Gezond verstand redeneren

Bij kunstmatige intelligentie (AI) is gezond verstand redeneren een op mensen gelijkend vermogen om een oordeel te vellen over de aard en inhoud van gewone situaties die mensen dagelijks tegenkomen. Een gezond verstand redenerend apparaat zou in staat kunnen zijn om conclusies te trekken die vergelijkbaar zijn met de menselijke volkspsychologie (het aangeboren vermogen van mensen om te redeneren over het gedrag en de bedoelingen van mensen) en de naïeve natuurkunde (het natuurlijke begrip van mensen van de fysieke wereld).

Definities en karakteriseringen

Sommige definities en karakteriseringen van gezond verstand van verschillende auteurs zijn onder andere:

• ‘Gezond verstandkennis omvat de basisfeiten over gebeurtenissen (inclusief acties) en hun effecten, feiten over kennis en hoe deze wordt verkregen, feiten over overtuigingen en verlangens. Het bevat ook de basisfeiten over materiële objecten en hun eigenschappen."
• "Gezond verstandkennis verschilt van encyclopedische kennis doordat het zich bezighoudt met algemene kennis in plaats van met de details van specifieke entiteiten."
• Gezond verstand kennis is "kennis uit de echte wereld die een basis kan bieden voor het automatisch verzamelen en interpreteren van aanvullende kennis".
• De wereld van gezond verstand bestaat uit "tijd, ruimte, fysieke interacties, mensen, enzovoort".
• Gezond verstand is "alle kennis over de wereld die we als vanzelfsprekend beschouwen, maar zelden hardop uiten".
• Gezond verstand is "breed herbruikbare achtergrondkennis die niet specifiek is voor een bepaald vakgebied... kennis die je zou moeten hebben."

NYU professor Ernest Davis karakteriseert commonsense kennis als "wat een typische zevenjarige weet over de wereld", inclusief fysieke objecten, stoffen, planten, dieren en de menselijke samenleving. Het sluit meestal het leren van boeken, specialistische kennis en kennis van conventies uit, maar soms omvat het kennis van deze onderwerpen. Bijvoorbeeld, weten hoe je moet kaarten is gespecialiseerde kennis, geen "kennis van het gezond verstand"; maar weten dat mensen kaarten voor hun plezier telt wel als "kennis van het gezond verstand"

Gezond verstand redeneerprobleem

Een zelfrijdend autosysteem kan een neuraal netwerk gebruiken om te bepalen welke delen van de foto lijken te passen bij eerdere trainingsbeelden van voetgangers, en die gebieden vervolgens te modelleren als langzaam bewegende maar enigszins onvoorspelbare rechthoekige prisma's die moeten worden vermeden.

Vergeleken met mensen mist de huidige AI een aantal eigenschappen van het gezond verstand van de mens; mensen hebben met name krachtige mechanismen om te redeneren over "naïeve fysica" zoals ruimte, tijd en fysieke interacties. Als gevolg daarvan kunnen zelfs jonge kinderen gemakkelijk gevolgtrekkingen maken zoals "Als ik deze pen van een tafel rol, zal hij op de grond vallen". Mensen hebben ook een krachtig mechanisme van "volkspsychologie" dat hen helpt bij het interpreteren van zinnen in natuurlijke taal zoals "Gemeenteraadsleden weigerden de demonstranten een vergunning omdat ze voor geweld pleitten". (Een algemene AI kan moeilijk onderscheid maken tussen de raadsleden en de demonstranten die voor geweld pleiten).Dit gebrek aan "algemene kennis" betekent dat AI vaak andere fouten maakt dan mensen, op manieren die onbegrijpelijk kunnen lijken. Bestaande zelfrijdende auto's kunnen bijvoorbeeld niet op dezelfde manier als mensen redeneren over de locatie of bedoelingen van voetgangers en moeten in plaats daarvan niet-menselijke manieren van redeneren gebruiken om ongelukken te voorkomen.

Overlappende subonderwerpen van gezond verstand redeneren omvatten hoeveelheden en metingen, tijd en ruimte, natuurkunde, geest, samenleving, plannen en doelen, en acties en verandering.

