stringtranslate.com

Система классной доски

Система доски — это подход искусственного интеллекта, основанный на архитектурной модели доски , [1] [2] [3] [4], где общая база знаний , «доска», итеративно обновляется разнообразной группой источников специальных знаний, начиная с описания проблемы и заканчивая решением. Каждый источник знаний обновляет доску частичным решением, когда его внутренние ограничения соответствуют состоянию доски. Таким образом, специалисты работают вместе, чтобы решить проблему. Модель доски изначально была разработана как способ решения сложных, плохо определенных проблем, где решение является суммой его частей.

Метафора

Следующий сценарий представляет собой простую метафору, которая дает некоторое представление о том, как функционирует доска:

Группа специалистов сидит в комнате с большой доской . Они работают в команде, чтобы провести мозговой штурм решения проблемы, используя доску как рабочее место для совместной разработки решения.

Сессия начинается, когда спецификации проблемы записываются на доске. Все специалисты наблюдают за доской, ища возможность применить свои знания к разрабатываемому решению. Когда кто-то пишет что-то на доске, что позволяет другому специалисту применить свои знания, второй специалист записывает свой вклад на доске, надеясь, что это позволит другим специалистам затем применить свои знания. Этот процесс добавления вкладов на доску продолжается до тех пор, пока проблема не будет решена.

Компоненты

Приложение системы «черная доска» состоит из трех основных компонентов

  1. Модули специалистов по программному обеспечению, которые называются источниками знаний (KS) . Подобно экспертам-людям у доски, каждый источник знаний предоставляет определенные знания, необходимые приложению.
  2. Доска , общий репозиторий проблем, частичных решений, предложений и предоставленной информации. Доску можно рассматривать как динамическую «библиотеку» вкладов в текущую проблему, которые были недавно «опубликованы» другими источниками знаний.
  3. Оболочка управления , которая контролирует поток деятельности по решению проблем в системе. Так же, как нетерпеливым специалистам-людям нужен модератор, чтобы не дать им затоптать друг друга в безумном рывке, чтобы схватить мел, КС нужен механизм, чтобы организовать их использование наиболее эффективным и последовательным образом. В системе классной доски это обеспечивается оболочкой управления.

Изучаемый язык моделирования задач

Система доски — это центральное пространство в многоагентной системе . Она используется для описания мира как коммуникационной платформы для агентов. Чтобы реализовать доску в компьютерной программе, необходима машиночитаемая нотация, в которой могут храниться факты . Одной из попыток сделать это является база данных SQL , другой вариант — язык моделирования обучаемых задач (LTML) . Синтаксис языка планирования LTML похож на PDDL , но добавляет дополнительные функции, такие как структуры управления и модели OWL-S . [5] [6] LTML был разработан в 2007 году [7] как часть гораздо более крупного проекта под названием POIROT (Plan Order Induction by Reasoning from One Trial), [8] который представляет собой фреймворк Learning from demons для интеллектуального анализа процессов . В POIROT трассировки планов и гипотезы хранятся в синтаксисе LTML для создания семантических веб-сервисов . [9]

Вот небольшой пример: Пользователь-человек выполняет рабочий процесс в компьютерной игре. Пользователь нажимает несколько кнопок и взаимодействует с игровым движком . Пока пользователь взаимодействует с игрой, создается трассировка плана. Это означает, что действия пользователя сохраняются в файле журнала . Файл журнала преобразуется в машиночитаемую нотацию, которая обогащается семантическими атрибутами . Результатом является текстовый файл в синтаксисе LTML, который помещается на доску. Агенты (программы в системе доски) способны анализировать синтаксис LTML.

Реализации

Начнем с обсуждения двух известных ранних систем классной доски, BB1 и GBB, а затем обсудим более поздние реализации и приложения.

