Здравый смысл (искусственный интеллект)
В искусственного интеллекта исследованиях здравый смысл состоит из фактов из повседневного мира, таких как «Лимоны кислые» или «Коровы говорят му», которые, как ожидается, будут знать все люди. В настоящее время это нерешенная проблема в области искусственного интеллекта . Первой программой искусственного интеллекта, обращающейся к знаниям здравого смысла, была программа Advice Taker, в 1959 году разработанная Джоном Маккарти . [1]
Знания здравого смысла могут лежать в основе процесса рассуждений, основанного на здравом смысле , для попыток сделать такие выводы, как «Вы можете испечь торт, потому что хотите, чтобы люди его съели». попытаться ответить К базе знаний здравого смысла можно присоединить процесс обработки естественного языка, чтобы база знаний могла на вопросы о мире. [2] Здравый смысл также помогает решать проблемы в условиях неполной информации . Используя широко распространенные представления о повседневных объектах или знания здравого смысла , системы ИИ делают предположения здравого смысла или предположения по умолчанию о неизвестном, подобно тому, как это делают люди. В системе искусственного интеллекта или на английском языке это выражается как «Обычно P выполняется», «Обычно P» или «Обычно P, поэтому предположим, что P». Например, если мы знаем тот факт, что «Твити — это птица», поскольку мы знаем широко распространенное мнение о птицах «обычно птицы летают», не зная ничего больше о Твити, мы можем разумно предположить тот факт, что «Твити может летать». " По мере того, как со временем обнаруживается или изучается все больше знаний о мире, система ИИ может пересматривать свои предположения о Твити, используя процесс поддержания истины . Если позже мы узнаем, что «Твити — пингвин», то поддержание истины пересматривает это предположение, потому что мы также знаем, что «пингвины не летают».
Рассуждения здравого смысла
[ редактировать ]Рассуждения, основанные на здравом смысле, моделируют способность человека использовать знания здравого смысла, чтобы делать предположения о типе и сути обычных ситуаций, с которыми они сталкиваются каждый день, и менять свое «сознание», если появляется новая информация. Сюда входит время, отсутствующая или неполная информация, а также причина и следствие. Способность объяснять причину и следствие — важный аспект объяснимого ИИ . Алгоритмы поддержания истины автоматически предоставляют возможность объяснения, поскольку они создают тщательно продуманные записи предположений. По сравнению с людьми, все существующие компьютерные программы, пытающиеся создать искусственный интеллект человеческого уровня, крайне плохо справляются с современными тестами на «здравый смысл», такими как Winograd Schema Challenge . [3] Проблема достижения компетентности человеческого уровня в задачах «здравого смысла» считается, вероятно, « полностью ИИ » (то есть для ее решения потребуется способность синтезировать интеллект полностью человеческого уровня). [4] [5] хотя некоторые выступают против этого понятия и считают, что для ИИ человеческого уровня также необходим сострадательный интеллект. [6] Рассуждения здравого смысла успешно применяются в более ограниченных областях, таких как обработка естественного языка. [7] [8] и автоматическая диагностика [9] или анализ. [10]
Создание базы знаний здравого смысла
[ редактировать ]Составление комплексных баз знаний утверждений здравого смысла (CSKB) является давней проблемой в исследованиях ИИ. Благодаря ранним усилиям экспертов, таких как CYC и WordNet , значительные успехи были достигнуты благодаря краудсорсинговому проекту OpenMind Commonsense , который привел к созданию краудсорсинговой базы знаний ConceptNet. Несколько подходов пытались автоматизировать построение CSKB, в первую очередь с помощью интеллектуального анализа текста (WebChild, Quasimodo, TransOMCS, Ascent), а также их сбора непосредственно из предварительно обученных языковых моделей (AutoTOMIC). Эти ресурсы значительно больше, чем ConceptNet, хотя автоматизированное создание в большинстве случаев делает их умеренно более низкого качества. Также остаются проблемы с представлением здравого смысла: большинство проектов CSKB следуют тройной модели данных, которая не обязательно лучше всего подходит для взлома более сложных утверждений естественного языка. Заметным исключением здесь является GenericsKB, который не применяет дальнейшей нормализации к предложениям, но сохраняет их полностью.
