Cost-Based Semantics for Querying Inconsistent Weighted Knowledge Bases
تقترح هذه الورقة إطاراً كمياً للاستعلام عن قواعد معرفة المنطق الوصفي الموزونة وغير المتسقة من خلال تعريف الإجابات المؤكدة والممكنة بناءً على تفسيرات مقيدة بالتكلفة أو ذات التكلفة المثلى، وتوفر تحليلاً شاملاً للتعقيد الحسابي لهذه المشكلات عبر منطقيات تتراوح من ELbot إلى ALCO.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
الواقع الفوضوي للمنطق المثالي
تخيل أنك تحاول حل لغز ضخم، ولكن أحدهم قام سراً باستبدال بعض القطع أو طلاء حوافها. في عالم علوم الحاسوب، وتحديداً في مجال يسمى تمثيل المعرفة (Knowledge Representation)، نقوم ببناء ألغاز رقمية ضخمة تسمى "قواعد المعرفة". هذه القواعد تشبه كتيبات تعليمات ضخمة تخبر الحواسيب كيف يعمل العالم، حيث تمزج بين مجموعة من القواعد العامة (مثل "كل الطيور تطير") وحقائق محددة (مثل "تويتي طائر").
عادةً ما تُصمم هذه الألغاز لتكون مثالية. فإذا لم تتعارض القواعد والحقائق، يمكن للحاسوب بسهما أن يخبرك بالإجابة على أي سؤال تطرحه. ولكن في العالم الحقيقي، تكون البيانات فوضوية. فأحياناً تتعارض الحقائق مع القواعد، أو تتصارع حقيقتان مع بعضهما البعض. في الطريقة القديمة، إذا وجد الحاسوب ولو تناقضاً واحداً صغيراً، فإنه يرفع يديه الرقميتين قائلاً: "أنا أستسلم! بما أن كل شيء مكسور، فكل شيء يمكن أن يكون صحيحاً". وهذه مشكلة لأنها تعني أن الحاسوب يتوقف عن إعطائك إجابات مفيدة.
لحل هذه المشكلة، حاول الباحثون تجربة استراتيجيات مختلفة. يحاول البعض إزالة القطع السيئة جراحياً لجعل اللغز متسقاً مرة أخرى. بينما يقول آخرون: "دعونا ننظر فقط إلى أكبر جزء من اللغز الذي يتناسب بالفعل". لكن هذه الطرق غالباً ما تعامل كل قطعة من البيانات على أنها متساوية في الأهمية، أو تفرض خياراً ثنائياً: إما أن تكون القاعدة قانوناً مطلقاً، أو مجرد قمامة. ماذا لو كانت بعض القواعد "صحيحة عادةً" وبعض الحقائق "محتملة جداً" وأخرى "ربما"؟ يستكشف هذا البحث طريقة جديدة للتعامل مع هذه الألغاز الفوضوية والمتناقضة من خلال تخصيص "ثمن" لكل خطأ.
نهج "بطاقة السعر" للألغاز المكسورة
في هذا البحث، يقدم المؤلفون طريقة جديدة وذكية للاستعلام عن قواعد المعرفة الفوضوية وغير المتسقة هذه. فبدلاً من محاولة جعل اللغز مثالياً، يعاملونه كأنه لعبة يمكنك فيها كسر القواعد، ولكن في كل مرة تفعل ذلك، يتعين عليك دفع غرامة.
تخيل قاعدة معرفتك كأنها حارس بوابة صارم في ملهى ليلي. في الأيام الخوالي، إذا انتهكت ولو قاعدة واحدة، كان الحارس يطردك ويرفض التحدث إليك تماماً. في هذا النظام الجديد، يمتلك الحارس دفتراً للحسابات. بعض القواعد هي "قوان صارمة" (مثل "يجب أن تبلغ من العمر 21 عاماً للدخول")، وكسرها يكلف مبلغاً لا نهائياً من المال - لذا لا يمكنك فعل ذلك ببساطة. وهناك قواعد أخرى هي "اقتراحات ناعمة" (مثل "ارتداء ربطة عنق"). كسر القاعدة الناعمة يكلف رسوماً صغيرة، لنقل مثلاً 5 دولارات. إذا كانت لديك حقيقة موثوقة للغاية، فإن تجاهلها يكلف الكثير؛ وإذا كانت حقيقة مهتزة، فإن تجاهلها يكلف القليل جداً.
