Arquitectura del pandemonio

La arquitectura del pandemonio es una teoría de la ciencia cognitiva que describe cómo el cerebro procesa las imágenes visuales. Tiene aplicaciones en inteligencia artificial y reconocimiento de patrones . La teoría fue introducida por el pionero de la inteligencia artificial Oliver Selfridge en su artículo de 1959 «Pandemonium: un paradigma para el aprendizaje». ^{[ 1 ]} Describe el proceso de reconocimiento de objetos como el intercambio de señales dentro de un sistema jerárquico de detección y asociación, cuyos elementos Selfridge denominó metafóricamente «demonios». Este modelo se reconoce actualmente como la base de la percepción visual en la ciencia cognitiva.

La arquitectura Pandemonium surgió como respuesta a la incapacidad de las teorías de coincidencia de plantillas para ofrecer una explicación biológicamente plausible del fenómeno de constancia de la imagen . Los investigadores contemporáneos elogian esta arquitectura por su elegancia y creatividad; la idea de tener múltiples sistemas independientes (por ejemplo, detectores de características ) trabajando en paralelo para abordar el fenómeno de constancia de la imagen en el reconocimiento de patrones es poderosa y a la vez simple. La idea básica de la arquitectura Pandemonium es que un patrón se percibe primero en sus partes antes que en su totalidad. ^{[ 2 ]}

La arquitectura Pandemonium fue uno de los primeros modelos computacionales en reconocimiento de patrones. Aunque no era perfecta, influyó en el desarrollo de los modelos modernos de conexionismo , inteligencia artificial y reconocimiento de palabras . ^{[ 3 ]}

La mayor parte de la investigación en percepción se ha centrado en el sistema visual, investigando los mecanismos mediante los cuales vemos y comprendemos los objetos. Una función crítica de nuestro sistema visual es su capacidad para reconocer patrones, pero el mecanismo por el cual esto se logra no está claro. ^{[ 4 ]}

La primera teoría que intentó explicar cómo reconocemos patrones es el modelo de comparación de plantillas. Según este modelo, comparamos todos los estímulos externos con una representación mental interna . Si existe una superposición "suficiente" entre el estímulo percibido y la representación interna, "reconocemos" el estímulo. Aunque algunas máquinas siguen un modelo de comparación de plantillas (por ejemplo, los cajeros automáticos que verifican firmas y números de cuenta), la teoría presenta graves deficiencias para explicar el fenómeno de la constancia de la imagen: podemos reconocer fácilmente un estímulo independientemente de los cambios en su forma de presentación (por ejemplo, tanto T como T se reconocen fácilmente como la letra T). Es muy improbable que tengamos una plantilla almacenada para todas las variaciones de cada patrón. ^{[ 5 ]}

Como resultado de las críticas a la plausibilidad biológica del modelo de coincidencia de plantillas, surgieron los modelos de detección de características. En un modelo de detección de características, la imagen se percibe primero en sus elementos individuales básicos antes de ser reconocida como un objeto completo. Por ejemplo, cuando se nos presenta la letra A, primero vemos una línea horizontal corta y dos líneas diagonales largas inclinadas. Luego combinamos las características para completar la percepción de la A. Cada patrón único consta de una combinación diferente de características, lo que significa que aquellos formados con las mismas características generarán el mismo reconocimiento. Es decir, independientemente de cómo giremos la letra A, seguirá percibiéndose como la letra A. Este tipo de arquitectura explica fácilmente el fenómeno de constancia de la imagen porque solo se necesita "coincidir" a nivel de características básicas, que se presume limitado y finito, y por lo tanto, biológicamente plausible. El modelo de detección de características más conocido se denomina arquitectura pandemonium. ^{[ 5 ]}

La arquitectura del pandemonio fue desarrollada originalmente por Oliver Selfridge a finales de la década de 1950. Esta arquitectura se compone de diferentes grupos de "demonios" que trabajan de forma independiente para procesar el estímulo visual. A cada grupo de demonios se le asigna una etapa específica de reconocimiento, y dentro de cada grupo, los demonios trabajan en paralelo. Existen cuatro grupos principales de demonios en la arquitectura original. ^{[ 4 ]}

El concepto de "demonios de características", que postula la existencia de neuronas específicas dedicadas a realizar un procesamiento especializado, está respaldado por investigaciones en neurociencia. Hubel y Wiesel descubrieron que en el cerebro de un gato existían células específicas que respondían a longitudes y orientaciones específicas de una línea. Se hallaron resultados similares en ranas , pulpos y otros animales. Se observó que los pulpos solo eran sensibles a la verticalidad de las líneas, mientras que las ranas presentaban un rango de sensibilidad más amplio. Estos experimentos con animales demuestran que los detectores de características parecen ser un desarrollo muy primitivo, es decir, no se originó a partir del desarrollo cognitivo superior de los humanos. No es de extrañar que también exista evidencia de que el cerebro humano posee estos detectores de características elementales. ^{[ 6 ] [ 7 ] [ 8 ]}