Gezond verstand kennisprobleem

Het commonsense kennisprobleem is een actueel project op het gebied van kunstmatige intelligentie om een database te creëren die de algemene kennis bevat die de meeste mensen geacht worden te hebben, weergegeven op een manier die toegankelijk is voor kunstmatige intelligentieprogramma's die natuurlijke taal gebruiken. Dit probleem wordt beschouwd als een van de moeilijkste problemen in AI-onderzoek vanwege de brede reikwijdte van algemene kennis. Om een taak uit te voeren zoals een mens dat zou doen, moet de machine net zo intelligent lijken als een mens. Zulke taken zijn onder andere objectherkenning, machinevertaling en tekstontginning. Om deze taken uit te voeren, moet de machine zich bewust zijn van dezelfde concepten die een mens met gezond verstand zou herkennen.

Gezond verstand bij intelligente taken

In 1961 besprak Bar Hillel voor het eerst de noodzaak en het belang van praktische kennis voor natuurlijke taalverwerking in de context van automatische vertaling. Sommige dubbelzinnigheden kunnen worden opgelost met behulp van eenvoudige en gemakkelijk aan te leren regels. Andere vereisen een breed begrip van de omringende wereld en vereisen dus meer commonsense kennis. Wanneer bijvoorbeeld een machine wordt gebruikt om een tekst te vertalen, ontstaan er dubbelzinnigheidsproblemen die eenvoudig kunnen worden opgelost door een concreet en waar begrip van de context te verwerven. Online vertalers lossen dubbelzinnigheden vaak op door analoge of soortgelijke woorden te gebruiken. Bijvoorbeeld, bij het vertalen van de zinnen "De elektricien werkt" en "De telefoon werkt" in het Duits, vertaalt de machine "werken" correct als "laboren" in de eerste zin en als "goed functioneren" in de tweede zin. De machine heeft in de teksten gezien en gelezen dat de Duitse woorden voor "laboring" en "electrician" vaak samen worden gebruikt en dicht bij elkaar liggen. Hetzelfde geldt voor "telefoon" en "goed functioneren". De statistische proxy die in eenvoudige gevallen werkt, faalt echter vaak in complexe gevallen. Bestaande computerprogramma's voeren eenvoudige taaltaken uit door korte zinnen of afzonderlijke woorden te manipuleren, maar ze proberen geen dieper begrip te krijgen en richten zich op kortetermijnresultaten.

Dit soort problemen doen zich voor bij computervisie. Als u bijvoorbeeld naar een foto van een badkamer kijkt, zijn sommige voorwerpen die klein zijn en slechts gedeeltelijk zichtbaar zijn, zoals washandjes en flessen, herkenbaar aan de omringende objecten (toilet, wastafel, badkuip), die het doel van de kamer suggereren. In een geïsoleerd beeld zouden ze moeilijk te identificeren zijn. Films blijken nog moeilijkere taken te zijn. Sommige films bevatten scènes en momenten die niet kunnen worden begrepen door eenvoudigweg opgeslagen sjablonen aan afbeeldingen te koppelen. Om bijvoorbeeld de context van de film te begrijpen, moet de kijker conclusies trekken over de bedoelingen van de personages en aannames doen, afhankelijk van hun gedrag. In de huidige stand van de techniek is het onmogelijk een programma te bouwen en te beheren dat taken als redeneren, dat wil zeggen het voorspellen van de acties van personages, kan uitvoeren. Het meeste dat gedaan kan worden is het identificeren van basisacties en het volgen van karakters.

Robotachtige manipulatie

De noodzaak en het belang van gezond verstand redeneren bij autonome robots die in een echte, ongecontroleerde omgeving werken, is duidelijk. Als een robot bijvoorbeeld is geprogrammeerd om de taken van een ober op een cocktailparty uit te voeren, en hij ziet dat het glas dat hij heeft opgepakt gebroken is, moet de ober-robot de vloeistof niet in het glas gieten, maar in plaats daarvan de vloeistof oppakken. nog een. Dergelijke taken lijken voor de hand liggend als een individu over een eenvoudige, gezonde redenering beschikt, maar het is een uitdaging om ervoor te zorgen dat een robot dergelijke fouten zal vermijden.

Successen in geautomatiseerd gezond verstand redeneren

Er is aanzienlijke vooruitgang geboekt op het gebied van geautomatiseerd redeneren op basis van gezond verstand op het gebied van taxonomisch redeneren, redeneren over acties en veranderingen, en redeneren over tijd. Elk van deze gebieden heeft een goed erkende theorie voor een breed scala van gezond verstand inferenties.

