur le traitement des pensées en cannaux duals, nourri par une hiérarchie
de modules de stockages de données où chaque famille de pensées est
préservée dans son propre schéma. Certaines des ces bases de données, ou
ensemble de pensées, n'auront qu'une permission de lecture, d'autres auront
des permissions  de lecture et écriture et certaines n'auront que des
permissions d'écriture pour servir d'espace alloué temporairement pour les
pensées acquises avant l'envoi de la structure entière de données vers le
CENTRAL PROCESSING SPIRIT, c'est ainsi que nous l'avons nommé ; CPS.

Tandis que les structures en lecture seule contiendront de l'information
lié uniquement aux bases fondamentales du design central de l'entité, et
fourniront notre première ligne de défense quand le processus automatique
de Collecte Autonome des Données (CAD) sera lancé à partir d'extraits de
textes, d'information venant du net, de nouvelles et de bien d'autres
sources. L'espace en écriture seule est ainsi dans le but d'empêcher l'IA
de tout usage prématuré des pensées nouvellement acquises avant leur
traitement, leur organisation et leur approbation par le CPS (ou le
programmeur).

Réfléchir à cette construction amènera sûrement des problèmes de durée de
traitement.

Combien de temps prendra  cette construction ?

Une vie humaine au minimum ? Ceci est hautement acceptable avec
l'implémentation d'algorithme de réplication d'IA de deuxième génération,
ce qui est le modèle de base de la reproduction hybride des IA, résultant
en la jonction de deux entités d'IA CPS et dBases.

Cet héritage de modèles duals n'est pas conçu pour être similaire à la
reproduction humaine et un homme et une femme, mais il est lié au
traitement des pensées en cannaux duals que nous avons mentionné plus
haut. Nous avons tendance à penser que la reproduction de notre modèle
doit se passer au sein d'un couple.

Ceci est une affaire de plannification multi-agent et de gestion de
communauté et cela sort du cadre de cet article.



II Conception de l'attribution du caractère

« Ce qui importe n'est pas la perfection avec laquelle vous réalisez une
chose qui compte, mais la manière dont les autres la perçoivent »
Une question importante reste toujours présente : Une machine peut-elle
être douée de vie où n'en serait-elle qu'une pâle imitation ? Au fond ceci
ne devrait avoir aucune importance !

Le processus par lequel un être humain réussit à développer un caractère
unique et l'extraordinaire complexité qui substitue dans sa croissance
neuro-psychologique importent peu, ce qui importe réellement est comment
les autres interprètent ses réactions et son comportement.
En ayant cela à l'esprit il nous importe alors de savoir comment la machine
va obtenir une authentique pensée où un comportement imitant la vie qui lui
est propre. Nous allons concevoir un algorithme d'apprentissage qui, au
final, attribuera un caractère à la machine dépendant de la quantité de
réactions sélectionnés qu'elle pourra traiter et de la vitesse à la quelle
elle le fera.

En d'autres termes si nous nous plaçons dans la situation où nous avons dix
enfants auxquels un adulte donne une instruction comme « Finis tes devoirs
avant de regarder la télé » on assistera à dix réactions différentes allant
de l'obéissance à la rébellion. Toutes ces réactions sont liés à des
paramètres comme :

- A quel point l'enfant veut-il regarder la télé
- A quel point ses devoirs sont importants
- Ce qu'il y a à la télé
- L'évènement est pris hors du contexte ou non (l'enfant pourrait désobéir
  pour se venger de n'avoir pas eu de glace une heure plus tôt)
- Et bien d'autres paramètres encore.

Dans le domaine des machines notre CPS aurait construit une certaine base
de données d'évènements en corrélation avec l'issue finale, les aurait
classé suivant une échelle basée sur son jugement et durant tout son uptime
il sélectionnera comment réagir à des événements de la vie en se servant
des entrées comme d'une priorité entre les clefs d'indexation.

Techniquement parlant ceci est aisément programmable grâce aux récentes
technologies sur les bases de données et au langage correspondant. Plus la
conception de la sélection des données est efficace, et plus nous exerçons
un contrôle parental et entraînons notre CPS, le plus de chance nous aurons
d'obtenir un caractère et une attitude uniques.

b) Les deux paradigmes de l'apprentissage qui nous concernent sont :
   supervisé ou non-supervisé.