يقوم الحاسوب بعد ذلك بالنظر في جميع الطرق الممكنة لتفسير البيانات. قد تكسر بعض التفسيرات بعض القواعد الناعمة، مما يكلف مبلغاً قليلاً. وقد تكسر تفسيرات أخرى قواعد كثيرة، مما يكلف ثروة. يقوم الحاسوب بحساب "التكلفة الإجمالية" لكل سيناريو محتمل.
حدد المؤلفان طريقتين رئيسيتين لإيجاد الإجابات بناءً على هذه التكلفة:
- نهج "أفضل صفقة": ينظر الحاسوب فقط في السيناريوهات التي تكلف الحد الأدنى المطلق من المال. هو يسأل: "ما هو الشيء الصحيح في الطريقة الأكثر كفاءة والأقل تكلفة لفهم هذه الفوضى؟"
- نهج "الميزانية": يضع الحاسوب حداً للإنفاق (ميزانية). هو يسأل: "ما هو الشيء الصحيح في أي سيناريو يظل تحت هذه الميزانية؟" وهذا مفيد إذا كنت تريد معرفة الإجابات "القوية" - بمعنى أنها تظل صحيحة حتى لو كنت مستعداً لدفع مبلغ إضافي قليلاً لإصلاح البيانات.
لا يكتفي البحث باقتراح هذه الفكرة فحسب، بل يختبر بصرامة مدى صعوبة قيام الحاسوب بهذا الحساب الرياضي. قام المؤلفون بتحليل "التعقيد" لهذه المشكلة، وهو باختاً مقياس لقوة الحوسبة والوقت الذي سيستغرقه حل هذه الألغاز كلما كبر حجمها. لقد نظروا في أنواع مختلفة من الأنظمة المنطقية، بدءاً من الأنظمة البسيطة (مثل قواعد التصنيف الأساسية) وصولاً إلى الأنظمة الأكثر تعقيداً (التي تحتوي على أرقام، وأسماء محددة، وعلاقات متشابكة).
نتائجهم هي مزيج من الأخبار الجيدة وعبارة "يعتمد الأمر على الظروف". فقد أثبتوا أنه بالنسبة لأكثر أنواع المنطق تعقيداً، فإن استخراج الإجابات أمر صعب للغاية على الحواسيب - فهي تقع ضمن فئة المشكلات التي قد تستغرق وقتاً أسياً للحل مع نمو البيانات. ومع ذلك، بالنسبة لأنواع المنطق الأبسط والأكثر شيوعاً المستخدمة في العديد من التطبيقات الواقعية، فإن المشكلة قابلة للإدارة، وإن كانت لا تزال صعبة. كما اكتشفوا أن الطريقة التي تكتب بها "التكاليف" (سواء كنت تستخدم عدداً بسيطاً أو رقماً ضخماً) تغير مدى صعوبة المشكلة على الحاسوب.
والأهم من ذلك، يوضح المؤلفون أن هذه الطريقة الجديدة ليست مجرد تخمين؛ بل هي إطار عمل مثبت رياضياً. لقد أثبتوا أنه إذا كانت بياناتكم مثالية (لا توجد تناقضات)، فإن طريقتهم تعطيك نفس الإجابات التي تعطيك إياها الطرق التقليدية المثالية. ولكن عندما تكون البيانات مكسورة، فإن طريقتهم تعطيك قائمة مرتبة من الإجابات: بعضها "مؤكد" (يظهر في السيناريوهات الأرخص والأفضل)، وبعضها "محتمل" (يظهر في سيناريو واحد رخيص على الأقل).
باختصار، يوفر هذا البحث أدوات رياضية للحواسيب لتقول: "حسناً، البيانات فوضوية، ولكن إذا تجاهلنا الأخطاء الأقل أهمية، فإليك ما هو الأكثر احتمالاً أن يكون صحيحاً". إنه يحول "انهيار النظام" إلى "عملية تفاوض"، مما يسم يسمح لنا بالحصول على إجابات مفيدة حتى عندما تكون المعلومات التي لدينا بعيدة كل البعد عن المثالية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.