Przedwczoraj znowu szukałem okularów. Byłem o krok od użycia najpotężniejszej techniki szukania znanej ludzkości, czyli od poproszenia mojej żony o pomoc, ale w ostatniej chwili powstrzymałem się a zamiast tego użyłem innej techniki. Przypomniałem sobie, gdzie kiedyś zapodziałem słuchawki i gdzie wtedy znalazła je żona. Oczywiście, były pod krzesłem w sypialni. Przywalone stertą książek i starych papierów. Okazało się, że okulary były w tej samej okolicy. Podobnej techniki użyłaby sztuczna inteligencja, gdyby ją zaprogramować do wyszukiwania zapodzianych rzeczy i jest nawet praca naukowa a w zasadzie eksperyment informatyczny, który to opisuje.

Zespół informatyczny z Uniwersytetu Stanforda stworzył wirtualny eksperyment w ramach którego stworzyli model mieszkania z wyposażeniem i rzeczami osobistymi a w nim umieścili agenta, czyli wirtualnego robota, który dostał zadanie odnajdywania zgubionych rzeczy. Gubieniem rządził mechanizm Dynamic House Simulator (creates diverse dynamic graphs following the semantic patterns typically seen at homes). Skuteczność wyszukiwania była zupełna. Success rate tą metodą wynosiła 1.00 na 10 tysięcy symulacji.

Podstawą działania był ten model:

• jeśli mieszkanie i pomieszczenia są grafami
• i jeśli przedmioty (buty, okulary, klucze, czapki itd) również są grafami
• to w czasie będą się te grafy przecinać tworząc węzły
• momenty przecięcia się linii – czyli te węzły – będą tworzyły historię wędrówek przedmiotów po mieszkaniu
• typowa historia wędrówek przedmiotów (bo przecież większość przedmiotów przez większość czasu się nie gubi) będzie tworzyć zależności między pomieszczeniami a przedmiotami. Np.: ręcznik przeważnie wędruje tylko z pralni do łazienki i odwrotnie. Czasem tylko „wyjdzie” na moment do sypialni, ale potem wraca do łazienki. W ten sposób sieć neuronowa w kontekście dyslokacji przedmiotów w pewnym sensie rozumie znaczenie pomieszczeń.
• oprócz spotkania przedmiotu i pomieszczenia istotny jest też czas: dawno/niedawno i długo/niedługo.

Tym modelem możemy się i my inspirować w naszym szukaniu zgubionych czy zapodzianych rzeczy. Niestety szukanie w przypadku robota/agenta wygląda już zupełnie inaczej niż w przypadku ludzi, bo jego wyspecjalizowana, wąska pamięć jest dużo skuteczniejsza.

Szukanie przedmiotu w wykonaniu agenta wyglądało tak, że zaczynał tropienie przedmiotu od wyznaczenia prawdopodobnej drogi przedmiotu po mieszkaniu. Załóżmy, że szukamy kluczy. I załóżmy, że początek poszukiwań kluczy będzie w przedpokoju. Agent zaczyna więc szukać kluczy a następnie podąża drogą, którą wyznacza mu historia ostatnich kilkudziesięciu przypadków wędrówki kluczy po mieszkaniu.

Agent z reguły w pierwszym, góra drugim podejściu prawidłowo odgadywał, jak klucze wędrowały po mieszkaniu i potrzebował do ich znalezienia przejść przez nie więcej niż 30 miejsc. Na ok 10 tysięcy prób, za każdym razem w końcu znajdował przedmiot. Wydaje mi się, że ja przynajmniej, gdy gubię przedmioty we własnym mieszkaniu, nie jestem aż tak kreatywny w gubieniu, że aż 30 różnych miejsc należałoby sprawdzić. Obstawiam, że połowa tego już pozwoliłaby odnaleźć dowolny przedmiot w mieszkaniu M4.

Sieć neuronowa na podstawie historii obserwacji wędrówek przedmiotów po mieszkaniu była w stanie generować trafne przypuszczenia, gdzie szukać przedmiotu. Jednocześnie warto dodać, że scenariusze gubienia również zakładały, że przedmioty gubią się również wg. wzoru. Gubienie w tej grze de facto było sytuacją, gdy sieć neuronowa nie zna ostatniego położenia przedmiotu, bo został przeniesiony do innego, związanego z tym przedmiotem miejsca. Jednego z wielu takich miejsc.

