Conhecimento de senso comum (inteligência artificial) - Commonsense knowledge (artificial intelligence)

Na pesquisa de inteligência artificial , o conhecimento do senso comum consiste em fatos sobre o mundo cotidiano, como "Limões são azedos", que se espera que todos os humanos saibam. Atualmente é um problema não resolvido em Inteligência Artificial Geral e é um foco do Instituto Allen de Inteligência Artificial . O primeiro programa de IA a abordar o conhecimento do senso comum foi o Advice Taker em 1959, de John McCarthy .

O conhecimento do senso comum pode sustentar um processo de raciocínio do senso comum , para tentar inferências como "Você pode fazer um bolo porque quer que as pessoas comam o bolo". Um processo de processamento de linguagem natural pode ser anexado à base de conhecimento de senso comum para permitir que a base de conhecimento tente responder a perguntas sobre o mundo. O conhecimento de bom senso também ajuda a resolver problemas diante de informações incompletas . Usando crenças amplamente aceitas sobre objetos do dia-a-dia, ou conhecimento de senso comum , os sistemas de IA fazem suposições de bom senso ou suposições padrão sobre o desconhecido semelhante à maneira como as pessoas fazem. Em um sistema AI ou em inglês, isso é expresso como "Normalmente P mantém", "Normalmente P" ou "Tipicamente P, então presuma P". Por exemplo, se sabemos o fato "Piu-Piu é um pássaro", porque conhecemos a crença comum sobre os pássaros, "normalmente os pássaros voam", sem saber mais nada sobre Piu-Piu, podemos supor razoavelmente o fato de que "Piu-Piu pode voar " À medida que mais conhecimento do mundo é descoberto ou aprendido ao longo do tempo, o sistema de IA pode revisar suas suposições sobre o Tweety usando um processo de manutenção da verdade . Se aprendermos mais tarde que "Piu-Piu é um pinguim", a manutenção da verdade revisará essa suposição porque também sabemos que "os pinguins não voam".

Raciocínio de senso comum

O raciocínio do senso comum simula a habilidade humana de usar o conhecimento do senso comum para fazer suposições sobre o tipo e a essência das situações comuns que encontram todos os dias e para mudar suas "mentes" caso novas informações venham à tona. Isso inclui tempo, informações ausentes ou incompletas e causa e efeito. A capacidade de explicar causa e efeito é um aspecto importante da IA explicável . Os algoritmos de manutenção da verdade fornecem automaticamente um recurso de explicação porque criam registros elaborados de presunções. Em comparação com humanos, todos os programas de computador existentes que tentam IA de nível humano têm um desempenho extremamente pobre em testes de benchmark de "raciocínio de senso comum" modernos, como o Winograd Schema Challenge . O problema de atingir competência de nível humano em tarefas de "conhecimento de senso comum" é considerado provavelmente " IA completo " (ou seja, resolvê-lo exigiria a capacidade de sintetizar uma inteligência de nível totalmente humano ), embora alguns se oponham a essa noção e acreditem a inteligência compassiva também é necessária para a IA de nível humano. O raciocínio de senso comum foi aplicado com sucesso em domínios mais limitados, como processamento de linguagem natural e diagnóstico ou análise automatizada.

Formulários

Por volta de 2013, pesquisadores do MIT desenvolveram o BullySpace, uma extensão da base de conhecimento de senso comum ConceptNet , para capturar comentários provocadores de mídia social. O BullySpace incluiu mais de 200 afirmações semânticas baseadas em estereótipos, para ajudar o sistema a inferir que comentários como "Coloque uma peruca e batom e seja quem você realmente é" têm maior probabilidade de ser um insulto se dirigidos a um menino do que a uma menina.

O ConceptNet também tem sido usado por chatbots e por computadores que compõem ficção original. No Laboratório Nacional Lawrence Livermore , o conhecimento do senso comum foi usado em um agente de software inteligente para detectar violações de um tratado abrangente de proibição de testes nucleares .

Dados

Como exemplo, a partir de 2012, o ConceptNet inclui essas 21 relações independentes de linguagem:

  • É um
  • Usado para
  • Tem um
  • Capaz de
  • Desejos
  • CreatedBy ("bolo" pode ser criado "assando")
  • Parte de
  • Causas
  • Localizado próximo
  • No local (em algum lugar um "cozinheiro" pode estar em um "restaurante")
  • Definido como
  • SymbolOf ( X representa Y )
  • ReceivesAction ("bolo" pode ser "comido")
  • HasPrerequisite ( X não pode fazer Y a menos que A faça B )
  • MotivatedByGoal (você iria "assar" porque quer "comer")
  • CausesDesire ("assar" faz você querer "seguir a receita")
  • Feito de
  • HasFirstSubevent (a primeira coisa necessária quando você está fazendo X é que a entidade Y faça Z )
  • HasSubevent ("comer" tem subevento "engolir")
  • HasLastSubevent

Bases de conhecimento de senso comum

Veja também

Referências