tipul reprezentarilor, sunt: 1. Paradigma classic simbolica;
2. Paradigma neoconexionista.
Paradigma clasic simbolica isi are originile in filosofie (rationalismul Leibnitz,
Descartes, si empirismul J.Locke, Th.Hobbes, D.Hume). Aceasta are la baza afirmatia ca atat cunostintele cat si starile de lucruri corespunzatoare sunt reprezentate in sfera sistemului cognitiv prin simboluri sau structuri simbolice. Reprezentari simbolice sunt imaginile, conceptele, judecatile.
In primele decenii ale sec. al XX-lea apare ideea manipularii simbolurilor in
gandire, baza fiind reprezentata de formalizarea logicii (Russell, Carnap, Wittgenstein), gramaticile generative (N.Chomsky) si lingvistica teoretica.
Operarea cu simboluri se realizeaza prin reguli abstracte (compunere, deductie,
inductie), rezultand teoreme bazate pe axiome. Sistemul cognitiv uman si calculatorul sunt sisteme fizico simbolice (A.Newell, H.A.Simon).
Modelele simbolice sunt intr-o permanenta transformare, fapt demonstrat prin
aplicarea paradigmei clasic simbolice la procesele cognitive centrale (gandirea), in cadrul rezolvarii de probleme.
Paradigma neoconexionista (a procesarilor paralele sau modelarea
neuromimetica) are la baza ideea ca activitatea cognitiva poate fi explicata prin modele neuronale . Acestia au modelat activitatea neuronala cu ajutorul algebrei booleene, aratand ca retelele neuromimetice pot desfasura calcule logice. F.Rosenblatt construieste retea neuromimetica, pe doua niveluri, ce poate discrimina doua impulsuri senzoriale diferite. M.Minsky&S.Papert i-au infirmat teoria acestuia prin demonstrarea incapacitatii unor retele neuromimetice de a calcula functii logice simple (1969). La inceputul anilor 90, D.E.Rumelhart si J.L.McClelland reconsidera ideea construirii de modele cognitive neuromimetice prin constituirea grupului de cercetare PDP (cerceta procesarile paralele distribuite). Reelele neuromimetice conin informaii sub forma unor valori i patern-uri de activare ale unor uniti simple neuromimi care circul ntre centrii de procesare sub form de scalari i nu simboluri. Regulile de funcionare a acestor reele sunt de modificare i propagare a valorilor i patern-urilor de activare, algoritmii nu opereaz cu simboluri ci cu aceste valori i patern-uri.
Retelele neuromimetice = informatii sub
forma unor valori si patternuri de activare ale unor unitati simple (neuromimi), care circula intre centri de procesare, sub forma de scalari, nu de simboluri. De aceea aceste retele sunt semantic opace. Regulile de functionare a acestor retele sunt de modificare si propagare a valorilor si patternurilor de activare. Algoritmii nu opereaza cu simboluri, ci cu aceste valori si patternuri.
a) b) c) d) e) f) g)
Partile componente ale retelelor
neuromimetice sunt: ansamblul de unitati; starea de activare; regula de activare; functia output; un pattern de conexiuni intre unitati; reguli de invatare; mediul de operare a retelei.
cognitive) se caracterizeaza prin valori de activare si se grupeaza in retele prin sinapse; nu sunt interpretabile semantic. Li se atribuie o valoare numerica in intervalul [1,+1]. Exista unitati input (cu valoare de intrare) si unitati output (care propaga outputul in retea); acestea sunt unitatile vizibile. Retelele binivelare (perceptronul) contin doar unitati vizibile. Retelele multinivelare contin si unitati ascunse care moduleaza valorile transmise intre unitatile vizibile. Poate exista si o interpretare externa, d.p.d.v. al celui care analizeaza proprietatile retelei. Astfel avem retele localizationiste (in care unitatile sunt concepte sau ipoteze) si retele distributive (in care informatia e distribuita pe interactiuni de unitati).
Starea de activare indica nivelul de activare a unitatilor, la un
moment dat. Acestea pot varia continuu sau discontinuu, in functie de preferintele celui care studiaza reteaua. Valoarea de activare scade in timp sau datorita modificarilor conexiunilor (prin inhibitia laterala), constituind si restul de activare de la nivelul fiecarei unitati (rata a degradarii ). Regula de activare este functia de modificare a valorii de activare a unitatilor din retea. Netinput-ul (suma inputuri-lor receptionate de o unitate) este masura modificarii starii de activare; rezulta ca este suma ponderata a valorilor de activare receptionate. Input-ul este ponderat cu taria legaturilor dintre unitatile input si unitatile receptoare. Restul de activare + netinput = modificarea valorii de activare
Functia output refelecta relatia dintre valoarea de
activare a unei unitati si output-ul transmis de aceasta in retea. Output-ul poate fi 0 cand valoarea de activare nu atinge un anumit prag, sau poate avea valoarea starii de activare. Conexiunile dintre unitati sunt elementele cele mai importante in retea. Din acest punct de vedere avem retele unidirectionale sau unidimensionale (informatia se propaga numai de la unitatile input spre cele output) si retele bidirectionale sau bidimensionale (informatia se propaga in ambele sensuri, interactiunile fiind reciproce => retea interactiva). Conexiunile pot fi excitative (cu pondere pozitiva) si inhibitive (cu pondere negativa).
Regulile de invatare sunt algoritmi de modulare a ponderii
conexiunilor din retea. Principalele reguli de invatare sunt: -regula lui Hebb(stipuleaz c ponderea conexiunii dintre 2 uniti se modific n funcie de produsul valorilor de activare) regula delta (utilizeaz discrepana dintre output-ul dezirabil (problematic) i output-ul actual, adic regula Delta ajusteaz tria conexiunilor pe baza calculului erorii) si regula retropropagarii erorii (nvarea pe greeli proprii sau ale altora, regula delta generalizata). Mediul sau ambianta retelei desemneaza retele cu structuri mai generale si complexe la care sunt conectate retelele conexioniste neuronale. Influenta acestor retele generale se face simtita sub forma unor inputuri cu valori fixe (biasi, sg. bias), care sunt independenti de activarile din retea.
Structurile cognitive sunt sisteme cu o arhitectura neomogena.
D.A.Norman (neoconexionist) arata in 1986 ca relatiile dintre modelarile conexioniste (subsimbolice) sunt orientate pe verticala. Micro- si macrostructura cognitiva au valoare predictiva, oferind descriptii valide la un anumit nivel de analiza.