stringtranslate.com

sistema de pizarra

Un sistema de pizarra es un enfoque de inteligencia artificial basado en el modelo arquitectónico de pizarra , [1] [2] [3] [4] donde una base de conocimiento común , la "pizarra", es actualizada iterativamente por un grupo diverso de fuentes de conocimiento especializadas. comenzando con una especificación del problema y terminando con una solución. Cada fuente de conocimiento actualiza la pizarra con una solución parcial cuando sus restricciones internas coinciden con el estado de la pizarra. De esta forma, los especialistas trabajan juntos para solucionar el problema. El modelo de pizarra se diseñó originalmente como una forma de manejar problemas complejos y mal definidos, donde la solución es la suma de sus partes.

Metáfora

El siguiente escenario proporciona una metáfora simple que brinda una idea de cómo funciona una pizarra:

Un grupo de especialistas están sentados en una sala con un gran pizarrón . Trabajan en equipo para pensar en una solución a un problema, utilizando la pizarra como lugar de trabajo para desarrollar la solución de forma cooperativa.

La sesión comienza cuando se escriben las especificaciones del problema en la pizarra. Todos los especialistas miran la pizarra en busca de una oportunidad para aplicar su experiencia a la solución en desarrollo. Cuando alguien escribe algo en la pizarra que permite a otro especialista aplicar su experiencia, el segundo especialista registra su contribución en la pizarra, con la esperanza de que otros especialistas puedan aplicar su experiencia. Este proceso de añadir aportaciones a la pizarra continúa hasta que se haya solucionado el problema.

Componentes

Una aplicación de sistema de pizarra consta de tres componentes principales.

  1. Los módulos especializados en software, que se denominan fuentes de conocimiento (KS) . Al igual que los expertos humanos en una pizarra, cada fuente de conocimiento proporciona la experiencia específica que necesita la aplicación.
  2. La pizarra , un repositorio compartido de problemas, soluciones parciales, sugerencias e información aportada. Se puede considerar la pizarra como una "biblioteca" dinámica de contribuciones al problema actual que han sido "publicadas" recientemente por otras fuentes de conocimiento.
  3. El shell de control , que controla el flujo de la actividad de resolución de problemas en el sistema. Así como los ansiosos especialistas humanos necesitan un moderador que les impida pisotearse unos a otros en una carrera loca para agarrar la tiza, los KS necesitan un mecanismo para organizar su uso de la manera más efectiva y coherente. En un sistema de pizarra, esto lo proporciona el panel de control.

Lenguaje de modelado de tareas que se puede aprender

Un sistema de pizarra es el espacio central en un sistema multiagente . Se utiliza para describir el mundo como una plataforma de comunicación para agentes. Para realizar una pizarra en un programa de computadora, se necesita una notación legible por máquina en la que se puedan almacenar los hechos . Un intento de hacerlo es una base de datos SQL , otra opción es el lenguaje de modelado de tareas que se puede aprender (LTML) . La sintaxis del lenguaje de planificación LTML es similar a PDDL , pero agrega características adicionales como estructuras de control y modelos OWL-S . [5] [6] LTML se desarrolló en 2007 [7] como parte de un proyecto mucho más grande llamado POIROT (Plan Order Induction by Reasoning from One Trial), [8] que es un marco de aprendizaje a partir de demostraciones para minería de procesos . En POIROT, las trazas y las hipótesis del plan se almacenan en la sintaxis LTML para crear servicios web semánticos . [9]

Aquí hay un pequeño ejemplo: un usuario humano está ejecutando un flujo de trabajo en un juego de computadora. El usuario presiona algunos botones e interactúa con el motor del juego . Mientras el usuario interactúa con el juego, se crea un seguimiento del plan. Eso significa que las acciones del usuario se almacenan en un archivo de registro . El archivo de registro se transforma en una notación legible por máquina que se enriquece con atributos semánticos . El resultado es un archivo de texto en la sintaxis LTML que se coloca en la pizarra. Los agentes (programas de software en el sistema de pizarra) pueden analizar la sintaxis LTML.

Implementaciones

Comenzamos analizando dos de los primeros sistemas de pizarra bien conocidos, BB1 y GBB, a continuación y luego analizamos implementaciones y aplicaciones más recientes.

