Introducción al conocimiento conectivo: Asociacionismo

Otra más.  Nueva sección de mi traducción de An introduction to connective knowledge de Stephen Downes, esta vez sobre asociacionismo.   Vamos al grano:

——–

Una introducción al Conocimiento Conectivo

por Stephen Downes (traducción: Diego Leal)

a. Tipos de conocimiento

b. Interpretación

c. Emergencia

d. Fisicalidad

e. Prominencia e inferencia

f. Asociacionismo

Este proceso de inferencia tiene su historia en la filosofía bajo el título de “asociacionismo”, un tipo de razonamiento asociado (hasta el advenimiento del positivismo lógico) con la filosofía empírica y personas como Hume y Mill.

La idea central del asociacionismo es la siguiente: dos cosas que son relevantemente similares se conectan en la mente. Esta conexión o asociación a su vez permite que un conocimiento sobre una de ellas sea inferido de la otra. Por lo tanto, si experimentamos una criatura parecida-a-un-tigre y trató de comernos, entonces, cuando vemos a otra criatura parecida-a-un-tigre relevantemente similar, somos llevados (como diría Hume, de forma natural y sin sentido) a creer que tratará de comernos también. Con el tiempo, un complejo de creencias sobre las criaturas parecidas-a-un-tigre se forma y ​​algunas, de hecho, se tornan lo suficientemente fuertes como para que podamos contemplar una nueva (y peligrosa) categoría de entidad, dado el nombre “tigre”.

Distintos tipos de asociacionismo existen, desde la asociación de impresiones postulada por Hume hasta la similitud de fenómenos descrita por Tversky [12]. Dos tipos principales de asociacionismo son relevantes para nosotros aquí:

El primero es el asociacionismo simple, a veces conocido como “el asociacionismo de Hebb” [13] , que se postula a ser (y probablemente es) fundamental en la formación de conexiones neuronales en la mente (su aplicabilidad al mundo fuera de la mente es mucho menos evidente). El principio, en concreto, es que si dos neuronas disparan al mismo tiempo, una conexión tenderá a formarse entre ellas. Esto es, por supuesto, una hipótesis de tipo “excluyendo todo lo demás”: las neuronas tienen que ser el tipo de neuronas que pueden formar conexiones, es necesario que haya algún tipo de proximidad entre ellas, y necesitan ser (computacionalmente y físicamente) compatibles entre sí. Muy parecido a una historia de amor.

El segundo puede ser clasificado bajo el (inadecuado) título de asociacionismo de Boltzmann [14]. Derivado de la idea de la máquina de Boltzmann, este tipo de asociacionismo es una expresión de (algo así como) las fuerzas termodinámicas. Piense en ello como la red tratando de asentarse en un estado “balanceado” o “armonioso”. La idea detrás del asociacionismo de Boltzmann es que una cierta cantidad de energía aplicada a un sistema creará una cierta cantidad de cinética – en otras palabras, su cerebro sigue pensando a pesar de no recibir entradas. En ausencia de influencias externas que causen conexiones de Hebb, el cerebro se asienta en una configuración (termodinámicamente) estable.

Si tales modos de asociacionismo o cualquier otro método de formación de conexiones están operando dentro de un sistema particular es una pregunta de observación empírica. Probablemente, en cualquier sistema dado, será una combinación. Y como antes, además de los mecanismos específicos de construcción de conexiones serán necesarios factores posibilitadores, tales como la proximidad, y factores de corrección, como es descrito por la retropropagación [15].

Entendemos la similitud lo bastante bien en relación con la cualidad y la cantidad. Las cosas pueden ser más o menos parecidas – grandes, redondas y de color naranja, por ejemplo. Y podemos ver cómo, a través de esta similitud, puede formarse una asociación – nuestra percepción de (lo que interpretamos como) dos fenómenos diferentes de color naranja nos lleva a generar una asociación entre ellos. Las cantidades, también, están asociadas: nunca hemos experimentado una lluvia de seis pulgadas de leche, pero podemos imaginar fácilmente cómo sería, con base en nuestras experiencias con seis pulgadas de agua.

