Agenten zur Informationssammlung

Präsentation zum Thema: "Agenten zur Informationssammlung"—  Präsentation transkript:

1 Agenten zur Informationssammlung
Software Agenten Agenten zur Informationssammlung Tobias Gerke, Andreas Jäger nach Craig A. Knoblock & José Luis Ambite (1997)

2 Einführung Schwerpunkte von Arbeiten über Agenten:
Definition von Modellen über die Intention, die Fähigkeit und den Bedarf von Agenten Planung von Multi-Agenten-Systemen Entwicklung von Agenten zur Informationssammlung

3 Einführung Gegenwärtige Situation:
Riesige, ständig wachsende, inhomogene Informationsmengen Fehlen eines Mittels zum Auffinden, Kombinieren, Verarbeiten und Organisieren von Informationen Verwaltung der Informationen in einem Netz von Informations-Agenten

4 Gliederung Organisation der Informationssammler
Wissensbasis der Agenten Kommunikation der Agenten Bearbeiten von Anfragen Der Lernprozess Fazit

5 Organisation der Informationssammler
Grundgedanke: Stellen Informationen zu einem speziellen Fachgebiet zur Verfügung Beziehen Informationen von anderen Agenten Dienen anderen Agenten als Informationsquelle

6 Organisation der Informationssammler
Begriffliche Konventionen: Informations-Agent: Dient als Informations-quelle, stellt aber selbst auch Anfragen Data-Repository: Stellt nicht aktiv Anfragen Wrapper: Schnittstelle, die jeder Agent des Systems gebildet haben muss  Gemeinsame Sprache

7 Organisation der Informationssammler

8 Wissensbasis der Agenten
Jeder Agent beinhaltet: Abbild seines Fachgebiets = domain model Modelle der Agenten, die er als Quelle nutzt = information-source model Beziehungen zwischen den Modellen

9 Wissensbasis der Agenten
domain model source model des Naval Agent source model des Harbor Agent source model des Port Agent Beispiel: Sea Agent Naval Agent Port Agent Harbor Agent

10 Wissensbasis der Agenten
Teil des domain model vom Sea_Agent:

11 Wissensbasis der Agenten
information-source und domain model:

12 Wissensbasis der Agenten
information-source und domain model:

13 Kommunikation der Agenten
Agenten nutzen einheitlich Sprache Protokoll Loom knowledge representation language KQML

14 Kommunikation der Agenten
Loom als einheitliche Abfragesprache  keine teuren Unterabfragen KQML als einheitliches Protokoll  Einfache Rückgabe von Ergebnissen KQML-Message mit Loom-Query KQML-Message mit Loom-Query Recipient Agent Source Agent Subsource Agent KQML- Message mit Informationen KQML- Message mit Informationen

15 Kommunikation der Agenten
Beispiel einer Loom-Abfrage: Parameterliste Beschreibung der gewünschten Information (retrieve (?port_name ?ship_type) (:and (seaport ?port) (port_name ?port ?port_name) (has_channel ?port ?channel) (channel_depth ?channel ?depth) (ship ?ship) (vehicle_type ?ship ?ship_type) (max_draft ?ship ?draft) (> ?depth ?draft)))

16 Bearbeiten von Abfragen
Keine umgehende Ausführung von Anfragen Vorgehen: Auswahl der Informationsquellen Erstellen eines Abfrage-Plans Abfrageoptimierung Ausführung der Anfrage

17 Bearbeiten von Abfragen
Unterteilung der Verarbeitung von Anfragen: Ziel Anfangszustand Operatoren

18 Bearbeiten von Abfragen
Beispiel eines Planungsziels in Loom: (available output sims (retrieve (?port_name ?ship_type) (:and (seaport ?port) (port_name ?port ?port_name) (has_channel ?port ?channel) (channel_depth ?channel ?depth) (ship ?ship) (vehicle_type ?ship ?ship_type) (range ?ship ?range) (> ?range 10000) (max_draft ?ship ?draft) (> ?depth ?draft))))