Además, esta arquitectura es capaz de aprender, de forma similar a una red neuronal de retropropagación . El peso entre los demonios cognitivos y de características se puede ajustar en proporción a la diferencia entre el patrón correcto y la activación de los demonios cognitivos. Siguiendo con nuestro ejemplo anterior, cuando aprendimos la letra R, sabemos que está compuesta por una línea curva, una línea recta larga y una línea corta en ángulo. Por lo tanto, cuando percibimos esas características, percibimos la R. Sin embargo, la letra P consta de características muy similares, por lo que durante las primeras etapas del aprendizaje, es probable que esta arquitectura identifique erróneamente la R como la P. Pero mediante la exposición constante a la confirmación de las características de la R para identificarla como R, los pesos de las características de la R con respecto a la P se ajustan de manera que la respuesta a la P se inhibe (por ejemplo, aprendiendo a inhibir la respuesta a la P cuando se detecta una línea corta en ángulo). En principio, una arquitectura de pandemonio puede reconocer cualquier patrón. ^{[ 9 ]}

Como se mencionó anteriormente, esta arquitectura realiza predicciones de error basadas en la cantidad de características superpuestas. Por ejemplo, el error más probable para R debería ser P. Por lo tanto, para demostrar que esta arquitectura representa el sistema de reconocimiento de patrones humano, debemos poner a prueba estas predicciones. Los investigadores han construido escenarios donde se presentan varias letras en situaciones que dificultan su identificación; luego se observaron los tipos de errores, que se utilizaron para generar matrices de confusión: donde se registran todos los errores para cada letra. En general, los resultados de estos experimentos coincidieron con las predicciones de error de la arquitectura Pandemonium. También como resultado de estos experimentos, algunos investigadores han propuesto modelos que intentaron enumerar todas las características básicas del alfabeto romano . ^{[ 10 ] [ 11 ] [ 12 ] [ 13 ]}

Una crítica importante a la arquitectura del pandemonio es que adopta un procesamiento completamente ascendente: el reconocimiento está totalmente impulsado por las características físicas del estímulo objetivo. Esto significa que no puede explicar ningún efecto de procesamiento descendente, como los efectos de contexto ( p. ej. , pareidolia ), donde las claves contextuales pueden facilitar el procesamiento (p. ej., efecto de superioridad de la palabra : es relativamente más fácil identificar una letra cuando forma parte de una palabra que cuando está aislada). Sin embargo, esta no es una crítica fatal a la arquitectura en general, porque es relativamente fácil agregar un grupo de demonios contextuales que trabajen junto con los demonios cognitivos para explicar estos efectos de contexto. ^{[ 14 ]}

Aunque la arquitectura del pandemonio se basa en la capacidad de explicar el fenómeno de constancia de la imagen, algunos investigadores han argumentado lo contrario, señalando que podría compartir las mismas deficiencias que los modelos de coincidencia de plantillas. Por ejemplo, la letra H se compone de dos líneas verticales largas y una horizontal corta; pero si la rotamos 90 grados en cualquier dirección, ahora se compone de dos líneas horizontales largas y una vertical corta. Para reconocer la H rotada como tal, necesitaríamos un demonio cognitivo para la H rotada. De este modo, podríamos terminar con un sistema que requiere un gran número de demonios cognitivos para lograr un reconocimiento preciso, lo que conllevaría la misma crítica de plausibilidad biológica que los modelos de coincidencia de plantillas. Sin embargo, es difícil juzgar la validez de esta crítica, ya que la arquitectura del pandemonio no especifica cómo ni qué características se extraen de la información sensorial entrante, sino que simplemente describe las posibles etapas del reconocimiento de patrones. Pero, por supuesto, esto plantea sus propias preguntas, y es casi imposible criticar un modelo así si no incluye parámetros específicos. Además, la teoría parece bastante incompleta sin definir cómo y qué características se extraen, lo que resulta especialmente problemático con patrones complejos (por ejemplo, extraer el peso y las características de un perro). ^{[ 4 ] [ 15 ]}

