WikiDer > Здравый смысл

Commonsense reasoning

Здравый смысл это одна из ветвей искусственный интеллект (AI), который занимается моделированием способности человека делать предположения о типе и сущности обычных ситуаций, с которыми они сталкиваются каждый день.[1] Эти предположения включают суждения о физических свойствах, целях, намерениях и поведении людей и предметов, а также о возможных результатах их действий и взаимодействий. Устройство, которое демонстрирует здравый смысл, будет способно предсказывать результаты и делать выводы, аналогичные человеческим. народная психология (врожденная способность людей рассуждать о поведении и намерениях людей) и наивная физика (естественное понимание человеком физического мира).

Здравый смысл

В искусственном интеллекте здравый смысл представляет собой набор исходной информации, которую человек должен знать или предполагать, и способность использовать ее при необходимости. Это общие знания (только между всеми или людьми определенной культуры или возрастной группы). Способ обрести здравый смысл - изучить его или испытать его на собственном опыте. В общении это то, о чем люди не должны говорить, потому что предполагается, что собеседник знает или делает предположения.

Проблема здравого смысла

Проблема здравого смысла - это текущий проект в сфере искусственного интеллекта по созданию базы данных, содержащей общие знания, которые, как ожидается, будут иметь большинство людей, и представленные в доступной форме для программ искусственного интеллекта.[2] которые используют естественный язык. Благодаря широкому охвату здравого смысла этот вопрос считается одним из самых сложных в исследованиях ИИ.[3] сфера. Для того, чтобы любую задачу можно было выполнить так, как ее мог бы справиться человеческий разум, машина должна казаться такой же умной, как человек. К таким задачам относятся распознавание объекта, машинный перевод и интеллектуальный анализ текста. Для их выполнения машина должна знать те же концепции, которые признает человек, обладающий здравым смыслом.

Здравый смысл в умных задачах

В 1961 г. Бар Гилель сначала обсудили необходимость и важность практических знаний для обработки естественного языка в контексте машинного перевода.[4] Некоторые неясности разрешаются с помощью простых и легко усваиваемых правил. Другие требуют широкого познания окружающего мира, поэтому они требуют более здравого смысла. Например, когда для перевода текста используется машина, возникают проблемы двусмысленности, которые могут быть легко решены путем достижения конкретного и истинного понимания контекста. Онлайн-переводчики часто разрешают двусмысленность, используя аналогичные или похожие слова. Например, при переводе предложений «Электрик работает» и «Телефон работает» на немецкий, машина правильно переводит «работает» в значении «работает» в первом и как «исправно работает» во втором. один. Машина увидела и прочитала в основной части текстов, что немецкие слова «рабочий» и «электрик» часто используются в сочетании и встречаются близко друг к другу. То же самое относится к «телефону» и «исправной работе». Однако статистический прокси, который работает в простых случаях, часто не работает в сложных. Существующие компьютерные программы выполняют простые языковые задачи, манипулируя короткими фразами или отдельными словами, но они не стремятся к более глубокому пониманию и фокусируются на краткосрочных результатах.

Компьютерное зрение

Подобные проблемы возникают в области компьютерного зрения.[1][5] Например, при просмотре фотографии ванной комнаты некоторые мелкие и частично видимые предметы, такие как салфетки и бутылки, можно узнать по окружающим предметам (туалет, умывальник, ванна), которые указывают на назначение комнаты. На изолированном изображении их будет сложно идентифицировать. Фильмы оказываются еще более сложной задачей. Некоторые фильмы содержат сцены и моменты, которые невозможно понять, просто сопоставив запомненные шаблоны с изображениями. Например, чтобы понять контекст фильма, зритель должен делать выводы о намерениях персонажей и делать предположения в зависимости от их поведения. При современном уровне развития техники невозможно построить и управлять программой, которая будет выполнять такие задачи, как рассуждение, то есть предсказание действий персонажей. Максимум, что можно сделать, - это определить основные действия и отслеживать персонажей.

Роботизированная манипуляция

Необходимость и важность здравого смысла в автономные роботы что работа в реальной неконтролируемой среде очевидна. Например, если робот запрограммирован на выполнение задач официанта на коктейльной вечеринке, и он видит, что взятый им стакан разбит, официант-робот не должен наливать жидкость в стакан, а вместо этого берет другой. один. Такие задачи кажутся очевидными, когда человек обладает простыми здравыми рассуждениями, но гарантировать, что робот избежит таких ошибок, сложно.

