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", se actualiza 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 manera, los especialistas trabajan juntos para resolver el problema. El modelo de pizarra fue diseñado 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 da una idea de cómo funciona una pizarra:

Un grupo de especialistas se sienta en una sala con una gran pizarra y trabaja en equipo para generar ideas para solucionar un problema, utilizando la pizarra como lugar de trabajo para desarrollar la solución de manera cooperativa.

La sesión comienza cuando se escriben las especificaciones del problema en la pizarra. Todos los especialistas observan la pizarra, buscando una oportunidad para aplicar su experiencia a la solución en desarrollo. Cuando alguien escribe algo en la pizarra que permite que otro especialista aplique 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 agregar contribuciones a la pizarra continúa hasta que se haya resuelto el problema.

Componentes

Una aplicación del sistema Blackboard 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. El pizarrón , un repositorio compartido de problemas, soluciones parciales, sugerencias e información aportada. El pizarrón puede considerarse 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 entusiastas especialistas humanos necesitan un moderador que les impida pisotearse unos a otros en una carrera desesperada por agarrar la tiza, los KS necesitan un mecanismo para organizar su uso de la manera más eficaz y coherente. En un sistema de pizarra, esto lo proporciona el shell 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 informático, 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 aprendible (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 la minería de procesos . En POIROT, los rastros y las hipótesis del plan se almacenan en la sintaxis LTML para crear servicios web semánticos . [9]

A continuación, se muestra 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. Esto 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 Blackboard) pueden analizar la sintaxis LTML.

Implementaciones

Comenzamos analizando dos sistemas de pizarra antiguos y conocidos, BB1 y GBB, y luego analizamos implementaciones y aplicaciones más recientes.

La arquitectura de pizarra BB1 [10] se inspiró originalmente en estudios sobre cómo los humanos planean realizar múltiples tareas en un viaje, y se 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 de cerca como un proceso oportunista, en contraste con los planificadores principalmente de arriba hacia abajo que se usaban 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 las personas 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 dan seguimiento a oportunidades seleccionadas. A veces, estas secuencias de decisiones siguen un camino ordenado y producen una expansión ordenada de arriba hacia abajo como se describió anteriormente. Sin embargo, algunas decisiones y observaciones también pueden 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 de metanivel con fuentes de conocimiento de control podía entonces monitorear si la planificación y la resolución de problemas avanzaban como se esperaba o se estancaban. Si se estancaban, BB1 podía cambiar de una estrategia a otra a medida que cambiaban las condiciones, como los objetivos que se estaban considerando o el tiempo restante. BB1 se aplicó en múltiples dominios: planificación de sitios de construcción, [13] inferencia de estructuras de proteínas en 3-D a partir de cristalografía de rayos X, [14] sistemas de tutoría inteligentes, [15] y monitoreo de pacientes en tiempo real. [16]

BB1 también permitió diseñar marcos de lenguaje de dominio general para una amplia variedad de problemas. Por ejemplo, el marco de lenguaje ACCORD [17] definió un enfoque particular para resolver problemas de configuración. El enfoque de resolución de problemas consistía en ensamblar de manera incremental una solución agregando objetos y restricciones, uno a la vez. Las acciones en el marco de lenguaje ACCORD aparecen como comandos o frases 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, en contraste con BB1, que se centraba más en el razonamiento sofisticado y la planificación oportunista. GBB mejora la eficiencia al permitir que las pizarras sean multidimensionales, donde las dimensiones pueden ordenarse 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 académica muy 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 Blackboard se utilizan de forma rutinaria en muchos sistemas militares C4ISTAR para detectar y rastrear objetos. Otro ejemplo de uso actual es en la IA de juegos , donde se consideran una herramienta de IA estándar para ayudar a agregar IA a los videojuegos. [22] [23]

Acontecimientos recientes

Se han construido sistemas tipo pizarra dentro de configuraciones de aprendizaje automático bayesiano moderno, utilizando agentes para agregar y eliminar nodos de red bayesiana . En estos sistemas de "pizarra bayesiana", las heurísticas pueden adquirir significados probabilísticos más rigurosos como propuestas y aceptaciones en el muestreo de Metropolis Hastings a través del espacio de posibles estructuras. [24] [25] [26] Por el contrario, utilizando estas asignaciones, los muestreadores de Metropolis-Hastings existentes sobre espacios estructurales ahora pueden verse como formas de sistemas de pizarra incluso cuando los autores no los nombran como tales. Dichos muestreadores se encuentran comúnmente en algoritmos de transcripción musical , por ejemplo. [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 ámbito, el problema de integrar varios algoritmos de IA en un único sistema inteligente surge espontáneamente, y las pizarras proporcionan una manera de que una colección de algoritmos de procesamiento de lenguaje natural distribuidos y modulares anoten los datos en un espacio central, sin necesidad de coordinar su comportamiento. [28]

