En la inteligencia artificial (IA), el razonamiento de sentido común es una capacidad humana para hacer suposiciones sobre el tipo y la esencia de las situaciones ordinarias que los humanos encontramos todos los días. Estos supuestos incluyen juicios sobre la naturaleza de los objetos físicos, las propiedades taxonómicas y las intenciones de las personas. Un dispositivo que exhiba un razonamiento de sentido común podría ser capaz de sacar conclusiones similares a la psicología popular de los humanos (la capacidad innata de los humanos para razonar sobre el comportamiento y las intenciones de las personas) y a la física ingenua (la comprensión natural del mundo físico de los humanos). [1]
Algunas definiciones y caracterizaciones del sentido común de diferentes autores incluyen:
El profesor Ernest Davis de la Universidad de Nueva York caracteriza el conocimiento de sentido común como "lo que un típico niño de siete años sabe sobre el mundo", incluidos objetos físicos, sustancias, plantas, animales y la sociedad humana. Generalmente excluye el aprendizaje sobre libros, el conocimiento especializado y el conocimiento de convenciones; pero a veces incluye conocimientos sobre esos temas. Por ejemplo, saber jugar a las cartas es un conocimiento especializado, no un "conocimiento de sentido común"; pero saber que la gente juega a las cartas por diversión sí cuenta como "conocimiento de sentido común". [7]
En comparación con los humanos, la IA existente carece de varias características del razonamiento humano de sentido común; En particular, los humanos tienen poderosos mecanismos para razonar sobre la " física ingenua ", como el espacio, el tiempo y las interacciones físicas. Esto permite que incluso los niños pequeños hagan fácilmente inferencias como "Si hago rodar este bolígrafo de la mesa, se caerá al suelo". Los seres humanos también tienen un poderoso mecanismo de " psicología popular " que les ayuda a interpretar frases en lenguaje natural como "Los concejales de la ciudad negaron el permiso a los manifestantes porque abogaban por la violencia". (Una IA genérica tiene dificultades para discernir si los que supuestamente abogan por la violencia son los concejales o los manifestantes). [1] [8] [9] Esta falta de "conocimiento común" significa que la IA a menudo comete errores diferentes a los de los humanos. de maneras que pueden parecer incomprensibles. Por ejemplo, los vehículos autónomos existentes no pueden razonar sobre la ubicación ni las intenciones de los peatones exactamente de la misma manera que lo hacen los humanos y, en cambio, deben utilizar modos de razonamiento no humanos para evitar accidentes. [10] [11] [12]
Los subtemas superpuestos del razonamiento de sentido común incluyen cantidades y medidas, tiempo y espacio, física, mentes, sociedad, planes y metas, y acciones y cambios. [13]
El problema del conocimiento de sentido común es un proyecto actual en el ámbito de la inteligencia artificial para crear una base de datos que contenga el conocimiento general que se espera que tenga la mayoría de las personas, representado de forma accesible para programas de inteligencia artificial [14] que utilizan lenguaje natural. Debido al amplio alcance del conocimiento de sentido común, esta cuestión se considera uno de los problemas más difíciles en la investigación de la IA. [15] Para que cualquier tarea se realice como la haría una mente humana, se requiere que la máquina parezca tan inteligente como un ser humano. Dichas tareas incluyen el reconocimiento de objetos , la traducción automática y la minería de textos . Para realizarlos, la máquina tiene que ser consciente de los mismos conceptos que reconoce un individuo que posee conocimientos de sentido común.