La arquitectura de la pizarra BB1 [10] se inspiró originalmente en estudios sobre cómo los humanos planean realizar múltiples tareas en un viaje y utilizó la planificación de tareas como un ejemplo simplificado de planificación táctica para la Oficina de Investigación Naval . [11] Hayes-Roth y Hayes-Roth descubrieron que la planificación humana se modelaba más estrechamente como un proceso oportunista, en contraste con los planificadores principalmente de arriba hacia abajo utilizados en ese momento:

Si bien no es incompatible con los modelos de refinamiento sucesivo, nuestra visión de la planificación es algo diferente. Compartimos el supuesto de que los procesos de planificación operan en un espacio de planificación bidimensional definido en dimensiones de tiempo y abstracción. Sin embargo, suponemos que la actividad de planificación de la gente es en gran medida oportunista. Es decir, en cada punto del proceso, las decisiones y observaciones actuales del planificador sugieren varias oportunidades para el desarrollo del plan. Las decisiones posteriores del planificador siguen las oportunidades seleccionadas. A veces, estas secuencias de decisiones siguen un camino ordenado y producen una clara expansión de arriba hacia abajo, como se describió anteriormente. Sin embargo, algunas decisiones y observaciones también podrían sugerir oportunidades menos ordenadas para el desarrollo del plan. [12]

Una innovación clave de BB1 ​​fue que aplicó este modelo de planificación oportunista a su propio control, utilizando el mismo modelo de pizarra de resolución de problemas incremental y oportunista que se aplicó para resolver problemas de dominio. El razonamiento a nivel meta con fuentes de conocimiento de control podría entonces monitorear si la planificación y la resolución de problemas avanzaban como se esperaba o estaban estancadas. Si se estancara, BB1 podría cambiar de una estrategia a otra a medida que cambiaran las condiciones (como los objetivos que se estaban considerando o el tiempo restante). BB1 se aplicó en múltiples dominios: planificación del sitio de construcción, [13] inferir estructuras de proteínas tridimensionales a partir de cristalografía de rayos X, [14] sistemas de tutoría inteligentes, [15] y monitoreo de pacientes en tiempo real. [dieciséis]

BB1 también permitió diseñar marcos de lenguaje de dominio general para amplias clases de problemas. Por ejemplo, el marco del lenguaje ACCORD [17] definió un enfoque particular para resolver problemas de configuración. El enfoque de resolución de problemas consistía en ensamblar incrementalmente una solución agregando objetos y restricciones, uno a la vez. Las acciones en el marco del lenguaje ACCORD aparecen como comandos u oraciones breves similares al inglés para especificar acciones preferidas, eventos para activar KS, condiciones previas para ejecutar una acción KS y condiciones de obviación para descartar una acción KS que ya no es relevante.

GBB [18] se centró en la eficiencia, a diferencia de BB1, que se centró más en un razonamiento sofisticado y una planificación oportunista. GBB mejora la eficiencia al permitir que las pizarras sean multidimensionales, donde las dimensiones se pueden ordenar o no, y luego al aumentar la eficiencia de la coincidencia de patrones. GBB1, [19] uno de los shells de control de GBB implementa el estilo de control de BB1 ​​al tiempo que agrega mejoras de eficiencia.

Otros sistemas de pizarra académicos tempranos y conocidos son el sistema de reconocimiento de voz Hearsay II y los proyectos Copycat y Numbo de Douglas Hofstadter .

Algunos ejemplos más recientes de aplicaciones implementadas en el mundo real incluyen:

Los sistemas de pizarra se utilizan habitualmente en muchos sistemas militares C4ISTAR para detectar y rastrear objetos. Otro ejemplo de uso actual es Game AI , donde se consideran una herramienta de IA estándar para ayudar a agregar IA a los videojuegos. [22] [23]

Desarrollos recientes

Se han construido sistemas similares a una pizarra dentro de entornos modernos de aprendizaje automático bayesiano , utilizando agentes para agregar y eliminar nodos de red bayesianos . En estos sistemas de 'pizarra bayesiana', las heurísticas pueden adquirir significados probabilísticos más rigurosos como propuestas y aceptaciones en el muestreo de Metrópolis Hastings a través del espacio de posibles estructuras. [24] [25] [26] Por el contrario, al utilizar estos mapeos, los muestreadores existentes de Metropolis-Hastings sobre espacios estructurales ahora pueden verse como formas de sistemas de pizarra incluso cuando los autores no los nombran como tales. Estos samplers se encuentran habitualmente, por ejemplo, en algoritmos de transcripción musical . [27]

