Жалпы білім: Жасанды интеллектте адам санасын модельдеу
Commonsense knowledge (artificial intelligence)
Жалпы білім: AI үшін адамдарға мәлім фактілер жиынтығы ("лимон қышқыл", "сиыр маңырайды"). Зейіндегі AI-дағы қиын мәселе. NLP қолдану арқылы сұрақтарға жауап беру мүмкін.
Ағылшыншамен салыстырыңыз: абзацты басыңыз — түпнұсқа терезеде ашылады. Абзац астындағы EN түймесі оны мәтін ішінде көрсетеді.
Мазмұны
Кіріспе
Барлық адамдардың білуі керек деп есептелетін фактілер
Facts assumed to be known to all humans
Жасанды интеллект зерттеулерінде, жалпыға ортақ білім – күнделікті өмірге қатысты фактілерден тұрады, мысалы, "лимон қышқыл" немесе "сиырлар мөңкіреді", оларды барлық адамдар білуі керек. Қазіргі таңда бұл жасанды жалпы интеллект саласында шешілмеген мәселе болып табылады. Жалпы саналы білімді пайдаланған алғашқы АИ бағдарламасы 1959 жылы Джон Маккарти жасаған "Кеңес сұраушы" бағдарламасы еді. Жалпы саналы білім, жалпы саналы ойлау процесін қолдап, "сіз адамдардың торт жеуін қалағандықтан торт пісіруіңіз мүмкін" сияқты қорытындылар жасауға көмектеседі. Табиғи тілді өңдеу процесін жалпы саналы білім базасына қосу арқылы, база әлем туралы сұрақтарға жауап беруге тырыса алады. Жалпы саналы білім толық емес ақпарат болғанда да мәселелерді шешуге көмектеседі. Күнделікті заттар туралы кең таралған сенімдерді немесе жалпы саналы білімді пайдалана отырып, АИ жүйелері адамдар сияқты, белгісіз нәрселер туралы жалпылама болжамдар немесе әдепкілік болжамдар жасайды. АИ жүйесінде немесе ағылшын тілінде бұл "Көбінесе P дұрыс", "Әдетте P" немесе "Көбінесе P болғандықтан, P деп есептеңіз" түрінде білдіріледі. Мысалы, егер біз "Твити – құс" деген фактіні білсек, және құстар туралы кең таралған сенімді білсек, яғни "көбінесе құстар ұшады", Твити туралы басқа ештеңе білмей, біз "Твити ұша алады" деген фактіні орынды түрде қабылдауымыз мүмкін. Әлем туралы білім уақыт өте келе ашылғанда немесе оқу арқылы жиналғанда, АИ жүйесі шындықты сақтау процесін пайдаланып, Твити туралы болжамдарын қайта қарастыра алады. Егер кейіннен "Твити – пингвин" екенін білсек, онда шындықты сақтау бұл болжамды қайта қарастырады, себебі біз "пингвиндер ұшпайды" екенін де білеміз.
In artificial intelligence research, commonsense knowledge consists of facts about the everyday world, such as "Lemons are sour", or "Cows say moo", that all humans are expected to know. It is currently an unsolved problem in Artificial General Intelligence. The first AI program to address common sense knowledge was Advice Taker in 1959 by John McCarthy. Commonsense knowledge can underpin a commonsense reasoning process, to attempt inferences such as "You might bake a cake because you want people to eat the cake." A natural language processing process can be attached to the commonsense knowledge base to allow the knowledge base to attempt to answer questions about the world. Common sense knowledge also helps to solve problems in the face of incomplete information. Using widely held beliefs about everyday objects, or common sense knowledge, AI systems make common sense assumptions or default assumptions about the unknown similar to the way people do. In an AI system or in English, this is expressed as "Normally P holds", "Usually P" or "Typically P so Assume P". For example, if we know the fact "Tweety is a bird", because we know the commonly held belief about birds, "typically birds fly," without knowing anything else about Tweety, we may reasonably assume the fact that "Tweety can fly." As more knowledge of the world is discovered or learned over time, the AI system can revise its assumptions about Tweety using a truth maintenance process. If we later learn that "Tweety is a penguin" then truth maintenance revises this assumption because we also know "penguins do not fly".
Жалпыға ортақ ойлау
Жалпы саналы ойлау – адамның күнделікті кездесетін жағдайлардың түрі мен мәні туралы жалпы білімін пайдаланып, болжамдар жасау және жаңа мәліметтер пайда болған жағдайда "ойын" өзгерту қабілетін имитациялайды. Бұған уақыт, жетіспейтін немесе толық емес ақпарат, сондай-ақ себеп-салдар байланысы кіреді. Себеп-салдарды түсіндіру қабілеті – түсіндірілетін жасанды интеллекттің (ЖИ) маңызды аспектісі. Шындықты сақтау алгоритмдері болжамдардың егжей-тегжейлі тізімін жасау арқылы автоматты түрде түсіндіру мүмкіндігін ұсынады. Адамдармен салыстырғанда, адам деңгейіндегі ЖИ-ге қол жеткізуге тырысатын барлық қолданыстағы компьютерлік бағдарламалар, мысалы, Винноград схемасы сынды қазіргі заманғы "жалпы саналы ойлау" сынақтарында өте нашар нәтижелер көрсетеді. "Жалпы білім" міндеттерінде адам деңгейіндегі тиімділікке қол жеткізу мәселесі, ықтималды, "ЖИ толық" деп есептеледі (яғни, оны шешу үшін толыққанды адам деңгейіндегі интеллектті синтездеу қабілеті қажет), бірақ кейбіреулер бұл пікірге қарсы шығып, адам деңгейіндегі ЖИ үшін мейірімділік интеллекті де қажет деп санайды. Жалпы саналы ойлау табиғи тілді өңдеу және автоматтандырылған диагностика немесе талдау сияқты шектеулі салаларда сәтті қолданылған.