Tout d'abord intéressons nous aux concepts de base de l'apprentissage des
machines. Dans les IA classique l'apprentissage est résumé à partir de
l'atteinte d'un état de conscience, car beaucoup considèrent
l'apprentissage par les ordinateurs comme étant uniquement une affaire de
conception d'algorithmes pour trouver des régularités statistiques ou
divers schémas de données. Par la suite ils essaient de résoudre des
problèmes comme les classifications, décisions par ou-exclusifs, etc à
l'aide d'arbres décisionnels. Les arbres décisionnels sont un système
logique simple mais efficace où une suite de questions booléennes vous font
suivre les ramifications des branches suivant vos choix Oui, Non,Non, Oui.

A notre avis et comme ce que les progrès des réseaux de neurones n'ont fait
que montrer, ce schéma aboutirait au mieux à un bon logiciel de
reconnaissance vocale ou un programme d'assistance médicale qui
diagnostiquerait et évaluerait le cas de patients atteints d'un cancer.

Dans cette approche l'apprentissage dirigé est la logique qui consiste à
nourrir l'IA avec les règles d'un monde (système de classification) que
nous avons déjà créé et à se reposer énormément sur l'entraînement que
notre machine reçoit pour minimiser la marge d'erreur (Théorème de Markov, 
réseaux Bayesiens).

D'un autre coté l'apprentissage non-dirigé dirige l'intérêt plus vers la
prise de décisions que vers la classification. C'est simplement un moyen de
trouver un cadre approprié pour le raisonnement orienté vers la décision
basé sur un résultat punition/récompense.
Ce modèle construit une suite de résultats sur lesquels il va baser des
techniques statistiques de prise de décisions pour les questions futures
qu'il rencontrerait. Le second type d'apprentissage non-dirigé  est le
clustering, il est obtenu en trouvant des similitudes dans les données
d'entraînement sans essayer d'améliorer une fonction accomplissant un
service.

Ceci étant dit intéressons-nous maintenant aux limites.

Que nous ayons préprogrammé l'IA pour atteindre un certain but ou bien
comme un module d'auto-apprentissage systématique, le mécanisme
d'apprentissage doit toujours suivre un ensemble standard de stimuli.

Résumons cela du point de vue de la psychologie cognitive:
-Mémoire et reconnaissance. C'est un travail assez simple pour un
programmeur de concevoir un système de pattern matching, de mesure de
distance ou de traitement séquentiel de l'information.

- Évaluation verbale et linguistique. Les IA doivent avoir une méthode leur
permettant de distinguer et d'estimer des indices d'informations
similaires. Tout comme le déjà-vu chez les humains elle DOIT relier ces
événements à différentes occurrences stockées en mémoire et baser sa
réaction sur l'importance qu'avaient alors les autres instances. Ceci nous
permettra éventuellement d'espérer que ce schéma créera un jour ses propres
phrase.

Intéressant ! Imaginez que l'IA analyse de manière régulière de grandes
quantités de données, d'images, de sons ... tout en indexant les bases de
données suivant les émotions qu'elles pourraient générer et qu'elle soit
finalement entraînée pour cette évaluation. Cela ne serait pas une grande
surprise si cela donnait une IA capable d'écrire des poésies !

- Compréhension. Aussi absurde que cela puisse paraître les IA ont des
meilleures capacités d'assimilation que les humains. Le processus de
compréhension est le phénomène le plus compliqué observé en neurosciences,
mais à partir des faits simples que nous avons exposés la machine a le
dessus grâce sa plus grande vitesse de traitement et un meilleur stockage
de mémoire que nous. Mais ceci n'est pas une comparaison entre l'Homme et
la Machine , nous mentionnons simplement ceci comme un fait: Les IA
dépassent les limites humaines de la compréhension, et c'est purement
intuitif qu'un tel design soit possible.

- L'étude de la neurolinguistique a montré que les humains ont plus de
difficultés à comprendre les phrases négatives que les phrases
affirmatives. Contrairement aux humains les ordinateurs traitent les
booléens avec la même vitesse et le même effort.
Beaucoup d'autres désavantages en termes de compréhension n'existe tout
simplement pas pour les IA.

Cela signifie également qu'une grande quantité d'information sera
nécessaire. Que ce soit les négations, la complexité ou l'ambiguïté des
phrases, ce modèle d'IA est capable de les traiter avec une vitesse
prometteuse d'atteindre un état d'auto-apprentissage. Associer des actions
à l'analyse des réactions.

c) La perception de l'univers est un mécanisme de mapping faisant
intervenir le temps et l'espace que nous rencontrons à travers nos sens
biologiques. C'est ce que nous appelons la FLUXION SENSITIVITY.

[NDT : fluxion sensitivity est un néologisme intraduisible, fluxion
       étant le mot utilisé par Newton pour désigner la dérivée
       d'une fonction].