Приложения
[ редактировать ]Примерно в 2013 году исследователи Массачусетского технологического института разработали BullySpace, расширение базы знаний здравого смысла ConceptNet , чтобы улавливать насмешливые комментарии в социальных сетях. BullySpace включил более 200 семантических утверждений, основанных на стереотипах, чтобы помочь системе сделать вывод, что комментарии типа «Надень парик и помаду и будь тем, кто ты есть на самом деле» с большей вероятностью будут оскорблением, если они адресованы мальчику, чем девочке. [11] [12] [13]
ConceptNet также использовался чат-ботами. [14] и компьютерами, сочиняющими оригинальные художественные произведения. [15] В Ливерморской национальной лаборатории имени Лоуренса знания здравого смысла были использованы в интеллектуальном программном агенте для обнаружения нарушений договора о всеобъемлющем запрещении ядерных испытаний . [16]
Данные
[ редактировать ]Например, по состоянию на 2012 год ConceptNet включает в себя 21 независимое от языка отношение: [17]
- IsA (« РВ » — «транспортное средство»)
- ИспользуетсяДля
- HasA (« У кролика » есть « хвост »)
- CapableOf
- Желания
- CreatedBy (« торт » можно создать путем « выпекания »)
- Часть
- Причины
- РасположенРядом
- AtLocation (где-то « Повар » может быть в « ресторане »)
- Определено как
- СимволOf ( X представляет Y )
- ReceivesAction («торт» можно « съесть »)
- HasPrequire ( X не может выполнить Y, пока A не выполнит B )
- MotivatedByGoal (Вы бы «испекли», потому что хотите «есть»)
- ПричиныЖелание («выпечка» вызывает желание «следовать рецепту »)
- СделаноИз
- HasFirstSubevent (первое, что требуется, когда вы делаете X, — это чтобы объект Y выполнил Z )
- HasSubevent («есть» имеет подсобытие «глотать»)
- HasLastSubevent
Базы знаний здравого смысла
[ редактировать ]- Цикл
- Open Mind Common Sense (источник данных) и ConceptNet (хранилище данных и механизм НЛП)
- Квазимодо [18]
- Вебчайлд [19]
- КортежКБ [20]
- Истинное Знание
- График [ нужна ссылка ]
- Восхождение++ [21]
См. также
[ редактировать ]- Здравый смысл
- Связанные данные и семантическая сеть
- Поддержание истины или поддержание разума
- Онтология
Ссылки
[ редактировать ]- ^ «ПРОГРАММЫ СО ЗДРАВЫМ СМЫСЛОМ» . www-formal.stanford.edu . Проверено 11 апреля 2018 г.
- ^ Лю, Хьюго и Пуш Сингх. «ConceptNet — практический набор инструментов для рассуждений, основанных на здравом смысле». Технологический журнал BT 22.4 (2004): 211-226.
- ^ «Вызов схемы Винограда» . cs.nyu.edu . Проверено 9 января 2018 г.
- ^ Ямпольский, Роман В. «10.1.1.232.913.pdf#page=102 AI-полная, AI-сложная или AI-простая классификация проблем в ИИ AI-простая классификация проблем в ИИ].» МАИКС 2012.
- ^ Андрич К., Новосел Л. и Хрнкас Б. (2009). Знание здравого смысла . Поиск и получение информации, 2009.
- ^ Мейсон, Синди (27 сентября 2010 г.). «Логический путь к искусственному интеллекту человеческого уровня ведет в тупик» . 2010 Четвертая международная конференция IEEE по самоадаптирующимся и самоорганизующимся системам . Том. 32. стр. 57–95. дои : 10.1109/SASOW.2010.63 . ISBN 978-1-4244-8684-7 . S2CID 13030524 .
