Обсуждение

Похоже нужно мониторить стыки - технологии передачи "знания" в другое "мышление" .

С большим удовольствием и интересом прочел книгу "Визуальное мышление". Спасибо. Но все время в мышлении крутится вопрос - "Системное мышление" и "Визуальное мышление" определяют базовое понятия мышления но ничего не говорят о самом мышлении как процесса. Возможно, это невозможно описать так как мышлении происходит в голове конкретного человека в конкретной ситуации и все это уникально и никакого формализма тут дать не возможно. Я внимательно прочел книгу Мизгулина, в которой подробно разобран конкретный case работы системного инженера и возникает вопрос - можно ли как то рассказать студентам как думает системный инженер или это возможно только на конкретном примере, в рамках написания эссе?

Обычно это технологии коммуникации -- и мышление необязательно даже другое, можно и своё (тоже ведь проблемы). В книжке "Визуальное мышление" много про это. Или какие-то другие стыки? Из какого в какое мышление нужно передавать мысли (опасаюсь слова "знание")?

Рассказать о мышлении обычно можно, но бесполезно: как рассказ о езде на велосипеде. Но можно провести через это мышление, дать попробовать. Как и дать попробовать поездить на велосипеде, чтобы составить себе об этом представление. То есть текстовые описания мышления, равно как и текстовые описания езды на велосипеде очень плохо переходят в реальные действия мышления или езды на велосипеде. В обоих случаях нужно сочетать рассказы с решением задач/упражнениями. Опять же, "как мыслит системный инженер" можно отвечать на разных системных уровнях. Вот в комментируемом посте у меня сразу на пару-тройку системных уровней ниже вопрос, про "мыслительные вычисления".

Наверное имеется в виду что про мышление много сказано, а про понимание нет. Как будто мышление человека не исходит из понимания того что он говорит (хочет сказать). Или как будто (последовательное) мышление отражает (обьемное, многогранное) понимание. Понимание может быть связано со знанием, а может с догадкой (инсайтом, выводом)

У меня пост вообще про формально-неформальные вычисления. Все эти тонкие штуки про целеполагание, планирование диалога, понимание, множественные картины мира и т.д. -- это системным уровнем выше, начиная с когнитивной архитектуры.

Конечно, по инструкции ездить на велосипеде не научишься, но существует хороший совет - читайте инструкции - можно избежать много неприятностей .

Мне эти темы на практике почему-то ниочень интересны (в теории конечно интересны, но руки не доходят). Но интересны две другие вещи, в которых я вижу тоже что-то типа "мышления": Structured Prediction и Kernelized Algos (Kernel Trick которые). В случае Structured Prediction у нас есть сложно-составной аутпут/лейбл, который оценивается соответствующей сложно-составной перформанс метрикой. И так как пространство возможных вариантов предикшенов в структурном случае может быть большой/огромной/необъятной, то для выбора оптимального варианта (часто предикшен делается как оптимальный в каком-то смысле вариант в этом сложно-составном пространстве) нужно применить какой-то алгоритм типа там динамического программирования, или какой-нить пошаговый поиск в прострастве (включая вариант с парсингом грамматик, управляемый МЛ алгоритмами). Что кагбэ уже близко к логикам - ибо в случае логического вывода тоже может происходить поиск в каком-то пространстве. Kernel Methods несколько хитрее, но по сути Kernel есть что-то типа similarity. Kernelized алгоритм в некотором роде сравнивает пример, для которого нужно сделать предсказание, с набором тренировочных примеров (или прототипов, полученных на их основе), ну и выбирает наиболее похожие, ну или там помножает на соответствующие веса и проч. Мне тут видится некоторая модель мышления по аналогии. Т.е. не формально-логическое по дедуктивным правилам, а прецедентное. Соответственно, мне думается что если развивать всеразличные Kernel методы (а там можно и структурный инпут обрабатывать - String Kernels к примеру), то это наверное тоже может пройти как компьютерное, и не вполне человеческое мышление.

Значит, эта схема из последнего отчета Римского Клуба тоже от уровня выше? Изображение — открыть источник По моему - Ваши тексты относятся основном к Empty World.

Да эта схема вообще из другой онтологии, она не про мышление, она материал мышления. Вы ещё про сферы Дайсона тут скажите, из какой тамошней сферы мои тексты )))

Нет, я это формально-неформальным мышлением не считаю. Это просто по линии Педро Доминго "вот ещё один обучающийся алгоритм": он выделял там отдельно алгоритмы, работающие с аналогиями и говорил, что это помойка, куда складываются все остальные алгоритмы, плохо попадающие в классификацию. У меня приведены не просто алгоритмы, а некоторые исследования, показывающие связь различных классов алгоритмов -- символьных (логических) и вероятностных, поисковых/оптимизационных, каких-то ещё. То есть меня интересуют алгоритмы, где возможны разные презентации информации: символьная и не слишком символьная, при этом не просто разница на входе (скажем, просто нейронные сети сюда не попадают, они работают с дискретикой только на выходе), но и сама обработка и того, и другого. Скажем, структурный (символьный) код программы, который символически отражает модель, потом преобразуется autodiff и получаем обучаемый несимволический код (можно обсуждать дальше, коннективистский ли он, если речь идёт не о нейронной сети. Фишка в том, что необязательно нейронная сеть дальше должна быть!) -- это я описал differentiable programming.

Есть варианты стыков: 1. человек - человек 2. человек - машина 3. машина - машина

Ой ли? А машина коннективистская, или фон-неймановская? ;-) И что делать, если они общаются в компании из пары человек с их компьютерами (киборги ведь по факту!), какого-нибудь облачного приложения и другими командами, в которых сам чёрт не разберёт, что там компьютеры делают, а что люди -- ответы-то всё одно по сети приходят! Всё стремительно слипается, никаких ярко выраженных стыков нет. Интерфейсы всего ко всем. Возьмите хотя бы https://en.wikipedia.org/wiki/Robotic_process_automation

Что еще мониторить? Наверное следить за биологической нейронаукой. Или хотя бы за прогрессом ребят из Нументы. Повторять человечье мышление не обязательно, но понять его было бы полезно.

Люди из deep learning биологическую науку мониторят. При этом в Numenta никто не верит, в этом плане работы Lillicrap из DeepMind обычно интересней.

Еще пара вариантов: Человек - окружающая среда Машина - окружающая среда.