En la investigación de la inteligencia artificial , el conocimiento de sentido común consiste en hechos sobre el mundo cotidiano, como "los limones son amargos" o "las vacas dicen mu", que se espera que todos los humanos conozcan. Actualmente es un problema sin resolver en la Inteligencia General Artificial . El primer programa de IA que abordó el conocimiento del sentido común fue Advice Taker en 1959 de John McCarthy . [1]
El conocimiento de sentido común puede sustentar un proceso de razonamiento de sentido común , para intentar inferencias como "Podrías hornear un pastel porque quieres que la gente se lo coma". Se puede adjuntar un proceso de procesamiento del lenguaje natural a la base de conocimientos de sentido común para permitir que la base de conocimientos intente responder preguntas sobre el mundo. [2] El conocimiento del sentido común también ayuda a resolver problemas ante información incompleta . Utilizando creencias ampliamente extendidas sobre objetos cotidianos, o conocimientos de sentido común , los sistemas de inteligencia artificial hacen suposiciones de sentido común o suposiciones predeterminadas sobre lo desconocido de manera similar a como lo hacen las personas. En un sistema de IA o en inglés, esto se expresa como "Normalmente P se cumple", "Usualmente P" o "Típicamente P, por lo que se supone P". Por ejemplo, si conocemos el hecho de que "Piolín es un pájaro", porque conocemos la creencia común sobre los pájaros, "normalmente los pájaros vuelan", sin saber nada más sobre Piolín, podemos asumir razonablemente el hecho de que "Piolín puede volar". " A medida que se descubre o se aprende más conocimiento del mundo con el tiempo, el sistema de inteligencia artificial puede revisar sus suposiciones sobre Piolín mediante un proceso de mantenimiento de la verdad . Si luego aprendemos que "Piolín es un pingüino", entonces el mantenimiento de la verdad revisa esta suposición porque también sabemos que "los pingüinos no vuelan".
El razonamiento de sentido común simula la capacidad humana de utilizar el conocimiento de sentido común para hacer suposiciones sobre el tipo y la esencia de situaciones ordinarias que enfrentan todos los días, y para cambiar de "opinión" si sale a la luz nueva información. Esto incluye tiempo, información faltante o incompleta y causa y efecto. La capacidad de explicar causa y efecto es un aspecto importante de la IA explicable . Los algoritmos de mantenimiento de la verdad proporcionan automáticamente una función de explicación porque crean registros elaborados de presunciones. En comparación con los humanos, todos los programas informáticos existentes que intentan una IA a nivel humano funcionan extremadamente mal en las pruebas comparativas modernas de "razonamiento de sentido común", como el Winograd Schema Challenge . [3] Se considera que el problema de alcanzar competencia a nivel humano en tareas de "conocimiento de sentido común" probablemente sea " IA completa " (es decir, resolverlo requeriría la capacidad de sintetizar una inteligencia completamente a nivel humano), [4] [ 5] aunque algunos se oponen a esta noción y creen que la inteligencia compasiva también es necesaria para la IA a nivel humano. [6] El razonamiento de sentido común se ha aplicado con éxito en dominios más limitados, como el procesamiento del lenguaje natural [7] [8] y el diagnóstico o análisis automatizado [9] . [10]
La compilación de bases de conocimiento integrales de afirmaciones de sentido común (CSKB) es un desafío de larga data en la investigación de la IA. Desde los primeros esfuerzos impulsados por expertos como CYC y WordNet, se lograron avances significativos a través del proyecto OpenMind Commonsense de crowdsourcing, que condujo a ConceptNet KB de crowdsourcing. Varios enfoques han intentado automatizar la construcción de CSKB, en particular, mediante la minería de textos (WebChild, Quasimodo, TransOMCS, Ascent), así como su recolección directamente a partir de modelos de lenguaje previamente entrenados (AutoTOMIC). Estos recursos son significativamente mayores que los de ConceptNet, aunque la construcción automatizada los hace en su mayoría de calidad moderadamente inferior. También persisten desafíos en la representación del conocimiento de sentido común: la mayoría de los proyectos de CSKB siguen un modelo de datos triple, que no necesariamente es el más adecuado para descifrar afirmaciones de lenguaje natural más complejas. Una excepción notable aquí es GenericsKB, que no aplica ninguna normalización adicional a las oraciones, pero las conserva en su totalidad.
Alrededor de 2013, investigadores del MIT desarrollaron BullySpace, una extensión de la base de conocimiento de sentido común ConceptNet , para detectar comentarios burlones en las redes sociales. BullySpace incluyó más de 200 afirmaciones semánticas basadas en estereotipos, para ayudar al sistema a inferir que comentarios como "Ponte una peluca y lápiz labial y sé quien realmente eres" tienen más probabilidades de ser un insulto si se dirigen a un niño que a una niña. [11] [12] [13]
ConceptNet también ha sido utilizado por chatbots [14] y por ordenadores que componen ficción original. [15] En el Laboratorio Nacional Lawrence Livermore , se utilizó el conocimiento del sentido común en un agente de software inteligente para detectar violaciones de un tratado de prohibición completa de ensayos nucleares . [dieciséis]
Como ejemplo, a partir de 2012 ConceptNet incluye estas 21 relaciones independientes del idioma: [17]