En el caso de las conexiones, el concepto de similitud es menos intuitivo, pero se divide en dos categorías principales:

En primer lugar, podemos decir que dos entidades son conectivamente similares si comparten conexiones con el mismo conjunto de entidades. Por ejemplo, Michael y yo podemos ser conectivamente similares, incluso si nunca nos hemos conocido, si compartimos el mismo grupo de amigos. Por supuesto, tal similitud hace que sea más probable que una conexión se forme entre nosotros: pero es importante tener en cuenta la direccionalidad aquí. La similitud precede a la conexión.

En segundo lugar, podemos decir que dos entidades son conectivamente similares si comparten conjuntos de conexiones similares. Por ejemplo, Paul y Michelle pueden ser activistas políticos, pero trabajando para diferentes partidos políticos. En tal caso, ellos compartirán los mismos tipos de conexiones, pero con diferentes conjuntos de amigos. Tales conjuntos de conexiones son (más o menos) isomorfas. Vale la pena señalar que este isomorfismo tenderá a conducir a una conexión entre los dos grupos (los partidos políticos tienden a interactuar con otros partidos políticos, pero mucho menos con los equipos de hockey), lo que a su vez conduce de nuevo a conexiones entre los miembros.

Notas y referencias

[12]   Amos Tversky. 2003. Preference, Belief, and Similarity: Selected Writings. MIT Press.

[13]   Pim Haselager. 1999. Neurodynamics and the Revival of Associationism in Cognitive Science. In A. Riegler, M. Peschl, & A. Von Stein (Eds.), Understanding Representation in the Cognitive Sciences. Kluwer Academic / Plenum Publ. http://www.nici.kun.nl/~haselag/publications/NeuroAssoc99.pdf

[14]   G.E. Hinton and T.J. Sejnowski. 1989. Learning and Relearning in Boltzmann Machines. In David E. Rumelhart and James L. McClelland, Parallel Distributed Processing: Explorations in the Microstructure of Cognition, Volume 1. MIT Press.

[15]   D.E. Rumelhart, G.E. Hinton, and R.J.Williams. 1989. Learning Internal Representations by Error Propagation. In David E. Rumelhart and James L. McClelland, Parallel Distributed Processing: Explorations in the Microstructure of Cognition, Volume 1. MIT Press.

———-

Esencialmente, lo que está detrás de este fragmento tiene que ver con isomorfismo (que en sí mismo es un área de estudio bastante grande).  Es importante resaltar que, aunque Stephen habla de isomorfismo, tal vez la única forma de verificar tal condición es mediante representaciones de las entidades y conexiones.  Esto es, mediante un grafo (o una representación equivalente). El asunto es que, cuando se trata de grafos, el problema del isomorfismo no es sencillo, y mucho menos si estamso hablando del volumen de entidades y conexiones existentes en, por ejemplo, un partido político.

Así que podríamos decir que este fragmento es especulativo, pues no contamos a gran escala con los mecanismos para verificar el isomorfismo.  Podemos, a un nivel global, reconocer un patrón que se repite (y que nos permite decir que este es un partido político y no un equipo de hockey), pero todavía (hasta donde sé) no es tan sencillo hablar de verificar el isomorfismo a gran escala (tomando conjuntos completos de entidades y conexiones).

Por supuesto, eso no quiere decir que no sea posible verificar hasta qué punto Paul, Michelle o Michael son conectivamente similares. De eso se trata, justamente, una plataforma como Facebook, y eso es lo que está detrás de la promesa de la publicidad focalizada.  Un sistema de recomendación suele operar, en esencia, identificando esos isomorfismos entre entidades.

Por ejemplo, para el caso de Amazon hay múltiples grafos subyacentes, que me conectan a mi (como usuario de un navegador web) con las consultas que he realizado en un período de tiempo y mi (como individuo) con las compras que he realizado.  Obviamente, hay un ‘bonus’ de información para Amazon si, además de consultar, estoy registrado en ese momento.  En términos sencillos, si Pedro ha comprado un conjunto similar de libros o ha realizado un conjunto similar de búsquedas a los míos (esto es, si nuestros grafos son parcialmente isomorfos), hay una mayor probabilidad de que las cosas que no coinciden en nuestros grafos sean de interés para el otro. Libros que Pedro compró, en categorías similares a las que yo compro, podrían ser de interés para mi.

