Archiv der Kategorie: optimierendes ML

OKSIMO ROADMAP – Überblick

UNIVERSELLE PROZESSPLANUNG
20.Juni 2021 – 27.August 2021
URL: oksimo.org
Email: info@oksimo.org

Autor: Gerd Doeben-Henisch (gerd@oksimo.org)[*]

KONTEXT

Dieser Text ist Teil des Themenfeldes Oksimo Roadmap des oksimo.org Blogs.

VERSIONEN

Da das oksimo Projekt ein autopoietisches Projekt ist, das sich ‚aus sich heraus‘ entwickelt [1], gibt es zu Beginn kein fertiges Gesamtkonzept. Es gibt eine grobe Zielrichtung (Vision), die eine Richtung angibt, in die sich das Projekt entwickeln sollte. Die genaue Ausführung des Weges zum Ziel wird schrittweise, phasenweise angenähert.

Die Periodisierung des Projektes in die groben Phasen ‚Basis‘, ‚Standard‘ und ‚KI und ML‘ hat sich in den zurückliegenden Monaten heraus kristallisiert. Weitere Versionen sind nicht ausgeschlossen; sie sind sogar hoch wahrscheinlich.

BASIS

Basis-Version bis 23.Juni 2021

Als Basis Version wird alles angesehen, was bis Juni 2021 entwickelt und beschrieben wurde.

Die Grundidee der Basisversion bis 23.Juni 2021 lässt durch zwei Ableitungsversionen beschreiben:

(1) S ⊩ ∑ R S‘

(2) S ⊩ ∑ V %Goal

Die Formel (1) beschreibt den Sachverhalt, dass der oksimo Simulator bei Vorgabe eines aktuellen Zustands S mit den gegebenen Veränderungsregeln R einen Nachfolgezustand S‘ ermittelt.

Die Formel (2) beschreibt den Sachverhalt, dass der oksimo Simulator bei Vorgabe eines aktuellen Zustands S mit dem gegebenen Zielzustand V errechnete, wie viel %vom Zielzustand V im aktuellen Zustand S schon vorkommen.

Anwendung: Erst wird mit Formel (1) aus einem gegebenen Zustand S ein Nachfolgezustand S‘ ermittelt und dann wird für diesen neuen aktuellen Zustand S‘ mit Formel (2) ermittelt, wie viel vom Zielzustand im neuen aktuellen Zustand S‘ schon realisiert wurde.

Die aktuellen Befehle der oksimo Software zur Basis-Version bis 23.Juni 2021 zeigt das folgende Menü:

Welcome to Oksimo v0.11.77dea

MAIN MENU
1 is NEW VISION
2 is MANAGE VISIONS
3 is NEW STATE
4 is MANAGE STATES
5 is NEW RULE
6 is MANAGE RULES
7 is RULE DOCUMENT
8 is NEW SIMULATION
9 is MANAGE SIMULATIONS
10 is LOAD SIMULATION
11 is COMBINE SIMULATIONS
12 is SHARE
13 is EXIT SIMULATOR
Enter a Number [1-13] for Menu Option

Die Basis-lernende Algorithmus (KI)Version ist vollständig Konsolen-orientiert. Die Erstellung einer oksimo Anwendung verlangt die Angabe von mindestens einem Visions- und mindestens einem Zustands-Dokument, ergänzt um beliebig viele einzelne Veränderungs-Regeln, die man auch in Regel-Dokumenten zusammenfassen kann. Normale Simulation mit automatischer Evaluation ist möglich. Dateien lassen sich unter den Benutzern teilen, auch ganze Simulationen, die gespeichert wurden. Aus verschiedenen Simulationen lässt sich direkt eine vereinigte Simulation herstellen und ausführen. Alle Dokumente lassen sich im Nachhinein editieren und verändern.

Basis-Version bis 23.August 2021

Welcome to Oksimo v1.0 23-08-2021 (aaa0)

MAIN MENU
1 is NEW VISION
2 is MANAGE VISIONS
3 is VISION COLLECTIONS
4 is NEW STATE
5 is MANAGE STATES
6 is STATE COLLECTIONS
7 is NEW RULE
8 is MANAGE RULES
9 is RULE DOCUMENT
10 is NEW SIMULATION
11 is MANAGE SIMULATIONS
12 is LOAD SIMULATION
13 is COMBINE SIMULATIONS
14 is SHARE
15 is EXIT SIMULATOR
Enter a Number [1-15] for Menu Option

Vorstehend sieht man das Eingangsmenü der oksimo Software für die fertige Basis-Version. Ab jetzt gibt es auch ein neues Format für die Versionsnummer: laufende Nummer „1.0“, Veröffentlichungsdatum „23-08-2021“, spezieller Kode für die Entwickler „(aaa0)“.

