Commonsense-kunskap (artificiell intelligens)

Inom forskning om artificiell intelligens består sunt förnuftskunskap av fakta om den vardagliga världen, som "Citroner är sura", eller "Kossor säger mums", som alla människor förväntas känna till . Det är för närvarande ett olöst problem inom artificiell allmän intelligens . Det första AI-programmet som tog upp kunskap om sunt förnuft var Advice Taker 1959 av John McCarthy .

Kunskap om sunt förnuft kan underbygga ett sunt förnuftsresonemangsprocess , för att försöka dra slutsatser som "Du kanske bakar en kaka för att du vill att folk ska äta kakan." En naturlig språkbehandlingsprocess kan kopplas till kunskapsbasen för sunt förnuft för att tillåta kunskapsbasen att försöka svara på frågor om världen. Kunskap om sunt förnuft hjälper också till att lösa problem inför ofullständig information . Genom att använda utbredda föreställningar om vardagliga föremål, eller kunskap om sunt förnuft , gör AI-system sunt förnuftsantaganden eller standardantaganden om det okända på samma sätt som människor gör. I ett AI-system eller på engelska uttrycks detta som "Normally P holds", "Usually P" eller "Typically P so Assume P". Till exempel, om vi känner till faktumet "Tweety är en fågel", eftersom vi känner till den vanliga uppfattningen om fåglar, "vanligtvis flyger fåglar", utan att veta något annat om Tweety, kan vi rimligen anta det faktum att "Tweety kan flyga. " När mer kunskap om världen upptäcks eller lärs ut över tid, kan AI-systemet revidera sina antaganden om Tweety med hjälp av en sanningsunderhållsprocess . Om vi senare får veta att "Tweety är en pingvin" så sanningsupprätthållandet detta antagande eftersom vi också vet att "pingviner inte flyger".

Sunt resonemang

Sunt förnuftsresonemang simulerar den mänskliga förmågan att använda sunt förnuftskunskap för att göra antaganden om typen och essensen av vanliga situationer de möter varje dag, och att ändra sina "uppfattningar" om ny information skulle komma fram. Detta inkluderar tid, saknad eller ofullständig information och orsak och verkan. Förmågan att förklara orsak och verkan är en viktig aspekt av förklarlig AI . Algoritmer för sanningsunderhåll ger automatiskt en förklaringsmöjlighet eftersom de skapar utarbetade register över antaganden. Jämfört med människor presterar alla befintliga datorprogram som försöker AI på mänsklig nivå extremt dåligt i moderna benchmarktest av "sunt resonemang" som Winograd Schema Challenge . Problemet med att uppnå kompetens på mänsklig nivå vid uppgifter om "allmän kunskap" anses sannolikt vara " AI komplett " (det vill säga att lösa det skulle kräva förmågan att syntetisera en fullständig intelligens på mänsklig nivå ), även om vissa motsätter sig denna uppfattning och tror medkännande intelligens krävs också för AI på mänsklig nivå. Sunt förnuftsresonemang har använts framgångsrikt inom mer begränsade områden som naturlig språkbehandling och automatiserad diagnos eller analys.

Commonsense kunskapsbas konstruktion

Att sammanställa omfattande kunskapsbaser av sunt förnuftspåstående (CSKB) är en långvarig utmaning inom AI-forskning. Från tidiga expertdrivna ansträngningar som CYC och WordNet, uppnåddes betydande framsteg via det crowdsourcede OpenMind Commonsense-projektet, vilket ledde till det crowdsourcade ConceptNet KB. Flera tillvägagångssätt har försökt automatisera CSKB-konstruktion, framför allt via textutvinning (WebChild, Quasimodo, TransOMCS, Ascent), såväl som att skörda dessa direkt från förtränade språkmodeller (AutoTOMIC). Dessa resurser är betydligt större än ConceptNet, även om den automatiserade konstruktionen för det mesta gör dem av måttligt lägre kvalitet. Utmaningar kvarstår också när det gäller representationen av sunt förnuft: De flesta CSKB-projekt följer en trippeldatamodell, som inte nödvändigtvis är bäst lämpad för att bryta mer komplexa naturliga språkpåståenden. Ett anmärkningsvärt undantag här är GenericsKB, som inte tillämpar någon ytterligare normalisering på meningar, utan behåller dem i sin helhet.

Ansökningar

Runt 2013 utvecklade MIT-forskare BullySpace, en förlängning av commonsense kunskapsbasen ConceptNet , för att fånga hånfulla kommentarer på sociala medier. BullySpace inkluderade över 200 semantiska påståenden baserade på stereotyper, för att hjälpa systemet att dra slutsatsen att kommentarer som "Sätt på en peruk och läppstift och var den du verkligen är" är mer benägna att vara en förolämpning om de riktas mot en pojke än en flicka.

ConceptNet har också använts av chatbots och av datorer som komponerar originalfiktion. Vid Lawrence Livermore National Laboratory användes kunskap om sunt förnuft i en intelligent mjukvaruagent för att upptäcka brott mot ett omfattande fördrag om förbud mot kärnvapenprov .

Data

Som ett exempel, från och med 2012 inkluderar ConceptNet dessa 21 språkoberoende relationer:

IsA (En " RV " är ett "fordon")
Används för
HasA (En " kanin " har en " svans ")
Kapabel att
önskningar
CreatedBy (" tårta " kan skapas genom " bakning ")
Del av
Orsaker
Beläget Nära
AtLocation (någonstans kan en " kock " vara på en " restaurang ")
Definierad som
SymbolOf ( X representerar Y )
ReceivesAction ("kaka" kan " ätas ")
Har förutsättning ( X kan inte göra Y om inte A gör B )
MotivatedByGoal (Du skulle "baka" för att du vill "äta")
CausesDesire ("bakning" får dig att vilja "följa receptet ")
Gjord av
HasFirstSubevent (Det första som krävs när du gör X är att entitet Y ska göra Z )
HasSubevent ("äta" har underhändelse "svälja")
HasLastSubevent

Commonsense kunskapsbaser

Cyc
Open Mind Common Sense (datakälla) och ConceptNet (datastore och NLP-motor)
Quasimodo
Webchild
TupleKB
Sann kunskap
Graphiq ^{[ citat behövs ]}
Uppstigning++

Se även