O tome el caso de Facebook.  Cuando esta plataforma me sugiere “personas que  podría conocer”, lo que está haciendo es evaluar conjuntos de conexiones entre entidades, e identificando aquellas conexiones que podrían estar faltando.  Cada click que hacemos fortalece la cuantificación de un lazo existente.  Si identifico a ciertas personas en fotografías y yo estoy con ellas, y esas personas están en otras fotos en las que yo no estoy con otras personas, existe una probabilidad de que yo conozca a estas últimas.  Cuando aceptamos las sugerencias de Facebook, ayudamos al algoritmo a mejorar. Pero al mismo tiempo, le estamos entregando información valiosa acerca de nuestros contactos (y por ende, sus gustos) y, en consecuencia, sobre nuestros propios hábitos.  Es por eso que evito compartir fotos en Facebook.. 🙂

La charla TED de Eli Pariser, que tanta divulgación obtuvo el año anterior, habla justamente de una consecuencia (entre tantas) de esos procesos de identificación de la información y hábitos individuales, y de lo que ocurre cuando el software empieza a decidir qué es lo que me interesa, esto es, cuando la representación de las conexiones es usada para generar visiones parciales (filtradas) del mundo.

El asunto se pone aún más inquietante. Hay una razón por la cual ya no uso gmail, y es que hace unos años escribí un correo para alguien, hablando sobre unas pruebas de impresión.  De inmediato, los anuncios comerciales tenían que ver con papeles, servicios de impresión, etc. Eso tampoco es nuevo, y de hecho se indica de manera clara en la interfaz de gmail.  Y aunque uno podría ocultar los anuncios usando cosas como Ad Block Plus, el punto es que cualquier cosa que escribimos (y todos los clicks que hacemos) están siendo analizados con un único fin: vender mejor.

Por supuesto, no hay una salida sencilla para esta situación. Es clara la dificultad de mantenerse al margen de esto (y sería ingenuo pensar que es sencillo hacerlo) y sin duda obtenemos innumerables beneficios gracias a estas tecnologías y a este monitoreo constante (¿o no?). Pero es importante no perder de vista la motivación que sigue detrás, para no terminar pasando por ingenuos o por meras cajas de resonancia.

Así que esa es una posible aplicación de entender la similitud cuando hablamos de conexiones.  En todo caso, Stephen está hablando aquí de sistemas complejos adaptativos (las redes sociales humanas son un ejemplo de ellos) y empieza a sugerir las implicaciones que tal mirada puede tener.  No entiendo aún muy bien la elección que hace de los dos tipos de asociacionismo (¿por qué no otros? ¿hay más?), pues no percibo que existan unas diferencias tan fuertes entre ellos.  Ahora, es importante tener presente que, al menos en este fragmento, Stephen está sugiriendo algo que tendría que ser justificado más adelante: que hay una equivalencia (para no usar de nuevo la palabra isomorfismo) entre lo que ocurre en la mente y lo que ocurre en la red externa.  Los dos tipos de asociacionismo presentados tienen que ver con la mente, pero los ejemplos elegidos al final son de redes sociales.

Es claro que presentar un ejemplo de similitud basado en el cerebro es difícil (y puede volverse bastante técnico), pero la implicación es importante.  Parafraseando a otra área (bastante ajena), como afuera es adentro y como adentro es afuera.  Reconocemos en el entorno los patrones que podemos identificar según nuestras conexiones neuronales pero, cuando el entorno cambia, nuestras conexiones cambian.  Y cuando nuestras conexiones cambian, podemos percibir nuevas cosas en el entorno.  Hay una retroalimentación constante.

Stephen no indica, en todo caso, cómo operan los dos tipos de asociacionismo cuando se trata de conexiones entre humanos. Pero podemos dejar pasar este detalle recordando que, después de todo, estamos hablando acerca del conocimiento. Los siguientes fragmentos profundizarán un poco más en esta distinción/equivalencia entre el adentro (la red neuronal) y el afuera (la red social externa).