- ^ Чутима, Бунтум-Денеке (31 декабря 2011 г.). Междисциплинарные достижения в области прикладной обработки естественного языка: проблемы и подходы: проблемы и подходы . IGI Global. ISBN 978-1-61350-448-2 .
- ^ Дэвис, Эрнест (10 июля 2014 г.). Репрезентации здравого знания . Морган Кауфманн. ISBN 978-1-4832-2113-7 .
- ^ Райтер, Раймонд (1 апреля 1987 г.). «Теория диагностики из первых принципов». Искусственный интеллект . 32 (1): 57–95. CiteSeerX 10.1.1.170.9236 . дои : 10.1016/0004-3702(87)90062-2 . ISSN 0004-3702 . S2CID 15629917 .
- ^ Галлимор, Р.Дж.; Дженнингс, Северная Каролина; Ламба, ХС; Мейсон, CL; Оренштейн, Б.Дж. (1999). «Сотрудничающие агенты для интерпретации трехмерных научных данных» (PDF) . Транзакции IEEE в системах, человеке и кибернетике. Часть C: Приложения и обзоры . 29 : 110–126. дои : 10.1109/5326.740674 .
- ^ Базелон, Эмили (март 2013 г.). «Как остановить хулиганов» . Атлантика . Проверено 9 января 2018 г.
- ^ Динакар, Картик; Джонс, Бираго; Хаваси, Кэтрин; Либерман, Генри; Пикард, Розалинда (1 сентября 2012 г.). «Обоснование здравого смысла для обнаружения, предотвращения и смягчения последствий киберзапугивания». Транзакции ACM в интерактивных интеллектуальных системах . 2 (3): 1–30. CiteSeerX 10.1.1.693.8065 . дои : 10.1145/2362394.2362400 . S2CID 5560081 .
- ^ «Системы искусственного интеллекта могут бороться с киберзапугиванием» . Новый учёный . 27 июня 2012 года . Проверено 9 января 2018 г.
- ^ «Я верю, что для людей станет совершенно нормальным заниматься сексом с роботами» . Newsweek . 23 октября 2014 года . Проверено 9 января 2018 г.
- ^ «Рассказано роботом: художественная литература, рассказанная компьютерами» . Новый учёный . 24 октября 2014 года . Проверено 9 января 2018 г.
- ^ Мейсон, CL (1995). «Умный помощник для проверки договора о запрещении ядерных испытаний». Эксперт IEEE . 10 (6): 42–49. дои : 10.1109/64.483116 .
- ^ Шпеер, Роберт и Кэтрин Хаваси. « Представление общих реляционных знаний в ConceptNet 5 ». ЛРЭК. 2012.
- ^ Ромеро, Жюльен; Разневски, Саймон (2019). «Свойства здравого смысла из журналов запросов и форумов ответов на вопросы». Материалы 28-й Международной конференции ACM по управлению информацией и знаниями . стр. 1411–1420. arXiv : 1905.10989 . Бибкод : 2019arXiv190510989R . дои : 10.1145/3357384.3357955 . ISBN 9781450369763 . S2CID 166228420 .
- ^ Тандон, Никет; Де Мело, Жерар (2014). «WebChild: сбор и организация здравых знаний из Интернета» (PDF) . Материалы 7-й международной конференции ACM по веб-поиску и интеллектуальному анализу данных (PDF) . стр. 523–532. дои : 10.1145/2556195.2556245 . ISBN 9781450323512 . S2CID 3088903 . Проверено 30 марта 2020 г.
- ^ Мишра, Бхавана Далви; Тандон, Никет (2017). «Высокоточное извлечение знаний, ориентированное на предметную область» . Труды Ассоциации компьютерной лингвистики . 5 : 233–246. дои : 10.1162/tacl_a_00058 .
- ^ Нгуен, Туан-Фонг; Разневский, Саймон; Ромеро, Жюльен; Вейкум, Герхард (2022). «Уточненные здравые знания из крупномасштабного веб-контента». Транзакции IEEE по знаниям и инженерии данных : 1–16. arXiv : 2112.04596 . дои : 10.1109/TKDE.2022.3206505 . S2CID 245005887 .