Ce qui est plus important c'est appliquer à notre IA un module efficace de
text mining ou de pattern matching qui analysera le texte comme étant son
seul aperçu de l'univers.
50 années de progrès dans ce domaine ont permis à de nombreux chercheurs
t'atteindre un niveau respectable dans le domaine de l'utilisation de
programme d'IA customisés pour la psychologie légale et la criminologie.
Les seuls idées nouvelles que notre modèle doit apporter au monde des IA
est un module de simulation émotionnelle.

La simulation émotionnelle est une bibliothèque à double sens de prévisions
de réactions. Approfondissons ce sujet. Pour chaque événement un humain
exprimera un certaine émotion. Ceci est visible dans le langage corporel,
le rythme et la tonalité du langage ainsi que le choix des mots. Nous ne
nous intéresserons qu'à l'analyse de l'expression et au rythme de la
réponse.

Notre modèle est basé sur une étude typologique réalisé à l'université du
Kent pour un manuel de tactique pour les interrogatoires de police. Nous
avons utilisé le même algorithme pour détecter les émotions et les exprimer
en retour.
(Voyez le plus comme détecter la logique derrière les émotions).

Le Modèle de Kent fut un échec et un énorme non-sens. Toutefois les trois
étapes de la conception mirent en place les éléments nécessaire à notre
Simulation Emotionelle (mais à l'envers) :
- livraison
- maximisation
- manipulation

[Note: quelques lectures à propos du modèle de Kent devraient être
       disponibles maintenant]

Pour faire court la livraison a environ 12 variables d'expressions, ouvert,
fermé, guidant. La maximisation intervient quand les agents de police
essayent d'intimider le sujet et de le pousser à receler plus d'indices.
Notre maximisation est la technique de la pèche aux indices, qui consiste à
poser plus de questions clés.
Il n'y a pas grand chose à expliquer au sujet de la manipulation. Dans
notre étude elle peut aisément être fusionnée avec l'étape de maximisation.

On espère que dans quelques mois (d'ici mi 2008) nous pourrons tester un
programme complet qui ne détectera pas seulement le sens des expressions
mais « supposera » les émotions qui se cachent derrière et changera son
mode vers le comportement approprié.

Cette IA sera le premier modèle qui pourrait littéralement changer
d'humeur.


III Ontologie


a) Suivons nous une heuristique ?

Dans la seconde partie de cet article nous allons discuter du coeur de la
formation pour ce modèle d'IA . Son existence et ce qui constitue ses
régulations. Concevoir un système basés sur des réactions et des décisions
mathématiques précises est un piège courant que la plupart des
scientifiques étudiant les IA rencontrent. Tout d'abord intéressons-nous à
cette méthode.

L'évolution des IA va de l'imitation des réponses humaines à
d'impressionnantes simulation de comportements. Le concepteur va
habituellement essayer de produire une réplique parfaite des actions
humaines.

Maintenant que va-t'il arriver si même les recherches les plus poussées en
neurosciences n'ont même pas entamé la couche de la neuropsychologie
humaine ? De manière plus importante la PRISE de DECISION. Comment
pourrions nous répliquer un phénomène si nous n'avons pas complètement
compris ce qui l'anime et comment il atteint son but ?
C'est pourquoi l'informatique utilise un ensemble préprogrammé de réponses
basé sur ce que le concepteur voit comme étant approprié pour les humains,
implémentant une structure de base de données classique qui ne peut mener
qu'à une IA de questions/réponses à sens unique.
La méthode classique est imparfaite. Point.

Une meilleure approche de ce problème est d'éviter les concepts d'imitation
et de passer directement à ce qui est appelé un mode « Rule of Thumb »
(littéralement règle du pouce) qui permet une certaine marge d'imprécision
pour les réponses correctes.
Utiliser une méthode heuristique pour résoudre le problème de la prise de
décision ne fait pas que préparer le terrain pour des IA plus fluide, cela
nous montre aussi l'aspect pratique et un terrain de jeux plus large pour
le programmeur en termes d'allocation de nombreux modules d'indexation pour
jouer le rôle de sélecteur de priorité pour chaque décision devant être
prise.

Par exemple, si vous devez décider quelle pizza commander, les filtres de
votre esprit traiteraient un nombre infini d'informations avant de mettre
la décision en perspective et normalement la plupart du temps vous devriez
avoir l'impression que ce choix fut aléatoire et que vous auriez pu
survivre avec les autres choix.
Mais que se passerait-il si vous essayiez une pizza et la trouviez si
délicieuse que vous voudriez la commander à nouveau la prochaine fois ?
C'est à ce moment que l'indexation des priorités devient utile.    
Le CPS a la liberté d'ajouter, de retirer, de promouvoir ou de descendre
les index pour chaque information ou famille d'informations, basé
uniquement sur ce qu'il « considère  » comme étant une circonstance
acceptable.