Архитектура доски BB1 [10] изначально была вдохновлена ​​исследованиями того, как люди планируют выполнение нескольких задач в поездке, и использовала планирование задач в качестве упрощенного примера тактического планирования для Управления военно-морских исследований . [11] Хейс-Рот и Хейс-Рот обнаружили, что человеческое планирование было более точно смоделировано как оппортунистический процесс, в отличие от преимущественно нисходящих планировщиков, которые использовались в то время:

Хотя это и не противоречит моделям последовательного уточнения, наш взгляд на планирование несколько отличается. Мы разделяем предположение, что процессы планирования работают в двумерном пространстве планирования, определенном по временным и абстрактным измерениям. Однако мы предполагаем, что деятельность людей по планированию в значительной степени является оппортунистической. То есть, в каждой точке процесса текущие решения и наблюдения планировщика предполагают различные возможности для разработки плана. Последующие решения планировщика следуют за выбранными возможностями. Иногда эти последовательности решений следуют упорядоченному пути и производят аккуратное расширение сверху вниз, как описано выше. Однако некоторые решения и наблюдения могут также предполагать менее упорядоченные возможности для разработки плана. [12]

Ключевым нововведением BB1 было то, что он применил эту модель оппортунистической планировки к своему собственному контролю, используя ту же модель доски для постепенного, оппортунистического решения проблем, которая применялась для решения проблем предметной области. Метауровневое рассуждение с источниками знаний управления могло затем отслеживать, продвигались ли планирование и решение проблем так, как ожидалось, или останавливались. В случае остановки BB1 мог переключаться с одной стратегии на другую по мере изменения условий, таких как рассматриваемые цели или оставшееся время. BB1 применялся в нескольких областях: планирование строительной площадки, [13] выведение трехмерных структур белков из рентгеновской кристаллографии, [14] интеллектуальные системы обучения, [15] и мониторинг пациентов в реальном времени. [16]

BB1 также позволял разрабатывать фреймворки языка домена общего назначения для широких классов проблем. Например, фреймворк языка ACCORD [17] определил особый подход к решению проблем конфигурации. Подход к решению проблем заключался в постепенной сборке решения путем добавления объектов и ограничений по одному за раз. Действия в фреймворке языка ACCORD выглядят как короткие команды или предложения в английском стиле для указания предпочтительных действий, событий для запуска KS, предварительных условий для запуска действия KS и условий исключения для отмены действия KS, которое больше не актуально.

GBB [18] фокусируется на эффективности, в отличие от BB1, который больше фокусируется на сложных рассуждениях и оппортунистическом планировании. GBB повышает эффективность, позволяя классным доскам быть многомерными, где измерения могут быть упорядочены или нет, а затем увеличивая эффективность сопоставления шаблонов. GBB1, [19] одна из оболочек управления GBB реализует стиль управления BB1, добавляя улучшения эффективности.

Другими известными ранними системами академических досок являются система распознавания речи Hearsay II и проекты Copycat и Numbo Дугласа Хофштадтера .

Вот несколько недавних примеров развернутых реальных приложений:

Системы Blackboard регулярно используются во многих военных системах C4ISTAR для обнаружения и отслеживания объектов. Другой пример текущего использования — Game AI , где они считаются стандартным инструментом AI для добавления AI в видеоигры. [22] [23]

Последние события

Системы типа Blackboard были построены в современных байесовских настройках машинного обучения , используя агентов для добавления и удаления узлов байесовской сети . В этих системах «Bayesian Blackboard» эвристики могут приобретать более строгие вероятностные значения в качестве предложений и акцептов в выборке Metropolis Hastings через пространство возможных структур. [24] [25] [26] И наоборот, используя эти отображения, существующие сэмплеры Metropolis-Hastings над структурными пространствами теперь могут рассматриваться как формы систем blackboard, даже если они не названы таковыми авторами. Такие сэмплеры обычно встречаются, например, в алгоритмах музыкальной транскрипции . [27]

Системы Blackboard также использовались для создания крупномасштабных интеллектуальных систем для аннотирования медиаконтента, автоматизируя части традиционных исследований в области социальных наук. В этой области проблема интеграции различных алгоритмов ИИ в единую интеллектуальную систему возникает спонтанно, при этом доски предоставляют способ для коллекции распределенных, модульных алгоритмов обработки естественного языка , чтобы каждый из них аннотировал данные в центральном пространстве, без необходимости координировать их поведение. [28]