Taxonomische redenering

Taxonomie is de verzameling individuen en categorieën en hun relaties. Drie basisrelaties zijn:

• Een individu is een exemplaar van een categorie. De individuele Tweety is bijvoorbeeld een exemplaar van de categorie robin .
• De ene categorie is een subset van de andere. Robin is bijvoorbeeld een subset van vogel .
• Twee categorieën zijn onsamenhangend. Robin is bijvoorbeeld niet verbonden met pinguïn .

Transitiviteit is een soort gevolgtrekking in de taxonomie. Omdat Tweety een instantie is van robin en robin een subset van bird is, volgt hieruit dat Tweety een instantie is van bird . Overerving is een ander soort gevolgtrekking. Omdat Tweety een exemplaar is van robin, een subset van bird en bird is gemarkeerd met de eigenschap canfly, volgt hieruit dat Tweety en robin de eigenschap canfly hebben. Wanneer een individuele taxonomie meer abstracte categorieën indeelt, wordt het schetsen en afbakenen van specifieke categorieën problematischer. Eenvoudige taxonomische structuren worden vaak gebruikt in AI-programma’s. WordNet is bijvoorbeeld een hulpmiddel met een taxonomie, waarvan de elementen de betekenis van Engelse woorden zijn. Webminingsystemen die worden gebruikt om gezond verstand uit webdocumenten te verzamelen, richten zich op taxonomische relaties en specifiek op het verzamelen van taxonomische relaties.

Actie en verandering

De theorie van actie, gebeurtenissen en verandering is een ander onderdeel van redeneren met gezond verstand.  Er zijn gevestigde methoden om te redeneren voor domeinen die voldoen aan de volgende beperkingen:

• Gebeurtenissen zijn atomair, wat betekent dat één gebeurtenis tegelijk plaatsvindt en dat de redenaar rekening moet houden met de staat en toestand van de wereld aan het begin en aan het einde van de specifieke gebeurtenis, maar niet tijdens de staten, zolang er nog steeds bewijs is van gaande veranderingen (vooruitgang).
• Elke verandering is het resultaat van een bepaalde gebeurtenis
• Gebeurtenissen zijn deterministisch, wat betekent dat de toestand van de wereld aan het einde van de gebeurtenis wordt bepaald door de toestand van de wereld aan het begin en de specificatie van de gebeurtenis.
• Er is één enkele acteur en alle gebeurtenissen zijn hun acties.
• De relevante toestand van de wereld in het begin is bekend of kan worden berekend.

Tijdelijke redenering

Temporeel redeneren is het vermogen om aannames te doen over de kennis van mensen over tijden, tijdsduren en tijdsintervallen. Als een individu bijvoorbeeld weet dat Mozart na Haydn werd geboren en eerder stierf dan hij, kunnen ze hun kennis van temporeel redeneren gebruiken om af te leiden dat Mozart jonger was gestorven dan Haydn. De betrokken gevolgtrekkingen reduceren zichzelf tot het oplossen van systemen van lineaire ongelijkheden. Het integreren van dat soort redeneringen met concrete doeleinden, zoals interpretatie in natuurlijke taal, is een grotere uitdaging, omdat uitdrukkingen in natuurlijke taal een contextafhankelijke interpretatie hebben. Eenvoudige taken zoals het toekennen van tijdstempels aan procedures kunnen niet met volledige nauwkeurigheid worden uitgevoerd.

Kwalitatieve redenering

Kwalitatief redeneren is de vorm van gezond verstand redeneren die met zeker succes is geanalyseerd. Het houdt zich bezig met de richting van verandering in onderling verbonden grootheden. Als de prijs van een aandeel bijvoorbeeld stijgt, zal het aantal aandelen dat zal worden verkocht dalen. Als een bepaald ecosysteem wolven en lammeren bevat en het aantal wolven afneemt, zal het sterftecijfer van de lammeren ook dalen. Deze theorie werd voor het eerst geformuleerd door Johan de Kleer, die een object analyseerde dat in een achtbaan beweegt. De theorie van kwalitatief redeneren wordt op veel gebieden toegepast, zoals natuurkunde, biologie, techniek, ecologie, enz. Het dient als basis voor veel praktische programma's, analoge mapping, tekstbegrip.

