المعرفة العامة في الذكاء الاصطناعي

في أبحاث الذكاء الاصطناعي، تشير المعرفة العامة (Commonsense Knowledge) إلى مجموعة الحقائق عن العالم اليومي التي يُتوقع من جميع البشر أن يعرفوها، مثل "الليمون حامض" أو "الأبقار تقول مو". يمثل هذا المفهوم تحدياً كبيراً وغير محلول حتى الآن في مجال الذكاء الاصطناعي العام (AGI)، حيث تهدف الأنظمة التي تحاكي محاكاة القدرات البشرية إلى استيعاب هذه البديهيات.

الاستدلال القائم على المعرفة العامة

تعمل المعرفة العامة كأساس لعملية الاستدلال المنطقي، مما يسمح للأنظمة بمحاولة إجراء استنتاجات مثل: "قد تخبز كعكة لأنك تريد أن يأكلها الناس". كما يمكن ربط عمليات معالجة اللغات الطبيعية (NLP) بقاعدة معرفية عامة للإجابة على أسئلة حول العالم.

تساعد المعرفة العامة أيضاً في حل المشكلات عند نقص المعلومات. تستخدم أنظمة الذكاء الاصطناعي ما يُعرف بـ الافتراضات الافتراضية (Default Assumptions) بناءً على المعتقدات الشائعة. على سبيل المثال، إذا علم النظام أن "تويتي طائر"، وبما أن المعتقد الشائع هو أن "الطيور تطير عادةً"، فإنه سيفترض أن "تويتي يمكنه الطيران". ومع ذلك، إذا تعلم النظام لاحقاً أن "تويتي بطريق"، فإن عملية صيانة الحقيقة (Truth Maintenance) تقوم بتعديل هذا الافتراض لأن البطاريق لا تطير.

الاستدلال العام (Commonsense Reasoning)

يحاكي الاستدلال العام القدرة البشرية على استخدام المعرفة العامة لاتخاذ افتراضات حول طبيعة المواقف اليومية وتغيير هذه الافتراضات عند ظهور معلومات جديدة. يشمل ذلك فهم الوقت، المعلومات الناقصة، وعلاقة السبب والنتيجة.

• الذكاء الاصطناعي القابل للتفسير: القدرة على شرح السبب والنتيجة هي جزء أساسي من الذكاء الاصطناعي القابل للتفسير (XAI)، حيث توفر خوارزميات صيانة الحقيقة سجلاً مفصلاً للافتراضات.
• تحديات الأداء: مقارنة بالبشر، تؤدي البرامج الحالية أداءً ضعيفاً جداً في اختبارات الاستدلال العام مثل تحدي وينوغراد (Winograd Schema Challenge).
• اكتمال الذكاء الاصطناعي: يُعتقد أن الوصول إلى مستوى الكفاءة البشرية في مهام المعرفة العامة قد يكون "مكتملاً للذكاء الاصطناعي" (AI-complete)، مما يعني أن حله يتطلب بناء ذكاء اصطناعي بمستوى بشري كامل.

بناء قواعد بيانات المعرفة العامة

يعد تجميع قواعد بيانات شاملة من تأكيدات المعرفة العامة (CSKBs) تحدياً طويل الأمد. بدأت الجهود من المشاريع التي يقودها الخبراء مثل CYC و WordNet، ثم انتقلت إلى المشاريع الجماعية مثل OpenMind التي أدت إلى ظهور ConceptNet.

هناك عدة طرق لأتمتة بناء هذه القواعد، منها:

1. تعدين النصوص: عبر أدوات مثل WebChild و Quasimodo.
2. الاستخراج من النماذج اللغوية: مثل مشروع AutoTOMIC الذي يستخرج المعرفة من النماذج اللغوية المدربة مسبقاً.

لا تزال هناك تحديات في تمثيل المعرفة، حيث تتبع معظم المشاريع نموذج البيانات الثلاثي (Triple Data Model)، بينما تبرز GenericsKB كاستثناء من خلال الاحتفاظ بالجمل كاملة دون تطبيع.

تطبيقات عملية

تم تطبيق المعرفة العامة في عدة مجالات، منها:

• مكافحة التنمر: طور باحثون في MIT نظام BullySpace الذي يستخدم ConceptNet للكشف عن التعليقات المسيئة على وسائل التواصل الاجتماعي من خلال فهم الصور النمطية والافتراضات الاجتماعية.
• روبوتات الدردشة: تُستخدم ConceptNet في تحسين استجابات روبوتات الدردشة وكتابة القصص الخيالية.
• الأمن القومي: استخدم مختبر لورانس ليفرمور الوطني المعرفة العامة في وكيل برمجيات ذكي للكشف عن انتهاكات معاهدة حظر التجارب النووية الشاملة.