Успехи в автоматизированном рассуждении на основе здравого смысла

Значительный прогресс в области автоматизированных рассуждений на основе здравого смысла достигнут в области таксономических рассуждений, рассуждений о действиях и изменениях, рассуждений о времени. Каждая из этих сфер имеет хорошо известную теорию для широкого диапазона логических выводов.[6]

Таксономическое рассуждение

Таксономия - это совокупность лиц и категорий и их отношений. Таксономии часто называют семантические сети. Три основных отношения:

  • Индивид - это экземпляр категории. Например, индивидуальный Твити является экземпляром категории Робин.
  • Одна категория является подмножеством другой. Например Робин это подмножество птица.
  • Две категории не пересекаются. Например Робин не пересекается с пингвин.

Транзитивность - это один из видов вывода в таксономии. С Твити это пример Робин и Робин это подмножество птица, следует, что Твити это пример птица. Наследование - это еще один тип вывода. С Твити это пример Робин, который является подмножеством птица и птица отмечен свойством может летать, следует, что Твити и Робин иметь собственность может летать. Когда человек систематизирует более абстрактные категории, выделение и разграничение конкретных категорий становится более проблематичным. В программах ИИ часто используются простые таксономические структуры. Например, WordNet - это ресурс, включающий таксономию, элементами которой являются значения английских слов. Системы веб-интеллектуального анализа данных, используемые для сбора здравого смысла из веб-документов, сосредоточены на таксономических отношениях и, в частности, на сборе таксономических отношений.[7]

Действие и изменение

Теория действия, событий и изменений - это еще одна область здравого смысла.[8] Существуют установленные методы обоснования для доменов, которые удовлетворяют перечисленным ниже ограничениям:

  • События являются атомарными, что означает, что за раз происходит одно событие, и рассуждающий должен учитывать состояние и состояние мира в начале и в конце конкретного события, но не во время состояний, пока еще есть свидетельство того, что они произошли. -ходящие изменения (прогресс).
  • Каждое изменение - результат какого-то события
  • События детерминированы, то есть состояние мира в конце события определяется состоянием мира в начале и спецификацией события.
  • Есть один актер, и все события - его действия.
  • Соответствующее состояние мира вначале либо известно, либо может быть рассчитано.

Временные рассуждения

Дальнейшая информация: Пространственно-временные рассуждения

Временные рассуждения - это способность делать предположения о знаниях людей времени, продолжительности и временных интервалов. Например, если человек знает, что Моцарт родился после Хадина и умер раньше него, он может использовать свои временные знания, чтобы сделать вывод, что Моцарт умер моложе Хадина. Сделанные выводы сводятся к решению систем линейных неравенств.[9] Чтобы интегрировать такие рассуждения с конкретными целями, такими как интерпретация естественного языка, является более сложной задачей, потому что выражения на естественном языке имеют контекстно-зависимую интерпретацию.[10] Простые задачи, такие как присвоение временных меток процедурам, не могут быть выполнены с полной точностью.

Качественное рассуждение

Качественное рассуждение[11] - это форма здравого смысла, анализируемая с определенным успехом. Это касается направления изменения взаимосвязанных величин. Например, если цена акции растет, количество акций, которые собираются продать, уменьшится. Если в какой-то экосистеме обитают волки и ягнята, и количество волков уменьшается, смертность ягнят также снизится. Эта теория была впервые сформулирована Йоханом де Клером, который проанализировал объект, движущийся на американских горках. Теория качественных рассуждений применяется во многих сферах, таких как физика, биология, инженерия, экология и др. Она служит основой для многих практических программ, аналогового картографирования, понимания текста.

Проблемы автоматизации здравого смысла

По состоянию на 2014 год существует несколько коммерческих систем, которые пытаются использовать здравый смысл. Однако они используют статистическую информацию в качестве доказательства здравого смысла, когда аргументы отсутствуют. Текущие программы манипулируют отдельными словами, но они не пытаются или не предлагают дальнейшего понимания. По словам Эрнеста Дэвиса и Гэри Маркус, пять основных препятствий мешают выработке удовлетворительного «здравого рассудка».[1]

Во-первых, некоторые из областей, связанных с здравым смыслом, поняты лишь частично. Люди далеки от всестороннего понимания таких областей, как общение и знания, межличностные взаимодействия или физические процессы.

Во-вторых, ситуации, которые кажутся легко предсказуемыми или предполагаемыми, могут иметь логическую сложность, которую не покрывает здравый смысл людей. Некоторые аспекты подобных ситуаций изучены и хорошо изучены, но есть много отношений, которые неизвестны даже в принципе, и как они могут быть представлены в форме, пригодной для использования компьютерами.

В-третьих, здравый смысл предполагает правдоподобное рассуждение. Это требует разумного вывода, исходя из того, что уже известно. Правдоподобные рассуждения изучаются в течение многих лет, и существует множество теорий, которые включают вероятностные рассуждения и немонотонную логику. Это принимает разные формы, включая использование ненадежных данных и правил, выводы которых иногда неясны.

