Bir duvar eklendikten sonra iki oda hâlâ birbirine bağlı mı? Bir hayvan çitin içinde mi? Gerçek bir düğüm ile dolanmış bir ilmek arasındaki fark ne? Birkaç ipi, birbirinin içinden geçirmeden yeniden düzenleyebilir misin?

Bu sorular üç boyutlu topolojiyi ilgilendiriyor: kesin mesafelere, açılara ya da biçimlere değil, nesneler bükülüp gerilse bile sürüp giden yapısal ilişkilere dayanan bir uzamsal anlayış.

Neden ölçülmemiş bir alan

Bağlantılılık, çevreleme, sıralama ve düğümlülük bu tür topolojik özellikler. Bilişsel bilimde insan uzamsal anlayışının temel katmanı sayılıyorlar; ama çok kipli yapay zeka sistemlerinin değerlendirilme biçiminde neredeyse hiç yer almıyorlar.

Çok kipli modeller için yapılan uzamsal değerlendirmelerin çoğu Öklidyen özelliklere odaklanıyor: mesafe, yön, boyut ve göreli konum. Microsoft Research'ün yeni ölçütü MindTopo, Piaget'nin ve bilişsel yazının topolojik yetenek sınıflandırmasından esinlenerek başka bir katmanı ölçüyor.

İki ayrı beceri

Ölçütün tasarımındaki asıl fikir, iki şeyi ayırmak:

  • Tanıma: Model durağan bir görüntüdeki topolojik ilişkiyi görebiliyor mu — bağlantılı bir yol, çevrelenmiş bir alan, bir düğüm?
  • Koruma ve işleme: Model bu ilişkileri bir eylem dizisi boyunca sürdürebiliyor ve değiştirebiliyor mu?

Bulgu net: mevcut çok kipli modeller durağan tanımada, etkileşimli görevlere kıyasla çok daha başarılı. Bu da topolojiye dair tutarlı bir anlayışı zaman içinde koruyamadıklarını gösteriyor.

Hata nerede oluşuyor

Çalışmanın en anlamlı ayrıntısı, başarısızlığın hangi aşamada ortaya çıktığı. Hatalar çoğunlukla algıda değil planlamada beliriyor.

Modeller sahne değiştikçe yapısal ilişkilerin izini kaybediyor ya da fiziksel kısıtları çiğneyen eylemler öneriyor. Yani model başta düğümü doğru tanıyor; ama onu çözme adımlarını planlarken düğümün ne olduğunu unutmuş gibi davranıyor.

Araştırmacıların ifadesiyle, tek bir sahnede bağlantılı bir yolu, çevrelenmiş bir bölgeyi ya da bir düğümü bazen doğru tanımlayabiliyorlar; ama model sahneyi bir eylem dizisiyle değiştirmek zorunda kaldığında bu anlayış çoğu zaman çöküyor.

Neden önemli

Bulgunun asıl adresi robotik ve etkileşimli ortamlar. Neyin bağlı, neyin çevrelenmiş, neyin sıralı ya da düğümlü kaldığını anlamak, bu alanlarda güvenilir karar vermenin ön şartı.

Bir robot kolun kabloyu düzenlerken kabloyu kendi etrafına dolamaması, bir gezinme sisteminin kapatılan bir kapıdan sonra hangi odaların hâlâ erişilebilir olduğunu bilmesi — ikisi de topolojik akıl yürütme gerektiriyor ve ikisi de durağan bir görüntüyü doğru okumakla çözülmüyor.

Ölçütün kendisi neden yeni

MindTopo'nun asıl katkısı bulduğu eksiklik değil, o eksikliği görünür kılan tasarımı. Aynı topolojik ilişkiyi hem durağan hem etkileşimli olarak sorunca, tek bir doğruluk yüzdesinin gizlediği fark ortaya çıkıyor.

Bu, son dönemde tekrarlanan bir yöntem tercihi: modelin neyi bilmediğini değil, bildiği şeyi ne zaman kaybettiğini ölçmek. Aynı ayrımı Google Research'ün bilgi profillemesi çalışmasında da görmüştük — orada da model gerçeği biliyordu ama geri çağıramıyordu.

Ölçütün sınırı da açık: MindTopo bir yeteneği ölçüyor, o yeteneğin nasıl kazandırılacağını söylemiyor. Ama planlama aşamasında koptuğunu bilmek, çözümü nerede arayacağını da söylüyor.