Algunos investigadores también han señalado que la evidencia que respalda la arquitectura del pandemonio ha sido muy limitada en su metodología. La mayoría de las investigaciones que apoyan esta arquitectura se han referido a su capacidad para reconocer dibujos esquemáticos simples seleccionados de un conjunto pequeño y finito (por ejemplo, letras del alfabeto romano). La evidencia de este tipo de experimentos puede llevar a conclusiones generalizadas y engañosas, ya que el proceso de reconocimiento de patrones complejos tridimensionales podría ser muy diferente al de los esquemas simples. Además, algunos han criticado la metodología utilizada para generar la matriz de confusión , porque confunde la confusión perceptiva (error de identificación causado por características superpuestas entre el error y la respuesta correcta) con la adivinación post-perceptiva (personas que adivinan al azar porque no pueden estar seguras de lo que vieron). Sin embargo, estas críticas se abordaron en cierta medida cuando se replicaron resultados similares con otros paradigmas (por ejemplo, tareas de ir/no ir y de igual/diferente), lo que respalda la afirmación de que los humanos sí poseen detectores de características elementales. Estos nuevos paradigmas se basaron en el tiempo de reacción como variable dependiente, lo que también evitó el problema de las celdas vacías inherente a la matriz de confusión (los análisis estadísticos son difíciles de realizar e interpretar cuando los datos tienen celdas vacías). ^{[ 8 ]}

Además, algunos investigadores han señalado que las teorías de acumulación de características, como la arquitectura del pandemonio, invierten casi por completo las etapas de procesamiento del reconocimiento de patrones. Esta crítica fue utilizada principalmente por los defensores de la teoría de lo global a lo local, quienes argumentaron y aportaron pruebas de que la percepción comienza con una visión borrosa del conjunto que se refina con el tiempo, lo que implica que la extracción de características no ocurre en las primeras etapas del reconocimiento. ^{[ 16 ]} Sin embargo, nada impide que un demonio reconozca un patrón global en paralelo con otros demonios que reconocen patrones locales dentro del patrón global.

La arquitectura Pandemonium se ha aplicado para resolver diversos problemas del mundo real, como la traducción de códigos Morse enviados a mano y la identificación de letras manuscritas. La precisión general de los modelos basados ​​en Pandemonium es impresionante, incluso con un breve período de aprendizaje. Por ejemplo, Doyle construyó un sistema basado en Pandemonium con más de 30 analizadores de características complejos. Posteriormente, alimentó su sistema con cientos de letras para su aprendizaje. Durante esta fase, el sistema analizó la letra de entrada y generó su propia salida (la identificación que el sistema hace de la letra). La salida del sistema se comparó con la identificación correcta, lo que envió una señal de error al sistema para ajustar los pesos entre los analizadores de características. En la fase de prueba, se presentaron letras desconocidas (con un estilo y tamaño diferentes a las presentadas en la fase de aprendizaje), y el sistema logró una precisión cercana al 90 %. Debido a su impresionante capacidad para reconocer palabras, todas las teorías modernas sobre cómo los humanos leen y reconocen palabras siguen esta estructura jerárquica: el reconocimiento de palabras comienza con la extracción de características de las letras, lo que luego activa los detectores de letras ^{[ 17 ]} (por ejemplo, SOLAR, ^{[ 18 ]} SERIOL, ^{[ 19 ]} IA, ^{[ 20 ]} DRC ^{[ 21 ]} ).

Basándose en la arquitectura original del pandemonio, John Jackson extendió la teoría para explicar fenómenos más allá de la percepción. Jackson propuso la analogía de una arena para explicar la " conciencia ". Su arena constaba de una tribuna, un campo de juego y una sub-arena. La arena estaba poblada por una multitud de demonios. Los demonios designados en el campo de juego eran los demonios activos, ya que representan los elementos activos de la conciencia humana. Los demonios en las tribunas vigilaban a los del campo de juego hasta que algo los excitaba; cada demonio se excitaba con cosas diferentes. Cuanto más se excitaban los demonios, más fuerte gritaban. Si un demonio gritaba más allá de un umbral determinado, se unía a los demás demonios en el campo de juego y realizaba su función, lo que a su vez podía excitar a otros demonios, y este ciclo continuaba. La sub-arena en la analogía funcionaba como el mecanismo de aprendizaje y retroalimentación del sistema. El sistema de aprendizaje aquí es similar a cualquier otra red neuronal, es decir, modificando la fuerza de la conexión entre los demonios; en otras palabras, cómo los demonios responden a los gritos de los demás. Este enfoque de múltiples agentes para el procesamiento de información humana se convirtió en el supuesto de muchos sistemas modernos de inteligencia artificial. ^{[ 22 ] [ 23 ]}

• Aprendizaje competitivo
• Aprendizaje en conjunto
• Mapa autoorganizado
• Conexionismo
• teoría de la integración de características
• Sistema adaptativo
• Sistema de pizarra