En el campo de la investigación de la inteligencia artificial (IA), el conocimiento de sentido común se define como el conjunto de hechos sobre el mundo cotidiano que se asumen conocidos por todos los seres humanos. Ejemplos sencillos como "los limones son agrios" o "las vacas hacen mu" representan este tipo de saber fundamental que, aunque trivial para las personas, constituye un problema no resuelto en el camino hacia la inteligencia artificial general (AGI).
El Proceso de Razonamiento de Sentido Común
El conocimiento de sentido común sirve como base para el razonamiento de sentido común, permitiendo que los sistemas de IA realicen inferencias lógicas sobre situaciones cotidianas. Por ejemplo, un sistema podría inferir que alguien hornea un pastel porque desea que otras personas lo coman.
Este proceso es crucial para resolver problemas cuando la información es incompleta. La IA utiliza creencias ampliamente aceptadas para hacer suposiciones por defecto. Por ejemplo, si el sistema sabe que "Tweety es un pájaro" y posee la creencia general de que "típicamente los pájaros vuelan", asumirá que Tweety puede volar. Si posteriormente se descubre que "Tweety es un pingüino", el sistema utiliza un proceso de mantenimiento de la verdad para revisar y corregir su suposición inicial basándose en el hecho de que los pingüinos no vuelan.
Construcción de Bases de Conocimiento
Compilar bases de conocimiento de sentido común (CSKBs) ha sido un desafío histórico. Los esfuerzos han evolucionado desde proyectos impulsados por expertos como CYC y WordNet hacia enfoques colaborativos y automatizados:
- ConceptNet: Una base de conocimiento nacida del proyecto crowdsourcing OpenMind.
- Minería de Texto: Herramientas como WebChild y Quasimodo han intentado automatizar la construcción de estas bases.
- Modelos de Lenguaje Pre-entrenados: Proyectos como AutoTOMIC extraen conocimiento directamente de modelos de lenguaje masivos.
A pesar de estos avances, persisten retos en la representación de los datos. La mayoría de los proyectos utilizan un modelo de datos de "tripletas", aunque excepciones como GenericsKB mantienen las oraciones completas para evitar la pérdida de matices en el lenguaje natural.
Aplicaciones Prácticas
El conocimiento de sentido común se aplica en diversas áreas para mejorar la interacción humano-máquina:
- Detección de Acoso: El sistema BullySpace (basado en ConceptNet) fue desarrollado por el MIT para identificar comentarios insultantes en redes sociales analizando estereotipos y contextos sociales.
- Chatbots y Ficción: Se utiliza para crear agentes conversacionales más naturales y computadoras capaces de componer ficción original.
- Seguridad Internacional: En el Laboratorio Nacional Lawrence Livermore, se ha empleado para detectar violaciones de tratados de prohibición de pruebas nucleares.
Ejemplos de Relaciones en ConceptNet
| Relación | Ejemplo | Descripción |
|---|---|---|
| IsA | Un "RV" es un "vehículo" | X es una instancia de Y |
| UsedFor | Un "molde de pastel" se usa para "hacer pasteles" | X se usa para el propósito Y |
| HasA | Un "conejo" tiene una "cola" | X posee el elemento o característica Y |
| CapableOf | Un "cocinero" es capaz de "hacer productos horneados" | X es capaz de hacer Y |
