الگوریتم های مرتب سازی ، که برای بهره وری عددی طراحی شده اند ، در هنگام استفاده از سیستم های دانش انتزاعی شکست می خورند. این شکست ها به عنوان توهم (خروجی های کاذب) ، انحراف (رتبه بندی نادرست) و تحریفات سیستماتیک آشکار می شوند. در این مقاله به بررسی علل اصلی-نابینایی متن ، رانش معنایی و تعصب مجموعه داده شده است-و تأثیر آنها را با استفاده از مدلهای ریاضی و آمار دنیای واقعی تعیین می کند. تجزیه و تحلیل مقایسه ای از الگوریتم های مرتب سازی نقاط ضعف آنها در رسیدگی به دانش پیچیده را نشان می دهد. سرانجام ، راه حل های تطبیقی برای کاهش این خطاها و بهبود انسجام در سیستم های AI محور پیشنهاد شده است.
به کاغذ