In der Basis-Version bis zum 23.Juni 2021 hatte sich ergeben, dass die ‚Konservierung‘ des Zielzustandes V die Realität von Alltagsprozessen mit Zielen nur unzureichend wiedergibt. Im Alltag kommt es immer wieder vor, dass Akteure ihr Visionen [V] — d.h. ihre Vorstellungen von möglichen Zielzuständen — aus unterschiedlichsten Gründen abändern. Dies hat dann meistens Auswirkungen auf den gesamten Prozess. Das, was vorher ‚gut‘ war, gilt plötzlich nicht mehr. Dies kann eine Verschlechterung bedeuten. Wenn aber die Vision vorher ’schlecht‘ war, dann kann diese Änderungen eine Verbesserung bedeuten.

Um diesem Alltagsgeschehen besser gerecht zu werden, wird die grundlegende Veränderungsbeziehung in der oksimo Software wie folgt angepasst:

(0) S,V ⊩ ∑ R V‘

(1) S ⊩ ∑ R S‘

(2) S ⊩ ∑ V %Goal

Während die Formeln (1-2) nicht geändert werden, gibt es eine Änderung mit der neuen Formel (0): Ein Visions-Dokument V, das einen Zielzustand beschreibt, kann mit Hilfe von Veränderungsregeln R genauso abgeändert werden wie ein Zustandsdokument S. Dabei wird sowohl das ‚alte‘ Visionsdokument V berücksichtigt wie auch der aktuelle Zustand S.

R, S und V Dokumente

Bis zur der Basis-Version vom 23.Juni 2021 kann man zwar beliebige Regel-Dokumente bilden, indem man einen neuen Namen RN vergibt und dazu beliebige vorhandene Regeln angibt, die dann unter RN als Gruppe aufgerufen werden können. Bei einer Simulation kann man dann statt der vielen einzelnen Regeln R beliebig viele Regel-Dokumente RNi angeben.

In der praktischen Arbeit zeigt sich, dass es zur Strukturierung komplexer Zustände S und komplexer Visionen V ebenfalls hilfreich wäre, viele einzelne Zustandsdokumente S1, …, Sn bzw. Visions-Dokumente V1, …, Vm analog zu den Regel-Dokumenten unter einem neuen Namen zu Teilgruppen zusammen fassen zu können. Bei dem Start einer neuen Simulation kann man dann nach Bedarf auch kollektive Zustands- oder Visions-Dokumente angeben.

Die verschiedenen Sammlungen von R, S oder V Dokumenten kann man als Makros verstehen, die mit einem Namen viele Elemente aktivieren oder als Kollektoren.

STANDARD VERSION

(Entwicklungszeit: 26.August 2021 – 31.Dezember 2021)

(Letzte Änderung: 27.August 2021)

In der Standard-Versionen sollen folgende Anforderungen neu hinzukommen:

Spielmodus

Der normale Simulationsmodus wird um einen Spiel-Modus erweitert: Angemeldete oksimo-Benutzer können sich beim Simulator als Spieler anmelden. Zu Beginn jeder Runde fragt der Simulator vor der Ausführung der aktuellen Regeln die angemeldeten Spieler, welche der aktuell möglichen Regeln sie mit welcher Option anwenden wollen. Die Entscheidungen werden vom Simulator übernommen. Es besteht aber auch die Möglichkeit, dass ein Spieler die Änderung einer bestehenden Regel oder die Ersetzung einer bestehenden Regel oder die zusätzliche Einführung einer neuen Regel beantragen kann. Stimmt eine ausreichende Mehrheit der anderen Spielerinnen zu, kann der Spieler sein Vorhaben umsetzen. Stimmt keine ausreichende Mehrheit zu, dann muss die Spielerin entscheiden, ob sie dann auf die Veränderung verzichtet oder ob sie ab diesem Punkt eine parallele Variante startet. Die anderen Spieler müssen sich dann entscheiden, bei welcher Variante sie weiter mitspielen wollen. Auf diese Weise wird eine maximale Kreativität in der Entwicklung gewährleistet.