Los sistemas de pizarra también se han utilizado para construir sistemas inteligentes a gran escala para la anotación de contenido multimedia, automatizando partes de la investigación tradicional en ciencias sociales. En este dominio, el problema de integrar varios algoritmos de IA en un único sistema inteligente surge espontáneamente, con pizarras que proporcionan una manera para que una colección de algoritmos de procesamiento de lenguaje natural modulares y distribuidos anoten cada uno los datos en un espacio central, sin necesidad de coordinar sus comportamiento. [28]

Ver también

Referencias

  1. ^ Erman, LD; Hayes-Roth, F.; Menor, realidad virtual; Reddy, DR (1980). "El sistema de comprensión del habla Hearsay-II: integración del conocimiento para resolver la incertidumbre". Encuestas de Computación ACM . 12 (2): 213. doi : 10.1145/356810.356816. S2CID  118556.
  2. ^ Corkill, Daniel D. (septiembre de 1991). "Sistemas de pizarra" (PDF) . Experto en IA . 6 (9): 40–47.
  3. ^ * Nii, H. Penny (1986). Blackboard Systems (PDF) (Informe técnico). Departamento de Ciencias de la Computación, Universidad de Stanford. STAN-CS-86-1123 . Consultado el 12 de abril de 2013 .
  4. ^ Hayes-Roth, B. (1985). "Una arquitectura de pizarra para el control". Inteligencia artificial . 26 (3): 251–321. doi :10.1016/0004-3702(85)90063-3.
  5. ^ Goldman, Robert P y Maraist, John (2010). Shopper: un sistema para ejecutar y simular planes expresivos . ICAPS. págs. 230-233.{{cite conference}}: Mantenimiento CS1: varios nombres: lista de autores ( enlace )
  6. ^ Pechoucek, Michal (2010). Computación basada en agentes en planificación adversa distribuida (informe técnico). Universidad Técnica Checa de Praga.
  7. ^ Burstein, Mark y Brinn, Marshall y Cox, Mike y Hussain, Talib y Laddaga, Robert y McDermott, Drew y McDonald, David y Tomlinson, Ray (2007). Una arquitectura y un lenguaje para el aprendizaje integrado de demostraciones . Taller AAAI Adquisición de conocimientos de planificación mediante demostración. págs. 6-11.{{cite conference}}: Mantenimiento CS1: varios nombres: lista de autores ( enlace )
  8. ^ Morrison, Clayton T y Cohen, Paul R (2007). Diseño de experimentos para probar el conocimiento de planificación sobre las restricciones de orden de los pasos del plan . Taller ICAPS sobre Planificación y Aprendizaje Inteligente.{{cite conference}}: Mantenimiento CS1: varios nombres: lista de autores ( enlace )
  9. ^ Burstein, Mark y Bobrow, Robert y Ferguson, William y Laddaga, Robert y Robertson, Paul (2010). Aprender de la observación: visión y uso del metarazonamiento de POIROT para la autoadaptación . Taller de sistemas autoadaptativos y autoorganizados (SASOW), 2010 Cuarta Conferencia Internacional IEEE sobre. págs. 300–307.{{cite conference}}: Mantenimiento CS1: varios nombres: lista de autores ( enlace )
  10. ^ Hayes-Roth, Barbara (1985). "Una arquitectura de pizarra para el control". Inteligencia artificial . 26 (3): 251–321. doi :10.1016/0004-3702(85)90063-3.
  11. ^ Hayes-Roth, Barbara (1980). Procesos de Planificación Humana . RAND.
  12. ^ Hayes-Roth, Barbara; Hayes-Roth, Federico (1979). "Un modelo cognitivo de planificación". Ciencia cognitiva . 3 (4): 275–310. doi : 10.1207/s15516709cog0304_1 .
  13. ^ Tommelein, Iris D.; Levitt, Raymond E.; Hayes-Roth, Barbara (1989). "Sightplan: una herramienta de inteligencia artificial para ayudar a los gerentes de construcción con el diseño del sitio". Actas del Simposio Internacional sobre Automatización y Robótica en la Construcción (IAARC) . Actas del VI Simposio Internacional sobre Automatización y Robótica en la Construcción (ISARC). doi :10.22260/ISARC1989/0043. ISSN  2413-5844 . Consultado el 17 de marzo de 2023 ., infiriendo 3D