En 1961, Bar Hillel discutió por primera vez la necesidad y la importancia del conocimiento práctico para el procesamiento del lenguaje natural en el contexto de la traducción automática. [16] Algunas ambigüedades se resuelven utilizando reglas simples y fáciles de adquirir. Otros requieren un amplio reconocimiento del mundo que los rodea, por lo que requieren más conocimiento de sentido común. Por ejemplo, cuando se utiliza una máquina para traducir un texto, surgen problemas de ambigüedad que podrían resolverse fácilmente logrando una comprensión concreta y verdadera del contexto. Los traductores en línea suelen resolver ambigüedades utilizando palabras análogas o similares. Por ejemplo, al traducir las frases "El electricista está trabajando" y "El teléfono está funcionando" al alemán, la máquina traduce correctamente "trabajando" en el sentido de "trabajando" en la primera y como "funcionando correctamente" en la segunda. uno. La máquina ha visto y leído en los textos que las palabras alemanas "trabajador" y "electricista" se utilizan frecuentemente combinadas y se encuentran muy juntas. Lo mismo se aplica a "teléfono" y "funciona correctamente". Sin embargo, el proxy estadístico que funciona en casos simples a menudo falla en casos complejos. Los programas informáticos existentes llevan a cabo tareas lingüísticas sencillas manipulando frases cortas o palabras separadas, pero no intentan una comprensión más profunda y se centran en resultados a corto plazo.
Problemas de este tipo surgen en la visión por computadora. [1] [17] Por ejemplo, al mirar una fotografía de un baño, algunos elementos que son pequeños y sólo se ven parcialmente, como toallas faciales y botellas, son reconocibles debido a los objetos circundantes (inodoro, lavabo, bañera), lo que sugiere el propósito de la habitación. En una imagen aislada serían difíciles de identificar. Las películas resultan ser tareas aún más difíciles. Algunas películas contienen escenas y momentos que no se pueden entender simplemente haciendo coincidir las plantillas memorizadas con las imágenes. Por ejemplo, para comprender el contexto de la película, el espectador debe hacer inferencias sobre las intenciones de los personajes y hacer suposiciones en función de su comportamiento. En el estado actual de la técnica, es imposible construir y gestionar un programa que realice tareas tales como razonamiento, es decir, predecir las acciones de los personajes. Lo máximo que se puede hacer es identificar acciones básicas y rastrear personajes.
Es evidente la necesidad y la importancia del razonamiento de sentido común en robots autónomos que trabajan en un entorno no controlado de la vida real. Por ejemplo, si un robot está programado para realizar las tareas de un camarero en un cóctel y ve que el vaso que había cogido está roto, el camarero-robot no debería verter el líquido en el vaso, sino recogerlo. otro. Estas tareas parecen obvias cuando un individuo posee un razonamiento simple de sentido común, pero garantizar que un robot evite tales errores es un desafío. [1]
Se realizan avances significativos en el campo del razonamiento automatizado de sentido común en las áreas del razonamiento taxonómico, el razonamiento de acciones y cambios, el razonamiento sobre el tiempo. Cada una de estas esferas tiene una teoría bien reconocida para una amplia gama de inferencias de sentido común. [18]
La taxonomía es la colección de individuos y categorías y sus relaciones. Tres relaciones básicas son:
La transitividad es un tipo de inferencia en taxonomía. Dado que Tweety es una instancia de Robin y Robin es un subconjunto de Bird , se deduce que Tweety es una instancia de Bird . La herencia es otro tipo de inferencia. Dado que Piolín es una instancia de Robin , que es un subconjunto de Bird y Bird está marcado con la propiedad Canfly , se deduce que Tweety y Robin tienen la propiedad Canfly . Cuando un individuo taxonomiza categorías más abstractas, delinear y delimitar categorías específicas se vuelve más problemático. En los programas de IA se utilizan con frecuencia estructuras taxonómicas simples. Por ejemplo, WordNet es un recurso que incluye una taxonomía, cuyos elementos son significados de palabras en inglés. Los sistemas de minería web utilizados para recopilar conocimiento de sentido común a partir de documentos web se centran en las relaciones taxonómicas y específicamente en la recopilación de relaciones taxonómicas. [1]
La teoría de la acción, los acontecimientos y el cambio es otra gama del razonamiento de sentido común. [19] Existen métodos de razonamiento establecidos para dominios que satisfacen las restricciones que se enumeran a continuación:
El razonamiento temporal es la capacidad de hacer suposiciones sobre el conocimiento humano de tiempos, duraciones e intervalos de tiempo. Por ejemplo, si un individuo sabe que Mozart nació después de Haydn y murió antes que él, puede usar su conocimiento de razonamiento temporal para deducir que Mozart había muerto más joven que Haydn. Las inferencias involucradas se reducen a resolver sistemas de desigualdades lineales. [20] Integrar ese tipo de razonamiento con propósitos concretos, como la interpretación del lenguaje natural , es más desafiante, porque las expresiones del lenguaje natural tienen una interpretación que depende del contexto. [21] Tareas simples como asignar marcas de tiempo a los procedimientos no se pueden realizar con total precisión.