Zahlen und Zahlenoperationen

Wie bekannt gibt es neben den vielen Erweiterungen der normalen Sprache auch die Verwendung von Zahlenausdrücken und Operationen mit Zahlen: „Das kostet mich 10 €“;“Der LKW wiegt sicher 20 Tonnen“; „Die Summer aller Einzelbeträge übersteigt sicherlich 1 Mio“; „Der Zinssatz des Kredits liegt nur knapp über 0.1%“; „Die Einwohnerzahl der Stadt ist seit 10 Jahren jährlich um 0.5% gewachsen“; … Damit man auch in einer oksimo Kommunikation quantitative Ausdrücke verwenden kann, soll eine Erweiterung angeboten werden, die die Benutzung von Zahlen und Operationen mit Zahlen ermöglicht. So muss es möglich sein, im Verlauf einer Simulation (eines Spiels) erkennen zu können, ob z.B. bestimmte Zahlenwerte ’steigen‘ oder ‚fallen‘, oder wie sich verschiedene Zahlenwerte ‚untereinander beeinflussen‘. Eine zusätzliche Option wäre eine zusätzliche grafische Anzeige von Wertverläufen mit Hilfe von Kurven.

Format Drehbuch

In der Basis-Version muss der Benutzer den Weg von der Ausgangslage hin zum Ziel (zur Vision) beschreiben, indem er die notwendigen Veränderungsregeln selbst direkt eingibt (Bedingung, Wahrscheinlichkeit, Eplus, Eminus). Mit ein bisschen Übung ist dies nicht schwierig. Erkennbarer Nachteil: man verliert schnell den Überblick über das Ganze. Im alltäglichen Leben gehen wir Menschen anders vor; normalerweise erzählen wir uns gegenseitig eher ‚Geschichten‘, die den gewünschten Prozess beschreiben. Artikel, Bücher, Drehbücher usw. sind bekannte sprachliche Kommunikationsformen, die sich als geeignet erwiesen haben, komplexe Prozesse allgemeinverständlich zu kommunizieren. Es liegt daher nahe, in der Standard-Version diese bekannten Kommunikationsformate auch für eine oksimo Kommunikation zu benutzen. Die einzige Spezialität einer Textform für eine oksimo Kommunikation wäre, dass man den Text als eine Folge von Situationen versteht und auch so aufschreibt. Dies bedeutet nun nicht, dass man akribisch jede Situation für sich vollständig hinschreiben muss, sondern man muss ausgehend von einer Anfangssituation zumindest deutlich machen, welche Ausdrücke neu hinzukommen bzw. welche verschwinden. Dies lässt viel Spielraum. Wichtig ist nur, dass man aus dem Textverlauf die impliziten Regeln automatisch extrahieren kann. Natürlich hat der Autor jederzeit die Möglichkeit, die automatisch extrahierten Regeln direkt manuell weiter zu editieren, wenn er will. Ferner bietet ein Drehbuch im oksimo Stil die Möglichkeit, parallele Erzählstränge mittels Verzweigungen anzulegen. Verzweigungen sind mit Wahrscheinlichkeiten behaftet. Bei n-vielen möglichen Verzweigungen an einem bestimmten Punkt der Erzählung haben alle n-vielen Verzweigungen zusammen die Wahrscheinlichkeit 1. Innerhalb dieses Möglichkeitsraumes kann die Autorin die Wahrscheinlichkeit unterschiedlich gewichten. In einer Simulation auf der Basis eines oksimo Drehbuchs können also bei jedem Verlauf ganz unterschiedliche Verläufe auftreten. Im Spielmodus ist dies sowieso immer der Fall, bis dahin, dass die Spieler das Drehbuch während des Spielens abändern.

KÜNSTLICHE INTELLIGENZ [KI] und MASCHINELLES LERNEN [ML]

Definitionen

Der Begriff ‚Künstliche Intelligenz‘ [KI] — oder Abwandlungen davon wie ‚Maschinelles Lernen‘ [ML], ‚Maschinelle Intelligenz‘ [MI] und weitere — ist bislang nicht wirklich allgemeingültig definiert; jeder biegt es ein wenig so hin, wie er es gerade braucht.

In diesem Text wird davon ausgegangen, dass das primäre Phänomen von ‚Intelligenz‚ bestimmte Verhaltensmuster sind, die man am Beispiel von biologischen Systemen beobachten kann. Dabei geht es nicht nur um einzelne Verhaltenseinheiten sondern um z.T. komplexe Folgen von Verhaltenselementen, die zudem noch im Verbund mit vielen anderen biologischen Systemen in unterschiedlichsten Umgebungen auftreten können. Eine allgemein akzeptierte, alle Phänomene umfassende Biologische Theorie intelligenten Verhaltens gibt es bislang noch nicht und wird es aufgrund der Komplexität des Phänomens auch wohl kaum jemals geben.