В-четвертых, существует множество областей, в которых очень часто встречается небольшое количество примеров, тогда как существует огромное количество очень редких примеров.

В-пятых, при формулировании предположений сложно различить и определить уровень абстракции.

По сравнению с людьми, по состоянию на 2018 год существующие компьютерные программы чрезвычайно плохо справляются с современными эталонными тестами, основанными на здравом смысле, такими как Вызов схемы Винограда.[12] Проблема достижения человеческого уровня компетентности в задачах "здравого смысла" считается, вероятно, "AI завершен"(то есть для ее решения потребуется способность синтезировать интеллект человеческого уровня).[13][14] Некоторые исследователи считают, что контролируемое обучение данных недостаточно для создания общего искусственного интеллекта, способного рассуждать на основе здравого смысла, и поэтому они обратились к менее контролируемым методам обучения.[15]

Подходы и техники

Исследование здравого смысла делится на подходы, основанные на знаниях, и подходы, основанные на машинном обучении и использовании больших массивов данных с ограниченным взаимодействием между этими двумя типами подходов. Существуют также подходы краудсорсинга, пытающиеся построить базу знаний, связывая коллективные знания и вклад неспециалистов. Подходы, основанные на знаниях, можно разделить на подходы, основанные на математической логике.

В подходах, основанных на знаниях, эксперты анализируют характеристики выводов, которые требуются для рассуждений в определенной области или для определенной задачи. Подходы, основанные на знаниях, состоят из математически обоснованных подходов, неформальных подходов, основанных на знаниях, и крупномасштабных подходов. Математически обоснованные подходы являются чисто теоретическими, и в результате вместо программы получается печатная бумага. Работа ограничена диапазоном рассматриваемых областей и техник рассуждений. В неформальных подходах, основанных на знаниях, теории рассуждений основаны на анекдотических данных и интуиции, которые являются результатами эмпирической поведенческой психологии. Неформальные подходы распространены в компьютерном программировании. Два других популярных метода извлечения здравого смысла из веб-документов включают: Веб-майнинг и Краудсорсинг.

COMET (2019), в котором используются как OpenAI GPT архитектура языковой модели и существующие базы знаний здравого смысла, такие как ConceptNet, утверждает, что генерирует логические выводы на уровне, приближающемся к человеческим критериям. Как и многие другие современные разработки, COMET чрезмерно полагается на поверхностные языковые шаблоны и, как считается, не имеет глубокого человеческого понимания многих здравых концепций. Другие подходы, основанные на языковых моделях, включают обучение визуальным сценам, а не только тексту, и обучение текстовым описаниям сценариев, использующих физику здравого смысла.[16][17]

Рекомендации

  1. ^ а б c Эрнест Дэвис; Гэри Маркус (2015). «Здравый смысл и здравый смысл в искусственном интеллекте». Коммуникации ACM. Vol. 58 нет. 9. С. 92–103. Дои:10.1145/2701413.
  2. ^ «Программы искусственного интеллекта».
  3. ^ «Приложения искусственного интеллекта».
  4. ^ "Машинный перевод исследований искусственного интеллекта Бар-Гилеля".
  5. ^ Антол, Станислав и др. "Vqa: Визуальный ответ на вопрос. »Материалы международной конференции IEEE по компьютерному зрению. 2015.
  6. ^ «Таксономия».
  7. ^ «Таксономия».
  8. ^ «Действие и изменение здравого смысла».
  9. ^ «Временное мышление».
  10. ^ Лю, Хьюго и Пуш Сингх. "Здравый смысл в рассуждении на естественном языке и поверх него В архиве 2017-08-09 в Wayback Machine. »Международная конференция по интеллектуальным информационным и инженерным системам, основанным на знаниях. Springer, Berlin, Heidelberg, 2004.
  11. ^ «Качественное рассуждение».
  12. ^ "Вызов схемы Винограда". cs.nyu.edu. Получено 9 января 2018.
  13. ^ Ямпольский, Роман В. "AI-Complete, AI-Hard, или AI-Easy-Классификация проблем в AI". MAICS. 2012 г.
  14. ^ Андрич, К., Новосел, Л., и Хрнкас, Б. (2009). Знание здравого смысла. Информационный поиск и извлечение, 2009.
  15. ^ Смит, Крейг С. (8 апреля 2020 г.). «Компьютеры уже учатся у нас. Но могут ли они научиться сами?». Нью-Йорк Таймс. Получено 3 мая 2020.
  16. ^ Павлус, Джон (30 апреля 2020 г.). «Здравый смысл приходит в компьютеры». Журнал Quanta. Получено 3 мая 2020.
  17. ^ Босселут, Антуан и др. «Комета: преобразователи здравого смысла для автоматического построения графа знаний». Препринт arXiv arXiv: 1906.05317 (2019).

внешняя ссылка