To bardzo ciekawe założenie, które jest prawdziwe – przynajmniej wg. mojego, bardzo obszernego doświadczenia osoby nieustannie coś gubiącej. Faktycznie, spora część przypadków zgubienia nie jest zgubieniem – aktem porzucenia w zupełnie dziwnym miejscu, ale jest defektem pamięci. Przedmiot spoczywa w miejscu lekko oryginalnym, ale nie totalnie randomowym. Czy ten model zadziałałby nie tylko w symulacji, ale również w realu?

W życiu, co potwierdzą Siostry i Bracia w Gubieniu, istnieje najbardziej tajemnicza klasa przypadków czy obiektów, które bezpowrotnie giną w sposób najbardziej tajemniczy. Jak mawiał Sherlock Holmes, po wykluczeniu tego, co niemożliwe, to co pozostanie musi być prawdą, choćby było niewiarygodne. Wykluczmy więc inny wymiar, który wciąga po jednej skarpetce, zostawiając drugą.

A może w takich przypadkach przyczyną bezpowrotnego zgubienia czegoś w domu jest to, że z jakiegoś powodu bezwiednie przenieśliśmy zgubioną rzecz z ostatniego, logicznego miejsca zapodziania do kolejnego, tym razem nielogicznego miejsca zapodziania. Przykład? Wpadła mi niedawno mała słuchawka do buta. Buta sportowego na siłowni. Przypadkiem ją wytrząsnąłem. Gdybym tego nie zrobił, to słuchawka w bucie weszła by do torby. A ja bym nigdy nie wpadł na to, że słuchawka zgubiona w mieszkaniu, wyniesiona w bucie, zgubi się gdzieś indziej. Krótko mówiąc, może na koniec gubimy to coś poza domem? Albo gubimy do następnego remontu? Czas oczekiwania na znalezienie ok 10-15 lat?

Jeden z poradników, jak znajdować zgubione rzeczy radzi, żeby w mieszkaniu szukać zgubionych rzeczy nie tylko w najbardziej prawdopodobnym miejscu, ale też w jego okolicy. Od razu powiem, że choć ta rada rewelacyjnie brzmi, to nie pomaga tak bardzo, jakby się mogło wydawać. Najbardziej pomogła mi inna rada – żeby nie panikować, jak coś zgubię. Spokój pomaga przetrwać pierwsze 12 godzin. A potem przeważnie rzeczy się znajdują. Pomaga też cykliczne robienie porządku wokół siebie, bo na pustej powierzchni ciężko coś zgubić.

Wracając do opisywanego eksperymentu, to zastosowanie tego modelu niestety chyba jest niemożliwe w świecie realnym – jakkolwiek kuszące dla osób, które ciągle gubią. Możemy rzeczywiście założyć, że nawet gdybyśmy mieli kamery w domu oraz sieć neuronową, która analizuje obraz i wędrówkę przedmiotów, to faktycznie w iluś przypadkach część przedmiotów z racji rozmiaru czasem byłaby niezauważona i zgubiona. Wtedy inna sieć neuronowa zamiast analizy obrazu użyłaby predykcji węzłów i mamy odnalezione klucze. Kamery, trenowane sieci neuronowe, algorytmy – to brzmi dość drogo i traci się prywatność we własnym mieszkaniu. Jeśli nie gubimy drogich zegarków lub najdroższych telefonów, to skórka nie warta wyprawki.

A może zamiast tego dałoby się nauczyć sieć neuronową na danych z setek, tysięcy prawdziwych lub wirtualnych/syntetycznych mieszkań a następnie powstaje model wnioskowania – appka, która pomaga znaleźć przedmiot po wpisaniu danych? Wpisz przedmiot, wpisz liczbę pokojów, opisz funkcję pomieszczenia, opisz ile czasu tam spędzasz itd. I zapewne okazałoby się, że w tym jak gubimy i znajdujemy rzeczy jesteśmy do siebie bardzo podobni. Miałaby ona, jak podejrzewam, wymiar terapeutyczny, to znaczy uczyłaby gubiące osoby, jak szukać. Po pewnym czasie znajdowalibyśmy sami. Szukajcie a znajdziecie? Znajdziecie, bo szukaliście.

Byłbym gotów zapłacić zawstydzająco duży abonament za taką skuteczną usługę.

A Wy?