پیش‌نویس:دانش عمومی (هوش مصنوعی)
این مقاله در حال ترجمه از ویکی انگلیسی است
در پژوهش‌های هوش مصنوعی ، دانش عمومی شامل حقایقی درباره‌ی دنیای روزمره است، مانند «لیموها ترش هستند» یا «گاوها می‌گویند موو»، که انتظار می‌رود همه انسان‌ها از آنها آگاه باشند. این موضوع هنوز یک مسأله حل‌نشده در حوزه هوش مصنوعی عمومی است. اولین برنامه هوش مصنوعی که به دانش عمومی پرداخته است، Advice Taker بود که در سال ۱۹۵۹ توسط جان مک کارتی توسعه یافت. [۱]
دانش عمومی می‌تواند پایه‌ای برای فرآیند استدلال عقل سلیم باشد و امکان استنتاج‌هایی مانند «ممکن است کیکی بپزید چون می‌خواهید مردم آن کیک را بخورند» را فراهم کند. یک فرآیند پردازش زبان طبیعی می‌تواند به پایگاه دانش عمومی متصل شود تا این پایگاه بتواند به سؤالات مربوط به جهان پاسخ دهد . [۲]دانش عمومی همچنین در حل مسائل با وجود اطلاعات ناقص کمک می کند. با استفاده از باورهای رایج درباره‌ی اشیاء روزمره، یا همان دانش عمومی، سیستم‌های هوش مصنوعی فرضیات عمومی یا فرضیات پیش فرض درباره‌ی ناشناخته‌ها را مشابه با نحوه عملکرد انسان‌ها می‌سازند. در یک سیستم هوش مصنوعی یا در زبان انگلیسی، این به صورت «معمولاً P وجود دارد»، «اغلب P »یا «عموماً P بنابراین فرض کنید P »بیان می‌شود. برای مثال، اگر ما این واقعیت را بدانیم که «توییتی یک پرنده است»، به دلیل اینکه باور عمومی درباره‌ی پرندگان این است که «پرندگان معمولاً پرواز می‌کنند»، بدون دانستن اطلاعات بیشتری درباره‌ی توییتی، می‌توانیم به‌طور منطقی فرض کنیم که «توییتی می‌تواند پرواز کند.» همانطور که دانش بیشتری درباره‌ی جهان کشف یا آموخته می‌شود، سیستم هوش مصنوعی می‌تواند فرضیات خود را درباره‌ی توییتی با استفاده از فرآیند نگهداری حقیقت ، اصلاح کند. اگر بعداً بفهمیم که «توییتی یک پنگوئن است»، فرآیند نگهداری حقیقت این فرض را اصلاح می‌کند زیرا ما همچنین می‌دانیم که «پنگوئن‌ها پرواز نمی‌کنند».
استدلال دانش عمومی
ویرایش- ↑ "PROGRAMS WITH COMMON SENSE". www-formal.stanford.edu. Retrieved 2018-04-11.
- ↑ Liu, Hugo, and Push Singh. "ConceptNet—a practical commonsense reasoning tool-kit." BT technology journal 22.4 (2004): 211-226.
استدلال دانش عمومی توانایی شبیه‌سازی استفاده انسان از دانش عمومی برای انجام فرضیاتی درباره نوع و ماهیت موقعیت‌های عادی که هر روز با آنها مواجه می‌شوند و تغییر نظر در صورت کشف اطلاعات جدید است. این شامل جنبه‌هایی همچون زمان، اطلاعات ناقص یا ناقص و رابطه علت و معلول است. توانایی توضیح رابطه علت و معلول یکی از جنبه‌های مهم هوش مصنوعی قابل توضیح است. الگوریتم‌های نگهداری حقیقت به‌طور خودکار امکان توضیح را فراهم می‌کنند، زیرا آنها سوابق مفصلی از فرضیات ایجاد می‌کنند. مقایسه با انسان‌ها، تمام برنامه‌های کامپیوتری موجود که تلاش می‌کنند به برسند، در آزمون‌های معیار مدرن استدلال دانش عمومی مانند چالش Winograd Schema عملکرد بسیار ضعیفی دارند. مسئله دستیابی به شایستگی در سطح انسانی در وظایف مربوط به دانش عمومی به‌طور کلی به‌عنوان مسئله‌ای که حل آن نیازمند توانایی ایجاد هوشی در سطح کاملاً انسانی است (اصطلاحاً AI کامل) در نظر گرفته می‌شود، اگرچه برخی با این نظر مخالفند و معتقدند که هوش همراه با احساس نیز برای دستیابی به هوش مصنوعی در سطح انسانی لازم است.