C'est un virage à 180 degrés difficile dans la théorie mais pour le
programmeur c'est toujours le même travail basique et cela pourrait être le
premier pont entre d'ennuyeux programmes de Question/Réponse et
l'incroyable Science-Fiction Hollywoodienne.

b) Conception sous-symbolique

Afin de concevoir une conception du savoir  sophistiqué, Newel et Simon ont
inventé la théorie de la conception symbolique où un ensemble de règles
sémantiques peuvent être appliquées pour construire une structure plus
compliquée.
Je ne dirais pas que nous sommes limité à la conception symbolique mais
dans les faits cette théorie s'applique parfaitement.
Ainsi les deux cotés de la conception sous-symbolique sont utilisés à notre
avantage et inchangés en théorie :
- Développement alternatif
- L'approche hybride du traitement naturel du langage symbolique classique
  et sous-symbolique. Une fois que le module d'apprentissage est achevé la
  conception sous-symbolique va mettre en place le terrain pour la
  véritable interférence multi-agents.

La croissance géométrique de la puissance de calcul promeut 5 facteurs
tendant à réduire radicalement le rôle de toute espèce de logique en IT:
 1. Comme les applications déterministes disparaissent l'algorithme
    conventionnel (le pattern matchingmatching n'est plus la colonne
    vertébrale des programmes).
 2. Bien qu'encore utile l'algorithme conventionnel n'est plus le
    principal outil de programmation
 3. Dans les IA le paradigme symbolique est rapidement remplacé par
    plusieurs paradigmes sous-symboliques basés sur du parallélisme fin.
 4. Même quand les symboles sont utilisés ils sont stockés et récupérés
    à partir d'une grande mémoire bon marché plutôt que traités par
    schémas de raisonnement complexes (le raisonnement par cas en est
    un exemple éhonté) 
 5. La complexité cognitive des nouvelles logiques sophistiquées est
    trop grande pour un concepteur, une approche par essais et erreurs
    est, elle, abordable.

Ceci peut paraître comme étant la grosse artillerie à ce niveau, compte
tenu de la nature introductive de cet article. Des détails plus en
profondeur viendront quand la publication de ce projet sera officielle.


c) Désir Artificiel

Il n'y a pas grand chose à dire au sujet du Désir Artificiel. Comme nous
l'avons vu dans la priorité des index et les ensembles de règles sur les
informations, nous pourrions aisément déclencher une décision
fautive/aléatoire quand il s'agit de désir naturel pour une certaine chose,
mais pour l'instant nous n'avons perfectionné aucune manière de faire en
sorte que l'IA désire réellement quelque chose mais plutôt la faire choisir
à partir d'un ensemble de choix similaires basés sur des variations
temporelles, la fréquence de ce choix voire même lui faire essayer quelque
chose pour la première fois. Ni nous ni quiconque s'étant un jour intéressé
aux IA n'oserait prétendre donner cet attribut à une machine.
Néanmoins posséder un module convenable de prise de décision
défaut/aléatoire lié au désir simulerait encore mieux le comportement
humain et l'imiterait.
« Nous pourrions avions différents choix ayant chacun une probabilité de
succès basé sur le passé:
-90%
-88%
-85% » comme expliqué précédemment.

Ainsi l'IA choisira généralement le premier choix mais pour une fois l'IA
pourrait choisir le 2e choix et voir ce qui se passe. Ceci pourrait être
considéré comme un « désir » 

Cette fausse simulation peut aussi s'appliquer à la construction du
raisonnement. Même si on l'applique conformément au raisonnement pratique
de Kant, nous avons encore à forger une « décision morale » basé sur ce que
notre CPS a comme en ensemble de règles a-priori et faire en sorte que le
programmeur fournisse à l'IA les règles initiales.

IV Conclusion

En quelques mots je voudrais m'excuser pour le style assez sec de cet
article, ça a débuté comme une publication et a fini par devenir mon futur
hobby, une projet à part. Il est possible que nous napprochions jamais du
design d'une véritable conscience artificielle mais l'introduction de ce
modèle aboutira sûrement à de nombreux développements qui pourraient
faciliter les innovations futures.
J'espère que la lecture de cet article fut suffisamment excitante pour que
parmi vous autant de personnes que possibles s'intéressent aux
développements futur dans ce merveilleux domaine.


        -C
        c@cdej.org