19 Bearbeiten von Abfragen
Beispiel eines Anfangszustandes in Loom: ((source-available Naval_Agent isd12.isi.edu) (source-available Harbor_Agent isd14.isi.edu) (source-available Port_Agent isd14.isi.edu))

20 Bearbeiten von Abfragen - Auswahl der Informationsquellen -
Agent benutzt Operatoren zur Auswahl der Informationsquellen: Operator der Informationsquellenauswahl

21 Bearbeiten von Abfragen - Auswahl der Informationsquellen -

22 Bearbeiten von Abfragen - Auswahl der Informationsquellen -
Anwendung des Auswahloperators in Loom: Domain–Level Query: (retrieve (?port_name ?depth) (:and (seaport ?port) (port_name ?port ?port_name) (geoloc_code ?port ?geocode) (channel ?channel) (geoloc_code ?channel ?geocode) (channel_depth ?channel ?depth))) Source-Level Query: (retrieve (?port_name ?depth) (:and (harbor_agent.harbor ?port) (harbor_agent.port_nm ?port ?port_name) (harbor_agent.glc_cd ?port ?geocode) (harbor_agent.channel ?channel) (harbor_agent.glc_cd ?channel ?geocode) (harbor_agent.ch_depth_ft ?channel ?depth)))

23 Bearbeiten von Abfragen - Auswahl der Informationsquellen -
Agent benutzt Operatoren zur Auswahl der Informationsquellen: Operator der Informationsquellenauswahl Konzept-Verallgemeinerungsoperator

24 Bearbeiten von Abfragen - Auswahl der Informationsquellen -

25 Bearbeiten von Abfragen - Auswahl der Informationsquellen -
Agent benutzt Operatoren zur Auswahl der Informationsquellen: Operator der Informationsquellenauswahl Konzept-Verallgemeinerungsoperator Definitions-Ersetzungs-Operator

26 Bearbeiten von Abfragen - Auswahl der Informationsquellen -

27 Bearbeiten von Abfragen - Auswahl der Informationsquellen -
Anwendung des Ersetzungsoperators in Loom: (retrieve (?port_name ?ship_type) (:and (seaport ?port) (port_name ?port ?port_name) (geoloc_code ?port ?geocode) (channel ?channel) (geoloc_code ?channel ?geocode) (channel_depth ?channel ?depth) (ship ?ship) (vehicle_type ?ship ?ship_type) (range ?ship ?range) (> ?range 10000) (max_draft ?ship ?draft) (> ?depth ?draft)))

28 Bearbeiten von Abfragen - Auswahl der Informationsquellen -
Agent benutzt Operatoren zur Auswahl der Informationsquellen: Operator der Informationsquellenauswahl Konzept-Verallgemeinerungsoperator Definitions-Ersetzungs-Operator Konzept-Spezialisierungsoperator

29 Bearbeiten von Abfragen - Auswahl der Informationsquellen -

30 Bearbeiten von Abfragen - Erstellen eines Abfrageplans -
Planerstellung vor Ausführung einer Abfrage Hierzu: Datenmanipulations-Operatoren Move Join Retrieve Select Compute Durch Schätzfunktion  Plan geringster Kosten

31 Bearbeiten von Abfragen - Erstellen eines Abfrageplans -
Beispiel eines Bearbeitungsplanes in Loom: (retrieve harbor_agent (?port_name ?depth) (and (harbor ?port) (port_nm ?port ?port_name) (select (move (glc_cd ?port ?glc_cd) harbor_agent harbor_agent (channel ?channel) isd12.isi.edu) local) (glc_cd ?channel ?glc_cd) (ch_depth_ft ?channel ?depth))) (join (< ?draft ?depth) (retrieve naval_agent (?ship_type ?draft) (and (ship ?ship) (select (move (sht_nm ?ship ?ship_type) naval_agent naval_agent (range ?ship ?range) isd14.isi.edu) local) (> ?range 10000) (max_draft ?ship ?draft)))

32 Bearbeiten von Abfragen - Gleichzeitiges Planen und Ausführen -
Der Agent kann gleichzeitig Prozesse ausführen und andere Prozesse planen. Hierzu notwendig: interne Liste aller laufende Aktionen Aktion beendet  wenn korrekt, als fertig markieren  wenn fehlerhaft, Plan neu erstellen

33 Bearbeiten von Abfragen - Gleichzeitiges Planen und Ausführen -
Der Agent kann... Anfragen annehmen und planen, während er andere ausführt. bei Fehlern den Plan umstellen ohne laufende Abfragen zu unterbrechen. selbstständig weiter Informationen für den Abfrageprozess einholen.