Смотрите также

Ссылки

  1. ^ Эрман, Л. Д.; Хейс-Рот, Ф.; Лессер, В. Р.; Редди, Д. Р. (1980). «Система понимания речи Hearsay-II: интеграция знаний для разрешения неопределенности». ACM Computing Surveys . 12 (2): 213. doi :10.1145/356810.356816. S2CID  118556.
  2. ^ Коркилл, Дэниел Д. (сентябрь 1991 г.). «Blackboard Systems» (PDF) . AI Expert . 6 (9): 40–47.
  3. ^ * Nii, H. Penny (1986). Blackboard Systems (PDF) (Технический отчет). Кафедра компьютерных наук, Стэнфордский университет. STAN-CS-86-1123 . Получено 12.04.2013 .
  4. ^ Хейс-Рот, Б. (1985). «Архитектура доски для управления». Искусственный интеллект . 26 (3): 251–321. doi :10.1016/0004-3702(85)90063-3.
  5. ^ Голдман, Роберт П. и Мараист, Джон (2010). Покупатель: система выполнения и моделирования экспрессивных планов . ICAPS. стр. 230–233.{{cite conference}}: CS1 maint: несколько имен: список авторов ( ссылка )
  6. ^ Pechoucek, Michal (2010). Agent-Based Computing in Distributed Adversarial Planning (Технический отчет). Чешский технический университет, Прага.
  7. ^ Берштейн, Марк и Бринн, Маршалл и Кокс, Майк и Хуссейн, Талиб и Ладдага, Роберт и Макдермотт, Дрю и Макдональд, Дэвид и Томлинсон, Рэй (2007). Архитектура и язык для интегрированного обучения демонстрациям . Семинар AAAI Приобретение знаний о планировании через демонстрацию. стр. 6–11.{{cite conference}}: CS1 maint: несколько имен: список авторов ( ссылка )
  8. ^ Моррисон, Клейтон Т. и Коэн, Пол Р. (2007). Разработка экспериментов для проверки знаний о планировании ограничений порядка шагов плана . Семинар ICAPS по интеллектуальному планированию и обучению.{{cite conference}}: CS1 maint: несколько имен: список авторов ( ссылка )
  9. ^ Burstein, Mark и Bobrow, Robert и Ferguson, William и Laddaga, Robert и Robertson, Paul (2010). Learning from Observing: Vision and POIROT-Using Metareasoning for Self Adaptation . Self-Adaptive and Self-Organizing Systems Workshop (SASOW), 2010 Четвертая международная конференция IEEE. С. 300–307.{{cite conference}}: CS1 maint: несколько имен: список авторов ( ссылка )
  10. ^ Хейс-Рот, Барбара (1985). «Архитектура доски для управления». Искусственный интеллект . 26 (3): 251–321. doi :10.1016/0004-3702(85)90063-3.
  11. ^ Хейс-Рот, Барбара (1980). Процессы человеческого планирования . RAND.
  12. ^ Хейс-Рот, Барбара; Хейс-Рот, Фредерик (1979). «Когнитивная модель планирования». Cognitive Science . 3 (4): 275–310. doi : 10.1207/s15516709cog0304_1 .
  13. ^ Томмелейн, Айрис Д.; Левитт, Рэймонд Э.; Хейс-Рот, Барбара (1989). «Sightplan: инструмент искусственного интеллекта для помощи руководителям строительства в планировке участка». Труды Международного симпозиума по автоматизации и робототехнике в строительстве (IAARC) . Труды 6-го Международного симпозиума по автоматизации и робототехнике в строительстве (ISARC). doi :10.22260/ISARC1989/0043. ISSN  2413-5844 . Получено 17.03.2023 ., предполагая 3D