  14. ^ Hayes-Roth, Barbara; Buchanan, Bruce G.; Lichtarge, Olivier; Hewitt, Mike; Altman, Russ B.; Brinkley, James F.; Cornelio, Craig; Duncan, Bruce S.; Jardetzky, Oleg (1986). PROTEAN: Derivación de la estructura de las proteínas a partir de restricciones. AAAI. págs. 904–909 . Consultado el 11 de agosto de 2012 .
  15. ^ Murray, William R. (1989). "Control de sistemas de tutoría inteligentes: un planificador de instrucción dinámico basado en pizarra". Actas de la IV Conferencia Internacional sobre Inteligencia Artificial y Educación . IV Congreso Internacional de IA y Educación. Ámsterdam, Holanda: IOS. págs. 150-168.
  16. ^ Hayes-Roth, Barbara (1 de enero de 1995). "Una arquitectura para sistemas inteligentes adaptativos". Inteligencia artificial . 72 (1): 329–365. doi :10.1016/0004-3702(94)00004-K. hdl : 2060/19970037819 . ISSN  0004-3702 . Consultado el 9 de febrero de 2023 .
  17. ^ Hayes-Roth, Barbara; Vaughan Johnson, M.; Garvey, Alan; Hewett, Michael (1 de octubre de 1986). "Aplicación de la arquitectura de control de pizarra BB1 a tareas de arreglo-montaje" . Inteligencia Artificial en Ingeniería . 1 (2): 85–94. doi :10.1016/0954-1810(86)90052-X. ISSN  0954-1810 . Consultado el 21 de diciembre de 2018 .
  18. ^ Corkill, Daniel; Gallagher, Kevin; Murray, Kelly (1986). GBB: un sistema de desarrollo de pizarra genérico . Actas de la Quinta Conferencia Nacional sobre Inteligencia Artificial. págs. 1008-1014.
  19. ^ Corkill, Dan (1987). Integración del control estilo BB1 en el sistema de pizarra genérico . Taller de Sistemas de Pizarra. Informe técnico de monedas 87-59. Seattle, Washington.
  20. ^ Corkill, Daniel D. "Cuenta atrás para el éxito: objetos dinámicos, GBB y RADARSAT-1". Comunicaciones de la ACM 40.5 (1997): 48-58.
  21. ^ Khosravi, H. y Kabir, E. (2009). Un enfoque de pizarra hacia el sistema integrado de OCR en farsi. Revista Internacional de Análisis y Reconocimiento de Documentos (IJDAR), 12(1), 21-32.
  22. ^ Millington, Ian (26 de marzo de 2019). IA para juegos, tercera edición (3ª ed.). Boca Ratón: CRC Press. ISBN 978-1-138-48397-2.
  23. ^ Eneldo, Kevin (2023). "Arquitectura estructural: trucos comunes del oficio". En Steve Rabin (ed.). Game AI Pro: sabiduría recopilada de los profesionales de Game AI . vol. 1 (1ª ed.). AK Peters/Prensa CRC. págs. 61–71. ISBN 978-1-03-247745-9.
  24. ^ Fox C, Evans M, Pearson M, Prescott T (2011). "Hacia un mapeo jerárquico de pizarra en un robot bigotudo" (PDF) . Robótica y Sistemas Autónomos . 60 (11): 1356–66. doi :10.1016/j.robot.2012.03.005. S2CID  10880337.
  25. ^ Sutton C. Una pizarra bayesiana para la fusión de información, Proc. En t. Conf. Fusión de información, 2004
  26. ^ Carver, Norman (mayo de 1997). "Una visión revisionista de los sistemas Blackboard". Actas de la Conferencia de la Sociedad de Ciencias Cognitivas e Inteligencia Artificial del Medio Oeste de 1997 .
  27. ^ Godsill, Simon y Manuel Davy. "Modelos armónicos bayesianos para la estimación y análisis de tonos musicales". Acústica, habla y procesamiento de señales (ICASSP), Conferencia internacional IEEE de 2002. vol. 2. IEEE, 2002.
  28. ^ Flaounas, Ilias; Lansdall-Bienestar, Thomas; Antonakaki, Panagiota; Cristianini, Nello (25 de febrero de 2014). "La anatomía de un sistema modular para el análisis de contenido multimedia". arXiv : 1402.6208 [cs.MA].

enlaces externos

Otras lecturas