استدلال دانش عمومی با موفقیت در حوزه‌های محدودتر مانند پردازش زبان طبیعی و تشخیص خودکار یا تحلیل به کار گرفته شده است.
ساخت پایگاه دانش عمومی
ویرایشساخت پایگاه‌های دانش جامع از گزاره‌های دانش عمومی (CSKBs) یک چالش قدیمی در پژوهش‌های هوش مصنوعی است. از تلاش‌های اولیه با رویکرد مبتنی بر متخصصان مانند CYC و WordNet، پیشرفت‌های قابل توجهی از طریق پروژه‌ی OpenMind Commonsense که به‌صورت جمع‌سپاری انجام شد، به‌دست آمده است. این پروژه منجر به ایجاد پایگاه دانش ConceptNet شد که آن نیز به‌صورت جمع‌سپاری توسعه یافت. چندین رویکرد برای خودکارسازی ساخت CSKBها مورد آزمایش قرار گرفته است، به‌ویژه از طریق استخراج متن (مانند WebChild، Quasimodo، TransOMCS و Ascent) و همچنین استخراج مستقیم از مدل‌های زبان پیش‌پردازش‌شده (مانند AutoTOMIC). این منابع به‌طور قابل توجهی از ConceptNet بزرگتر هستند، هرچند که ساخت خودکار آنها اغلب منجر به کاهش کیفیت متوسطی می‌شود.
چالش‌هایی نیز در مورد نحوه‌ی نمایندگی دانش عمومی باقی مانده است: بیشتر پروژه‌های CSKB از مدل داده‌های سه‌گانه پیروی می‌کنند، که لزوماً بهترین روش برای تجزیه گزاره‌های پیچیده‌تر زبان طبیعی نیست. یک استثنای قابل توجه در اینجا GenericsKB است که هیچگونه نرمال‌سازی بیشتری برای جملات اعمال نمی‌کند و آنها را به‌صورت کامل حفظ می‌کند.
کاربردها
ویرایشدر حدود سال ۲۰۱۳، پژوهشگران مؤسسه فناوری ماساچوست (MIT) BullySpace را توسعه دادند که یک افزونه برای پایگاه دانش عمومی ConceptNetاست تا نظرات توهین‌آمیز در شبکه‌های اجتماعی را شناسایی کند. BullySpace شامل بیش از ۲۰۰ گزاره معنایی مبتنی بر کلیشه‌ها است تا به سیستم کمک کند استنباط کند که نظراتی مانند «کلاه‌گیس بپوش و رژ لب بزن و خود واقعیت باش» احتمالاً اگر به یک پسر نسبت داده شوند، بیشتر به عنوان توهین تلقی می‌شوند تا به یک دختر. [۱] [۲] [۳]
ConceptNet همچنین توسط ربات‌های گفت‌وگو و کامپیوترهایی که داستان‌های اصلی می‌نویسند مورد استفاده قرار گرفته است. در آزمایشگاه ملی لارنس لیورمور ، دانش عمومی در یک عامل نرم افزاری هوشمند برای شناسایی نقض‌های پیمان جامع منع آزمایش‌های هسته‌ای مورد استفاده قرار گرفت . [۴]
داده ها
ویرایشبه عنوان یک مثال، تا سال ۲۰۱۲، ConceptNet شامل این ۲۱ رابطه زبان‌مستقل بود:[۵]
IsA: نشان می‌دهد که یک شیء یا مفهوم زیرمجموعه‌ای از دسته بزرگتری است. (یک وسیله نقلیه تفریحی (RV) یک وسیله نقلیه (vehicle) است)
UsedFor: توضیح می‌دهد که یک شیء یا مفهوم برای چه منظور و استفاده‌ای به کار می‌رود.(چاقو برای بریدن استفاده می‌شود).