  14. ^ Хейс-Рот, Барбара; Бьюкенен, Брюс Г.; Лихтарж, Оливье; Хьюитт, Майк; Альтман, Расс Б.; Бринкли, Джеймс Ф.; Корнелиус, Крейг; Дункан, Брюс С.; Джардецкий, Олег (1986). PROTEAN: Выведение структуры белка из ограничений. AAAI. стр. 904–909 . Получено 11 августа 2012 г.
  15. ^ Мюррей, Уильям Р. (1989). «Управление интеллектуальными системами обучения: динамический планировщик обучения на основе доски». Труды 4-й Международной конференции по искусственному интеллекту и образованию . 4-я Международная конференция по искусственному интеллекту и образованию. Амстердам, Голландия: IOS. С. 150–168.
  16. ^ Хейс-Рот, Барбара (1995-01-01). «Архитектура для адаптивных интеллектуальных систем». Искусственный интеллект . 72 (1): 329–365. doi :10.1016/0004-3702(94)00004-K. hdl : 2060/19970037819 . ISSN  0004-3702 . Получено 09.02.2023 .
  17. ^ Хейс-Рот, Барбара; Воан Джонсон, М.; Гарви, Алан; Хьюитт, Майкл (1986-10-01). «Применение архитектуры управления доской BB1 к задачам компоновки-сборки» . Искусственный интеллект в инженерии . 1 (2): 85–94. doi :10.1016/0954-1810(86)90052-X. ISSN  0954-1810 . Получено 21.12.2018 .
  18. ^ Коркилл, Дэниел; Галлахер, Кевин; Мюррей, Келли (1986). GBB: Общая система разработки досок . Труды Пятой национальной конференции по искусственному интеллекту. С. 1008–1014.
  19. ^ Коркилл, Дэн (1987). Интеграция управления в стиле BB1 в общую систему Blackboard . Практикум по системам Blackboard. Технический отчет Coins 87-59. Сиэтл, Вашингтон.
  20. ^ Коркилл, Дэниел Д. «Обратный отсчет до успеха: динамические объекты, GBB и RADARSAT-1». Сообщения ACM 40.5 (1997): 48-58.
  21. ^ Хосрави, Х. и Кабир, Э. (2009). Подход к интегрированной системе OCR на фарси с использованием классной доски. Международный журнал анализа и распознавания документов (IJDAR), 12(1), 21-32.
  22. ^ Миллингтон, Ян (2019-03-26). ИИ для игр, третье издание (3-е изд.). Бока-Ратон: CRC Press. ISBN 978-1-138-48397-2.
  23. ^ Дилл, Кевин (2023). «Структурная архитектура — общие приемы торговли». В книге Стива Рабина (ред.). Game AI Pro: Собрание мудрости профессионалов в области игрового ИИ . Том 1 (1-е изд.). AK Peters/CRC Press. стр. 61–71. ISBN 978-1-03-247745-9.
  24. ^ Фокс С., Эванс М., Пирсон М., Прескотт Т. (2011). «К иерархическому отображению доски на усатом роботе» (PDF) . Робототехника и автономные системы . 60 (11): 1356–66. doi :10.1016/j.robot.2012.03.005. S2CID  10880337.
  25. ^ Саттон К. Байесовская доска для слияния информации, Труды Международной конференции по слиянию информации, 2004 г.
  26. ^ Карвер, Норман (май 1997 г.). «Ревизионистский взгляд на системы Blackboard». Труды конференции 1997 г. Среднезападного общества искусственного интеллекта и когнитивной науки .
  27. ^ Годсилл, Саймон и Мануэль Дэви. «Байесовские гармонические модели для оценки и анализа музыкальной высоты тона». Акустика, речь и обработка сигналов (ICASSP), 2002 IEEE Международная конференция. Том 2. IEEE, 2002.
  28. ^ Флаунас, Илиас; Лансдалл-Велфэр, Томас; Антонакаки, ​​Панайота; Кристианини, Нелло (25 февраля 2014 г.). «Анатомия модульной системы анализа медиаконтента». arXiv : 1402.6208 [cs.MA].

Внешние ссылки

Дальнейшее чтение