34 Bearbeiten von Abfragen - Semantische Abfragenoptimierung -
Es existiert eine Reihe semantischer Regeln. Diese stellen Wissen dar, mit dem Abfragen verändert werden können. Ziel: Zahl der Unterabfragen minimieren Zwischendaten gering halten  Kosten senken

35 Bearbeiten von Abfragen - Semantische Abfragenoptimierung -
Ursprüngliche Abfrage: (retrieve (?ship-type ?draft) (:and (naval_agent.ship ?ship) (naval_agent.sht_nm ?ship ?ship-type) (naval_agent.max_draft ?ship ?draft) (naval_agent-range ?ship ?range) (> ?range 10000))) Semantische Regel: (:if (:and (naval_agent.ship ?ship) (naval_agent.range ?ship ?range) (naval_agent.fuel_cap ?ship ?fuel_cap) (> ?range 10000) (:then (< ?draft 12))) Umformulierte Abfrage: (retrieve (?sht-type ?draft) (:and (naval_agent.sht_nm ?ship) (naval_agent.sht_nm ?ship ?ship-type) (naval_agent.max_draft ?ship ?draft) (> ?draft 12)))

36 Der Lernprozess Steigert Genauigkeit und Effizienz
3 Arten der Lernens: Speicherung häufig gebrauchter oder teuer zu bekommener Informationen Ableitung semantischer Regeln Abgleich der Agentenmodelle

37 Der Lernprozess - Cachen erhaltener Daten -
Erhaltene Daten sowie Abfrage (als Beschreibung) werden lokal im Agenten gehalten Beschreibung  neues Unterkonzept Daten  Instanzen des Unterkonzepts Automatische Berücksichtigung der neuen Informationsquelle bei späteren Abfragen Speicherung nur genereller, einfacher Abfragen mit statischem Inhalt

38 Der Lernprozess - Lernen semantischer Regeln -
Ausgangspunkt: Auftreten einer teuren Abfrage Selbständige Informationseinholung in nächster Ruhephase des Systems: Abfrage wird in äquivalente umformuliert Bei Effizienzsteigerung: Ableitung von Regeln Übernahme der Regeln in das domain-model

39 Der Lernprozess - Abgleichen der Agentenmodelle -
Annahme bisher: vollständige Abstimmung der Modelle auf einander Aber: Modelldesigner hatte kein komplettes Verständnis über Semantiken der Informationen. Autonomie der Agenten bewirkt stetige dynamische Veränderung der Konzepte.

40 Der Lernprozess - Abgleichen der Agentenmodelle -
Lösung: Abgleichen bei Inkonsistenz in drei Schritten. Prüfung auf Differenzen neue Klassen in domain model aufnehmen wenn möglich, durch Lernalgorithmus Beschreibungen des neuen Konzepts ermitteln.

41 Der Lernprozess - Abgleichen der Agentenmodelle -
Beispiel: Ausgangssituation: gleiche Informationen über Seehäfen in Harbor_Agent.Harbor und Port_Agent.Port Erweiterung des Port_Agent um Informationen über kleine Fischerhäfen. Jetzt ist Harbor_Agent eine Teilmenge von Port_Agent.

42 Der Lernprozess - Abgleichen der Agentenmodelle -
Beispiel - Ausgangssituation:

43 Der Lernprozess - Abgleichen der Agentenmodelle -
Beispiel - Angeglichenes Model:

44 Fazit Eigenschaften des Systems Modularität Erweiterbarkeit
Flexibilität Effizienz Anpassungsfähigkeit

45 The End ... noch Fragen?