Sofern man Algorithmen als Bestandteile von technischen Systemen hat, die mit biologischen Systemen vergleichbare Verhaltensmuster zeigen können, kann man in dem jeweils definierten Bereich von künstlicher — oder maschineller — Intelligenz sprechen, die ihre Bedeutung vom biologischen Prototyp her motiviert.

Verzichtet man auf den Vergleich mit biologischen Prototypen sondern definiert Handlungsräume losgelöst von biologischen Systemen — also ‚Biologie-frei‘ — dann kann man von einem Algorithmus-getriebenen technischen System sagen, dass es über die Eigenschaft des ‚maschinellen Lernens‘ verfügt, sofern der Begriff ‚Lernen‘ in diesem Kontext definierbar ist.

Natürlich könnte man auch ganz kontextfrei irgendeine Definition von ‚Intelligenz‘ oder ‚Lernen‘ vornehmen, die Frage ist dann aber, was dieser Begriff noch ‚erklärt‘, wenn er die empirische Wirklichkeit, zu der wir gehören, schlicht ausklammert? Im Alltag haben wir alltägliche Begriffe von ‚Lernen‘ und ‚Intelligenz‘; sich von dieser Alltagsschnittstelle zu lösen bringt mehr Verwirrung als Klärung.

Der berühmte Vergleich zwischen Menschen und Maschinen setzt voraus, dass man Gleiches mit Gleichem vergleicht. Mit beliebigen Begriffen von ‚Lernen‘ und ‚Intelligenz‘ ist solch ein Vergleich nicht möglich. Unterzieht man sich der Mühe, die vorfindliche empirische Vielfalt biologischer Systeme (also auch von uns selbst) schrittweise modellhaft und nachvollziehbar zu beschreiben, dann kann man nicht nur biologische Systeme untereinander ansatzweise vergleichen, sondern auch biologische mit maschinellen Systemen und sogar maschinelle mit maschinellen Systemen. Ein handlungsbasierter Ansatz ist universell und unabhängig von den Spezialitäten der inneren Zustände: welche Art von Gehirn, ob zellbasiert oder mechanisch, ob Deep-Learning oder evolutionär, usw., das spielt alles keine Rolle. Mathematisch sind alle Lernalgorithmen letztlich gleich; es ist nur eine Frage der Abstraktion.

Künstliche Akteure (auch KI)

Sofern mit der Standard-Version das Format ‚Spielen‘ verfügbar ist, bei dem reale Menschen mitspielen können, gibt es die zusätzliche Möglichkeit, statt menschliche Akteure auch künstliche Akteure zuzulassen. Zu diesem Zweck werden die standardmäßig ‚starren‚ Veränderungsregeln uminterpretiert als ‚Schnittstellen‚ zu solchen künstlichen Akteuren. Die Minimalanforderung an künstliche Akteure ist die, dass es sich um ein Input-Output-System mit einer Verhaltensfunktion φ handelt. Im Falle eines ‚nicht-lernenden‚ Systems lautet die Verhaltensfunktion schlicht φ: I x IS —> O. D.h. das Verhalten [O] des Systems hängt nur ab von dem jeweiligen Input [I] und diversen inneren Zuständen [IS]. Im Falle eines ‚lernfähigen‘ Systems lautet die Verhaltensfunktion φ: I x IS —> IS x O. Die Besonderheit hier ist, dass das eigene Verhalten die Möglichkeit beinhaltet, die eigenen internen Zustände verhaltensabhängig zu modifizieren und damit eben Lernen zu ermöglichen.

Für die ‚Einbeziehung von künstlichen Akteuren in den oksimo Spielmodus ist es egal, um welchen Akteure es sich handelt. Jeder Akteur wird über eine Veränderungsregel als Schnittstelle aufgerufen und kann über diese Schnittstelle antworten (die Bedingung ist der Input des Akteurs, Eplus und Eminus sind der Output des Akteurs, die Wahrscheinlichkeit bestimmt er selber).

Das hier vorgeschlagene Konzept eines künstlichen lernenden Akteurs erlaubt die Ausgestaltung eines solchen Akteurs in Richtung einer ‚Künstlichen Intelligenz‘ [KI].

Optimierendes Maschinelles Lernen [OML]

Ein optimierendes ML unterscheidet sich vom typischen Akteur darin, dass ein optimierendes ML den gesamten Problemraum einer Simulation (S0, V0,R,Σ) als Input bekommt und in dem dadurch definierten Raum der möglichen Zustände nach jenen Teilräumen suchen kann, die im Sinne der gegebenen Ziele V0 von besonderem Interesse sind. Sofern man einen ‚Regeltransformator‚ oder gar ‚Regelgenerator‚ zur Verfügung hat, kann man auch die Menge der Regeln R abändern und damit den Suchraum beliebig erweitern. Ohne zusätzliche Kriterien ist dieses Verfahren aber eher unproduktiv.