Uitdagingen bij het automatiseren van gezond verstand redeneren

Sinds 2014 zijn er enkele commerciële systemen die proberen het gebruik van gezond verstand-redeneren significant te maken. Ze gebruiken echter statistische informatie als proxy voor kennis van gezond verstand, waarbij redenering ontbreekt. De huidige programma's manipuleren individuele woorden, maar ze proberen geen verder begrip te bieden. Volgens Ernest Davis en Gary Marcus staan vijf grote obstakels het voortbrengen van een bevredigende ‘gezond verstand-redeneerder’ in de weg.

• Ten eerste worden sommige domeinen die betrokken zijn bij gezond verstand redeneren slechts gedeeltelijk begrepen. Individuen hebben verre van een alomvattend begrip van domeinen als communicatie en kennis, interpersoonlijke interacties of fysieke processen.

• Ten tweede kunnen situaties die gemakkelijk te voorspellen of te veronderstellen lijken, een logische complexiteit hebben, die de menselijke kennis van het gezonde verstand niet dekt. Sommige aspecten van vergelijkbare situaties worden bestudeerd en worden goed begrepen, maar er zijn veel relaties die zelfs in principe onbekend zijn en hoe ze kunnen worden weergegeven in een vorm die door computers kan worden gebruikt.

• Ten derde impliceert gezond verstand redeneren plausibele redenering. Het vereist het komen tot een redelijke conclusie, gegeven wat al bekend is. Plausibele redenering wordt al vele jaren bestudeerd en er zijn veel theorieën ontwikkeld die probabilistische redenering en niet-monotone logica omvatten. Het neemt verschillende vormen aan, waaronder het gebruik van onbetrouwbare gegevens en regels, waarvan de conclusies soms niet zeker zijn.

• Ten vierde zijn er veel domeinen waarin een klein aantal voorbeelden extreem vaak voorkomt, terwijl er een groot aantal zeer zeldzame voorbeelden bestaat.

Vergeleken met mensen presteren bestaande computerprogramma's vanaf 2018 extreem slecht op moderne benchmarktests voor "gezond verstand redeneren", zoals de Winograd Schema Challenge . Het probleem van het bereiken van competentie op menselijk niveau bij taken met "gezond verstand" wordt waarschijnlijk als " AI compleet " beschouwd (dat wil zeggen dat het oplossen ervan het vermogen vereist om intelligentie op menselijk niveau te synthetiseren). Sommige onderzoekers zijn van mening dat leergegevens onder toezicht onvoldoende zijn om een kunstmatige algemene intelligentie te produceren die in staat is tot gezond verstand redeneren, en hebben zich daarom tot leertechnieken met minder toezicht gewend.

Benaderingen en technieken

Het redeneringsonderzoek van Commonsense is onderverdeeld in op kennis gebaseerde benaderingen en benaderingen die gebaseerd zijn op machinaal leren over en het gebruik van een grote datacorpora met beperkte interacties tussen deze twee soorten benaderingen. </link> . Er zijn ook crowdsourcing-benaderingen, waarbij wordt geprobeerd een kennisbasis op te bouwen door de collectieve kennis en de inbreng van niet-deskundige mensen met elkaar te verbinden. Op kennis gebaseerde benaderingen kunnen worden onderverdeeld in benaderingen die zijn gebaseerd op wiskundige logica </link> .

Bij op kennis gebaseerde benaderingen analyseren de experts de kenmerken van de gevolgtrekkingen die nodig zijn om te kunnen redeneren op een specifiek gebied of voor een bepaalde taak. De op kennis gebaseerde benaderingen bestaan uit wiskundig gefundeerde benaderingen, informele, op kennis gebaseerde benaderingen en grootschalige benaderingen. De wiskundig gefundeerde benaderingen zijn puur theoretisch en het resultaat is een gedrukt papier in plaats van een programma. Het werk beperkt zich tot de reikwijdte van de domeinen en de redeneertechnieken waarover wordt gereflecteerd. In informele, op kennis gebaseerde benaderingen zijn redeneertheorieën gebaseerd op anekdotische gegevens en intuïtie die het resultaat zijn van de empirische gedragspsychologie. Informele benaderingen zijn gebruikelijk bij het programmeren van computers. Twee andere populaire technieken om op gezond verstand gebaseerde kennis uit webdocumenten te halen, zijn webmining en crowdsourcing .

