A Probabilistic Framework for Hierarchical Goal Recognition
تقدم هذه الورقة أول إطار عمل احتمالي قائم على التخطيط للتعرف الهرمي على الأهداف من خلال دمج شبكات المهام الهرمية (HTNs) مع نموذج توليدي ثلاثي المراحل لاستنتاج فرضيات الأهداف في ظل عدم اليقين.
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
تخيل أنك تجلس في مقهى، تراقب شخصاً غريباً. يلتقط منديلاً، ثم يمسك بظرف سكر، يحرك قهوته، ثم فجأة يمد يده ليتناول فطيرة التوت.
يبدأ عقلك فوراً في لعب لعبة "ما هو هدفه؟". أنت لا ترى مجرد سلسلة من الحركات العشوائية؛ بل ترى قصة. تفكر: "إنه يتناول وجبة إفطار خفيفة"، أو "إنه يستعد لجلسة دراسة طويلة".
أنت تفعل ذلك لأن البشر خبراء طبيعيون في التعرف الهرمي على الأهداف. نحن لا نتتبع فقط حركات الأصابع الصغيرة؛ بل نجمعها في "فصول" (مثل "إعداد القهوة") و"مشاهد" (مثل "التحريك").
المشكلة: الروبوت الذي يعمل بمبدأ "الكل أو لا شيء"
حتى الآن، كانت معظم أنظمة الذكاء الاصط de التي تحاول القيام بذلك جامدة للغاية—مثل أمين مكتبة صارم جداً.
إذا أخبرت ذكاءً اصطناعياً تقليدياً: "الشخص يقوم بإعداد القهوة"، ثم أسقط الشخص الملعقة بالخطأ (وهو "فعل خارجي" أو خطأ عشوائي)، سيهلع الذكاء الاصطناعي. سيقول: "خطأ! إسقاط الملعقة ليس موجوداً في دليل 'إعداد القهوة'! لذلك، هو لا يقوم بإعداد القهوة!". لقد كان نظاماً يعتمد على "الكل أو لا شيء"، ولم يكن قادراً على التعامل مع "فوضوية" الحياة الواقعية، مثل الضجيج، أو الأخطاء، أو المقاطعات العشوائية.
الحل: "المحقق ذو الحدس"
لقد ابتكر الباحثون في هذه الورقة البحثية إطار عمل جديداً يحول الذكاء الاصطناعي من أمين مكتبة صارم إلى محقق ماهر.
بدلاً من قول "نعم" أو "لا" لهدف ما، يستخدم هذا الذكاء الاصطني الجديد الاحتمالات. إنه يقول: "أنا متأكد بنسبة 80% أنه يعد الإفطار، ولكن هناك احتمال بنسبة 20% أنه يقوم فقط بالتنظيف".
إليك كيف يعمل "ذكاء المحقق"، باستخدام عملية مكونة من ثلاث خطوات:
- المخطط (التفكيك): ينظر الذكاء الاصطناعي إلى هدف كبير (مثل "صنع شطيرة") ويعرف أنه يتكون من خطوات أصغر (إحضار الخبز، دهن المربى، إلخ). إنه يفهم "شجرة العائلة" للأفعال.
- البروفة (الخطيّة): يتخيل الذكاء الاصطناعي جميع الطرق المختلفة التي يمكن لشخص ما أن يؤدي بها تلك الخطوات فعلياً. هو يعلم أنه لا توجد طريقة واحدة فقط لصنع الشطيرة؛ يمكنك أخذ الخبز أولاً أو المربى أولاً.
- المقارنة (الاحتمالية): هذا هو السر الكامن وراء نجاحه. يقارن الذكاء الاصطناعي ما "يراه" يحدث في الحياة الواقعية مع "البروفات" التي تخيلها.
لماذا هذا أفضل؟ (عامل "المفاجأة")
تقدم الورقة البحثية طريقة بارعة للتعامل مع "المفاجآت".
تخيل مشتبهاً بهين:
- المشتبه به (أ): طباخ محترف. لتفسير سبب إمساكه بسكين، عليك أن تفترض أنه يؤدي طقوساً معقدة ونادرة جداً.
- المشتبه به (ب): شخص يصنع شطيرة. لتفسير وجود السكين، يكفي أن تفترض أنه يقطع الخبز.
الذكاء الاصطناعي القديم قد يختار المشتبه به (أ) لأن "الطقوس" ممكنة تقنياً. لكن الذكاء الاصطناعي الاحتمالي الجديد يقول: "انتظر، المشتبه به (ب) أقل إثارة للدهشة. من المرجح جداً أن يكون شخصاً عادياً يصنع شطيرة فحسب". إنه يفضل التفسير الذي يتطلب أقل قدر من "الغرابة" ليكون منطقياً.
اختبار "الواقع الفوضوي"
لقد جعل الباحثون الذكاء الاصطناعي "متسامحاً" أيضاً. إذا قام الشخص في المقهى بشيء عشوائي تماماً—مثل تفقد هاتفه—فإن الذكاء الاصطناعي لا يلقي بنظريته بأكملها في القمامة. هو ببسا-ط يقول: "تفقد الهاتف هذا كان مقاطعة عشوائية، لكن بقية الأفعال لا تزال تشبه إلى حد كبير شخصاً يعد وجبة الإفطار".
ملخص
باختصار، تنقل هذه الورقة البحثية الذكاء الاصطناعي من كونه تابعاً للقواعد بجمود إلى كونه مراقباً دقيقاً. إنها تسمح للآلات بفهم النوايا البشرية في عالم فوضوي، غير متوقع، ومليء بالحركات "الإضافية" التي لا تتناسب دائماً مع الخطة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.