Für Menschen kann die Verfügbarkeit eines optimierenden MLs von großer Hilfe sein, da jede Simulation, jedes Spielen immer nur einige wenige Möglichkeiten aus einem potentiell extrem großen Suchraum sichtbar machen kann. Für viele weiteren Spiele fehlt den Menschen meistens die Zeit. Durch einen Druck auf einen Knopf kann eine ML ‚losstürmen‘ und — je nach Rechen-Power und verfügbarem Speicher‘ — die interessanten Lösungsräume schnell und umfangreicher ermitteln, als es jede Gruppe von Menschen könnte. So, wie es zur Zeit aussieht, braucht man für ein optimierendes ML auch nur einen einzigen Algorithmus, um alle möglichen Suchräume damit berechnen zu können.

Kreatives Maschinelles Lernen [KML]

Wie im Fall des optimierenden maschinellen Lernens hat auch das kreative maschinelle Lernen [KML] als Input den gesamten Problemraum einer oksimo Simulation: (S0, V0,R,Σ). Die Idee einer KML wäre, dass sie die inhaltlichen Elemente des Problemraums (S0, V0,R) dosiert variiert, so dass die menschlichen Experten dadurch ‚gezwungen‘ werden, das Problem auch mal ‚anders‘ zu betrachten. Die Motivation hinter diesem Vorgehen liegt darin begründet, dass das Auffinden von interessanten Lösungen oft dadurch behindert wird, dass menschliche Experten dazu tendieren, sich am ‚Bekannten‘ zu orientieren. Zukunftsfähige Lösungen benötigen aber sehr oft wirklich neue, innovative Lösungen. Eine Strategie für mehr Innovation ist die radikale Orientierung an Diversität, wenngleich dies vielen Menschen erst einmal schwer fällt. Der Einsatz von KML kann hier wie die Erzeugung einer ‚künstlichen Diversität‘ wirken (KML wäre das ziemliche Gegenteil von den heutigen Daten-getriebenen Algorithmen!). Aufgrund der unfassbaren Komplexität des semantischen Raumes von menschlicher Sprache ist das Design und der Einsatz von KML aber nicht trivial.

ANMERKUNGEN

[*] Bei diesem Text gehen implizit viele Gedanken von verschiedensten Personen mit ein, mit denen ich gesprochen habe. Diese im Detail auszuweisen ist aber im Nachhinein praktisch nicht möglich.

[1] Autopoiesis, Autopoiese, Autopoietisch, siehe Wikipedia [DE]: https://de.wikipedia.org/wiki/Autopoiesis UND in Wikipedia [EN]: https://en.wikipedia.org/wiki/Autopoiesis/* Ursprünglich wurde der Begriff in der (Evolutions-)Biologie vom Neurobiologen Huberto Maturana eingeführt. Er wurde dann auf weitere Kontexte angewendet, u.a. auch durch Luhmann auf die Soziologie. Die Verwendungsweisen in diesem Blog oksimo.org gehen zurück auf verschiedene Texte im Blog uffmm.org. Der zentrale Begriff im Blog uffmm.org ist der Systems Engineering Prozess in dem Akteure (Auftraggeber, Experten des Engineerings, Manager von Unternehmen, …) eine Problemstellung zusammen mit einer Vision (in Form von Anforderungen) in eine funktionierende Lösung (Gerät, Dienstleistung, komplexes System,…) transformieren. Dieses Konzept des Systems Engineerings ist in oksimo.org verallgemeinert zu einem System, in dem jeder Mensch als Experte gilt und als Akteur jedes beliebige Problemstellung und jede beliebige Vision in eine Lösung transformieren kann. Dieses Konzept hat aktuell das Label oksimo Paradigma. Die elementaren Faktoren innerhalb des oksimo Paradigmas sind die Akteure mit einer charakteristischen Binnenstruktur, die verbindende Kommunikation, deren Bedeutungsfunktion im Akteur verankert ist, und eine offene Umgebung, die Teil eines physikalischen Universums ist. Wesentliche Momente der Binnenstruktur ist mindestens eine im Gehirn fundierte Kognition, eine physiologische Bedürfnisstruktur, und eine emotionale Struktur. Die Binnenstruktur steht in kontinuierlicher Wechselwirkung mit dem eigenen Körper und der Umgebung des Körpers.