El razonamiento cualitativo [22] es la forma de razonamiento de sentido común analizada con cierto éxito. Se ocupa de la dirección del cambio en cantidades interrelacionadas. Por ejemplo, si el precio de una acción sube, la cantidad de acciones que se venderán disminuirá. Si algún ecosistema contiene lobos y corderos y el número de lobos disminuye, la tasa de mortalidad de los corderos también disminuirá. Esta teoría fue formulada por primera vez por Johan de Kleer, quien analizó un objeto que se movía en una montaña rusa. La teoría del razonamiento cualitativo se aplica en muchos campos como la física, la biología, la ingeniería, la ecología, etc. Sirve como base para muchos programas prácticos, mapeo analógico y comprensión de textos.
A partir de 2014, existen algunos sistemas comerciales que intentan hacer significativo el uso del razonamiento de sentido común. Sin embargo, utilizan información estadística como sustituto del conocimiento de sentido común, cuando el razonamiento está ausente. Los programas actuales manipulan palabras individuales, pero no intentan ni ofrecen una mayor comprensión. Según Ernest Davis y Gary Marcus , cinco obstáculos principales interfieren con la producción de un "razonador de sentido común" satisfactorio. [1]
En comparación con los humanos, a partir de 2018, los programas informáticos existentes funcionan extremadamente mal en las pruebas comparativas modernas de "razonamiento de sentido común", como el Winograd Schema Challenge . [23] 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 a nivel humano ). [24] [25] Algunos investigadores creen que los datos de aprendizaje supervisado son insuficientes para producir una inteligencia artificial general capaz de razonar con sentido común y, por lo tanto, han recurrido a técnicas de aprendizaje menos supervisadas. [26]
El estudio de razonamiento de Commonsense se divide en enfoques basados en el conocimiento y enfoques que se basan en el aprendizaje automático y utilizan un gran corpus de datos con interacciones limitadas entre estos dos tipos de enfoques [ cita necesaria ] . También existen enfoques de crowdsourcing, que intentan construir una base de conocimiento vinculando el conocimiento colectivo y las aportaciones de personas no expertas. Los enfoques basados en el conocimiento se pueden separar en enfoques basados en la lógica matemática [ cita necesaria ] .
En los enfoques basados en el conocimiento, los expertos analizan las características de las inferencias que se requieren para razonar en un área específica o para una determinada tarea. Los enfoques basados en el conocimiento constan de enfoques matemáticamente fundamentados, enfoques informales basados en el conocimiento y enfoques a gran escala. Los enfoques matemáticamente fundamentados son puramente teóricos y el resultado es un documento impreso en lugar de un programa. El trabajo se limita a la gama de dominios y técnicas de razonamiento sobre los que se reflexiona. En los enfoques informales basados en el conocimiento, las teorías del razonamiento se basan en datos anecdóticos e intuiciones que son resultados de la psicología conductual empírica. Los enfoques informales son comunes en la programación de computadoras. Otras dos técnicas populares para extraer conocimiento de sentido común de documentos web implican la minería web y el crowdsourcing .
COMET (2019), que utiliza tanto la arquitectura del modelo de lenguaje OpenAI GPT como bases de conocimiento de sentido común existentes como ConceptNet , afirma generar inferencias de sentido común a un nivel que se acerca a los puntos de referencia humanos. Como muchos otros esfuerzos actuales, COMET se basa excesivamente en patrones de lenguaje superficiales y se considera que carece de una comprensión profunda a nivel humano de muchos conceptos de sentido común. Otros enfoques de modelos de lenguaje incluyen entrenamiento en escenas visuales en lugar de solo texto, y entrenamiento en descripciones textuales de escenarios que involucran física de sentido común. [6] [27]
{{cite journal}}: Citar diario requiere |journal=( ayuda )