Commonsense reasoning simulates the human ability to use commonsense knowledge to make presumptions about the type and essence of ordinary situations they encounter every day, and to change their "minds" should new information come to light. This includes time, missing or incomplete information and cause and effect. The ability to explain cause and effect is an important aspect of explainable AI. Truth maintenance algorithms automatically provide an explanation facility because they create elaborate records of presumptions. Compared with humans, all existing computer programs that attempt human level AI perform extremely poorly on modern "commonsense reasoning" benchmark tests such as the Winograd Schema Challenge. The problem of attaining human level competency at "commonsense knowledge" tasks is considered to probably be "AI complete" (that is, solving it would require the ability to synthesize a fully human level intelligence), although some oppose this notion and believe compassionate intelligence is also required for human level AI. Common sense reasoning has been applied successfully in more limited domains such as natural language processing and automated diagnosis or analysis.
Жалпыға ортақ білім базасын құру
Жалпыға ортақ түсініктерге негіделген нақтыламалар (CSKB) туралы толық білім базасын құру – ЖА зерттеулерінде ұзақ жылдар бойы шешілмей келе жатқан мәселе. CYC және WordNet сияқты сарапшылардың ерте заманғы күш-жігерінен кейін, OpenMind Commonsense жобасы арқылы маңызды жетістіктерге қол жеткізілді, нәтижесінде ConceptNet KB пайда болды. CSKB құрылысын автоматтандыруға бірнеше әдіс әрекеттенді, ең танымалдары – мәтіндік талдау (WebChild, Quasimodo, TransOMCS, Ascent), сондай-ақ оларды алдын ала оқытылған тілдік модельдерден (AutoTOMIC) тікелей алу. Бұл ресурстар ConceptNet-тен әлдеқайда ірі, бірақ автоматтандырылған құрылыс олардың сапасын көбінесе орташа деңгейге төмендетіп жібереді. Сонымен қатар, жалпыға ортақ білімді ұсынуда да қиындықтар бар: көптеген CSKB жобалары үштік деректер моделін қолданады, бұл күрделі табиғи тілдік нақтыламаларды түсіндіруге толыққанды жарамды емес. Бұл ретте ерекшелік GenericsKB болып табылады, ол сөйлемдерді қосымша нормализациялаудан өткізбей, толық күйінде сақтайды.
Compiling comprehensive knowledge bases of commonsense assertions (CSKBs) is a long standing challenge in AI research. From early expert driven efforts like CYC and WordNet, significant advances were achieved via the crowdsourced OpenMind Commonsense project, which lead to the crowdsourced ConceptNet KB. Several approaches have attempted to automate CSKB construction, most notably, via text mining (WebChild, Quasimodo, TransOMCS, Ascent), as well as harvesting these directly from pre trained language models (AutoTOMIC). These resources are significantly larger than ConceptNet, though the automated construction mostly makes them of moderately lower quality. Challenges also remain on the representation of commonsense knowledge: Most CSKB projects follow a triple data model, which is not necessarily best suited for breaking more complex natural language assertions. A notable exception here is GenericsKB, which applies no further normalization to sentences, but retains them in full.
Қолданбалар
2013 жыл шамасында MIT зерттеушілері әлеуметтік желілердегі қорлау пікірлерін анықтау үшін BullySpace-ті, яғни ConceptNet ортақ білім базасының кеңейтілген нұсқасын жасады. BullySpace-те стереотиптерге негізделген 200-ден астам семантикалық тұжырымдама бар, бұл жүйеге "Парик киіп, ерінгенді жағып, кім екеніңді көрсет" сияқты пікірлерді ұлға қарағанда қызға айтқанда қорлау болып саналуы мүмкін екенін анықтауға көмектеседі. ConceptNet чат-боттармен және түпнұсқа әдебиет жасайтын компьютерлермен де пайдаланылды. Лоуренс Ливермор ұлттық зертханасында ақыл-ойға негізделген білім ядролық сынақтарға толық тыйым салу шартының бұзылуын анықтау үшін интеллектуалды бағдарламалық құралда қолданылды.
Around 2013, MIT researchers developed BullySpace, an extension of the commonsense knowledgebase ConceptNet, to catch taunting social media comments. BullySpace included over 200 semantic assertions based around stereotypes, to help the system infer that comments like "Put on a wig and lipstick and be who you really are" are more likely to be an insult if directed at a boy than a girl. ConceptNet has also been used by chatbots and by computers that compose original fiction. At Lawrence Livermore National Laboratory, common sense knowledge was used in an intelligent software agent to detect violations of a comprehensive nuclear test ban treaty.