في عالم الذكاء الاصطناعي، يمثل التعامل مع البيانات غير المتناسقة تحدياً كبيراً. يتناول بحثنا الجديد تطبيق خوارزميات مبتكرة للاستعلام عن قواعد المعرفة التي تحتوي على أولويات رغم وجود تناقضات. تتكون هذه القواعد من نظرية منطقية ومجموعة من الحقائق وعلاقة أولوية بين الحقائق المتضاربة.

قسمنا البحث إلى ثلاثة مفاهيم معروفة تمثل معايير مختلفة للإجابة على الاستعلامات: AR و IAR و brave. يعتمد كل من هذه المعايير على نوعين من الإصلاحات المثلى: Pareto و completion. وقد أثبتت الدراسات أن تحديد ما إذا كانت إجابة الاستعلام صحيحة ضمن هذه المعايير يمثل تحدياً صعباً، يصل مستوى التعقيد فيه إلى (co)NP-complete.

من خلال تطبيق إجراءات استنادًا إلى الـ SAT (Boolean Satisfiability Problem) للخوارزميات، قدمنا للمرة الأولى ترميزاً يُعتمد عليه للإصلاحات المثلى. وقد وجدنا طرقًا متعددة لاستخدام هذه الترميزات الموجودة والجديدة لحساب الإجابات تحت المعايير المعتمدة على الإصلاحات المثلى، مع الاستفادة من أوضاع التفكير المختلفة لمحركات الـ SAT.

تقديم تقييم شامل للتجارب التطبيقية التي أجريت، حيث تم مقارنة تأثير اعتمادية المعايير المختلفة على نوع الإصلاح و أداء الإجراءات البديلة لهذا المعيار، مما ساعد على تعزيز فهم كيفية تحسين أداء الاستعلامات تحت ظروف تناقض البيانات.

إذاً، كيف يمكن تفعيل هذه الخوارزميات بشكل عملي؟ هل يمكن أن تمهد هذه الابتكارات الطريق لاستخدامات أوسع للذكاء الاصطناعي في مجالات متعددة؟