COMET (2019), dat zowel de OpenAI GPT- taalmodelarchitectuur als bestaande op gezond verstand gebaseerde kennisbanken zoals ConceptNet gebruikt, beweert op gezond verstand gebaseerde gevolgtrekkingen te genereren op een niveau dat menselijke maatstaven benadert. Net als veel andere huidige inspanningen vertrouwt COMET te veel op oppervlaktetaalpatronen en wordt geoordeeld dat het een diep menselijk begrip van veel gezond verstand-concepten ontbeert. Andere taalmodelbenaderingen omvatten training over visuele scènes in plaats van alleen tekst, en training over tekstuele beschrijvingen van scenario's waarbij op gezond verstand wordt ingegaan.

Referenties

• Davis, Ernest, Representations of Commonsense Reasoning, Morgan Kaufmann, San Mateo, Calif.. ISBN 1-55860-033-7. 
• McCarthy, John, Formalizing Common Sense, Ablex, Norwood, N.J.. ISBN 1-871516-49-8.
• Minsky, Marvin, The Society of Mind, Simon and Schuster, New York. ISBN 0-671-60740-5.
• Minsky, Marvin, The Emotion Machine: Commonsense Thinking, Artificial Intelligence, and the Future of the Human Mind, Simon and Schuster, New York. ISBN 0-7432-7663-9.
• Mueller, Erik T., Commonsense Reasoning: An Event Calculus Based Approach, 2nd, Morgan Kaufmann/Elsevier, Waltham, Mass.. ISBN 978-0128014165.
• edX, (2014). Artificial Intelligence. [online] Available at: https://www.edx.org/course/artificial-intelligence-uc-berkeleyx-cs188-1x [Accessed 5 Nov. 2015].
• Encyclopedia.com, (2015). "commonsense knowledge." A Dictionary of Sociology | Encyclopedia.com: FREE online dictionary. [online] Available at: http://www.encyclopedia.com/doc/1O88-commonsenseknowledge.html [Accessed 13 Aug. 2017].
• Hageback, Niklas. (2017). The Virtual Mind: Designing the Logic to Approximate Human Thinking (Chapman & Hall/CRC Artificial Intelligence and Robotics Series) 1st Edition. ISBN 978-1138054035ISBN 978-1138054035.
• Intelligence, A. (2015). Artificial Intelligence. [online] Elsevier. Available at: http://www.journals.elsevier.com/artificial-intelligence/ [Accessed 5 Nov. 2015].
• Leaderu.com, (2015). ARTIFICIAL INTELLIGENCE AS COMMON SENSE KNOWLEDGE. [online] Available at: http://www.leaderu.com/truth/2truth07.html [Accessed 5 Nov. 2015].
• Lenat, D., Prakash, M. and Shepherd, M. (1985). CYC: Using Common Sense Knowledge to Overcome Brittleness and Knowledge Acquisition Bottlenecks. AI Magazine, 6(4), p. 65.
• Levesque, H. (2017). Common Sense, the Turing Test, and the Quest for Real AI. MIT Press.
• Psych.utoronto.ca, (2015). Artificial Intelligence | The Common Sense Knowledge Problem. [online] Available at: http://psych.utoronto.ca/users/reingold/courses/ai/commonsense.html [Accessed 5 Nov. 2015].
• CommonSense - Knowledge Management Overview. Sensesoftware.com (2015) Gearchiveerd op 17 July 2015. Geraadpleegd op 5 Nov 2015..
• the Guardian, (2015). Artificial intelligence (AI) | Technology | The Guardian. [online] Available at: https://www.theguardian.com/technology/artificialintelligenceai [Accessed 5 Nov. 2015].
• Udacity.com, (2015). Intro to Artificial Intelligence Course and Training Online. [online] Available at: https://www.udacity.com/course/intro-to-artificial-intelligence--cs271
• W3.org, (2015). Computers with Common Sense. [online] Available at: http://www.w3.org/People/Raggett/Sense/ [Accessed 5 Nov. 2015].

Externe links

• Website voor gezond verstand redeneren
• Gezond verstand redeneren Probleempagina
• Media Lab Commonsense Computing-initiatief
• Het Epilog-project aan de Universiteit van Rochester
• Kennisinfusie: op zoek naar robuustheid in kunstmatige intelligentie

Dit artikel "Gezond verstand redeneren" is uit Wikipedia. De lijst van zijn auteurs is te zien in zijn historische   en/of op de pagina Edithistory:Gezond verstand redeneren.

📰 Article(s) of the same category(ies)

• DAU’IA
• Axiles Bionica
• NateNet
• DDKing

---

 Facebook Page

 Follow us on Twitter !

Read or create/edit this page in another language

• Gezond verstand redeneren in English