HasA: نشان می‌دهد که یک شیء یا موجود دارای یک ویژگی یا بخش خاصی است. (یک خرگوش (rabbit) دارای یک دم (tail) است)
CapableOf: توضیح می‌دهد که یک شیء یا موجود چه قابلیت‌هایی دارد. (پرندگان قادر به پرواز هستند)
Desires: نشان می‌دهد که یک موجود چه تمایلات یا خواسته‌هایی دارد. (انسان‌ها میل به خوردن دارند)
CreatedBy: نشان می‌دهد که یک شیء یا مفهوم چگونه ایجاد شده است. (کیک (cake) توسط پختن (baking) ایجاد می‌شود)
PartOf: نشان می‌دهد که یک شیء بخشی از یک مجموعه بزرگتر است. (چرخ بخشی از ماشین است)
Causes: توضیح می‌دهد که یک عمل یا وضعیت چه نتیجه‌ای به بار می‌آورد. (آب دادن به گیاه باعث رشد آن می‌شود)
LocatedNear: نشان می‌دهد که دو شیء یا مفهوم در نزدیکی یکدیگر قرار دارند. (ایستگاه اتوبوس نزدیک مدرسه است)
AtLocation: نشان می‌دهد که یک شیء یا شخص معمولاً در کجا قرار دارد. (یک آشپز (Cook) ممکن است در یک رستوران (restaurant) باشد)
DefinedAs: تعریف یا توضیح رسمی از یک مفهوم یا شیء را ارائه می‌دهد. (کتاب وسیله‌ای برای خواندن است)
SymbolOf: نشان می‌دهد که یک مفهوم نمادی از مفهوم دیگری است. ( X نماد Y است)
ReceivesAction: توضیح می‌دهد که یک شیء می‌تواند موضوع یک عمل خاص باشد. (کیک (cake) می‌تواند خورده (eaten) شود)
HasPrerequisite: نشان می‌دهد که انجام یک کار یا دستیابی به یک وضعیت نیازمند تحقق شرایط یا پیش‌نیاز خاصی است. ( X نمی‌تواند Y را انجام دهد مگر اینکه A کار B را انجام دهد)
MotivatedByGoal: نشان می‌دهد که یک عمل به دلیل دستیابی به یک هدف خاص انجام می‌شود. (شما پخت می‌کنید (bake) چون می‌خواهید آن را بخورید (eat))
CausesDesire: توضیح می‌دهد که یک عمل یا وضعیت باعث ایجاد تمایل یا خواسته‌ای می‌شود. (پختن (baking) باعث می‌شود که بخواهید دستور پخت را دنبال کنید (follow recipe))
MadeOf: توضیح می‌دهد که یک شیء از چه موادی ساخته شده است. (خانه‌ای از آجر ساخته شده است)
HasFirstSubevent: نشان می‌دهد که اولین مرحله یا زیررویداد در انجام یک کار چیست. (اولین چیزی که هنگام انجام X لازم است، این است که موجود Y کار Z را انجام دهد)
HasSubevent: نشان می‌دهد که یک رویداد شامل چه زیررویدادهایی است. (خوردن (eat) شامل زیررویداد بلعیدن (swallow) است)
HasLastSubevent: نشان می‌دهد که آخرین مرحله یا زیررویداد در انجام یک کار چیست. (آخرین مرحله در شستن دست‌ها، خشک کردن آنها است)
منابع
ویرایش- ↑ Bazelon, Emily (March 2013). "How to Stop the Bullies". The Atlantic. Retrieved 9 January 2018.
- ↑ Dinakar, Karthik; Jones, Birago; Havasi, Catherine; Lieberman, Henry; Picard, Rosalind (1 September 2012). "Common Sense Reasoning for Detection, Prevention, and Mitigation of Cyberbullying". ACM Transactions on Interactive Intelligent Systems. 2 (3): 1–30. CiteSeerX 10.1.1.693.8065. doi:10.1145/2362394.2362400.
- ↑ "AI systems could fight cyberbullying". New Scientist. 27 June 2012. Retrieved 9 January 2018.
- ↑ Mason, C.L. (1995). "An intelligent assistant for nuclear test ban treaty verification". IEEE Expert (به انگلیسی). 10 (6): 42–49. doi:10.1109/64.483116.
- ↑ Speer, Robert, and Catherine Havasi. "Representing General Relational Knowledge in ConceptNet 5." LREC. 2012.