Véase también

Referencias

  1. ^ Erman, LD; Hayes-Roth, F.; Lesser, VR; 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). "Blackboard Systems" (PDF) . AI Expert . 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}}: CS1 maint: varios nombres: lista de autores ( enlace )
  6. ^ Pechoucek, Michal (2010). Computación basada en agentes en la planificación distribuida adversarial (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 de la AAAI: Adquisición de conocimientos de planificación mediante demostraciones. Págs. 6-11.{{cite conference}}: CS1 maint: 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 del orden de los pasos del plan . Taller de ICAPS sobre planificación y aprendizaje inteligentes.{{cite conference}}: CS1 maint: varios nombres: lista de autores ( enlace )
  9. ^ Burstein, Mark y Bobrow, Robert y Ferguson, William y Laddaga, Robert y Robertson, Paul (2010). Aprendiendo de la observación: visión y uso de POIROT: metarrazonamiento para la autoadaptación . Taller sobre sistemas autoadaptativos y autoorganizados (SASOW), 2010 Cuarta Conferencia Internacional del IEEE sobre. págs. 300–307.{{cite conference}}: CS1 maint: 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, Frederick (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 6º 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.; Cornelius, Craig; Duncan, Bruce S.; Jardetzky, Oleg (1986). PROTEAN: Derivación de la estructura de proteínas a partir de restricciones. AAAI. págs. 904–909 . Consultado el 11 de agosto de 2012 .
  15. ^ Murray, William R. (1989). "Control para sistemas de tutoría inteligente: un planificador instruccional dinámico basado en Blackboard". Actas de la 4.ª Conferencia internacional sobre inteligencia artificial y educación . 4.ª Conferencia internacional sobre IA y educación. Ámsterdam, Holanda: IOS. págs. 150–168.
  16. ^ Hayes-Roth, Barbara (1995-01-01). "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 2023-02-09 .
  17. ^ Hayes-Roth, Barbara; Vaughan Johnson, M.; Garvey, Alan; Hewett, Michael (1986-10-01). "Aplicación de la arquitectura de control de pizarra BB1 a tareas de ordenación-ensamblaje" . 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 genérico de desarrollo de Blackboard . Actas de la Quinta Conferencia Nacional sobre Inteligencia Artificial. págs. 1008–1014.
  19. ^ Corkill, Dan (1987). Integración del control de estilo BB1 en el sistema Blackboard genérico . Taller sobre sistemas Blackboard. Informe técnico de monedas 87-59. Seattle, Washington.
  20. ^ Corkill, Daniel D. "Cuenta regresiva hacia el éxito: objetos dinámicos, GBB y RADARSAT-1". Comunicaciones del ACM 40.5 (1997): 48-58.
  21. ^ Khosravi, H. y Kabir, E. (2009). Un enfoque de pizarra hacia un sistema de OCR farsi integrado. Revista internacional de análisis y reconocimiento de documentos (IJDAR), 12(1), 21-32.
  22. ^ Millington, Ian (26 de marzo de 2019). AI for Games, tercera edición (3.ª ed.). Boca Raton: CRC Press. ISBN 978-1-138-48397-2.
  23. ^ Dill, Kevin (2023). "Arquitectura estructural: trucos comunes del oficio". En Steve Rabin (ed.). Game AI Pro: Collected Wisdom of Game AI Professionals . Vol. 1 (1.ª ed.). AK Peters/CRC Press. págs. 61–71. ISBN 978-1-03-247745-9.
  24. ^ Fox C, Evans M, Pearson M, Prescott T (2011). "Hacia el mapeo jerárquico de pizarra en un robot con bigotes" (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. Int. Conf. Information Fusion, 2004
  26. ^ Carver, Norman (mayo de 1997). "Una visión revisionista de los sistemas Blackboard". Actas de la Conferencia de la Sociedad de Inteligencia Artificial y Ciencia Cognitiva del Medio Oeste de 1997 .
  27. ^ Godsill, Simon y Manuel Davy. "Modelos armónicos bayesianos para la estimación y el análisis del tono musical". 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

Lectura adicional