System tablic - Blackboard system

System tablic to podejście oparte na sztucznej inteligencji oparte na modelu architektonicznym tablicy , w którym wspólna baza wiedzy , „tablica”, jest iteracyjnie aktualizowana przez zróżnicowaną grupę specjalistycznych źródeł wiedzy, zaczynając od specyfikacji problemu, a kończąc na rozwiązaniu. Każde źródło wiedzy aktualizuje tablicę za pomocą rozwiązania częściowego, gdy jego wewnętrzne ograniczenia są zgodne ze stanem tablicy. W ten sposób specjaliści pracują wspólnie nad rozwiązaniem problemu. Model tablicy został pierwotnie zaprojektowany jako sposób radzenia sobie ze złożonymi, źle zdefiniowanymi problemami, gdzie rozwiązaniem jest suma jego części.

Metafora

Poniższy scenariusz zawiera prostą metaforę, która daje pewien wgląd w działanie tablicy:

W sali z dużą tablicą siedzi grupa specjalistów . Pracują jako zespół, aby przeprowadzić burzę mózgów nad rozwiązaniem problemu, wykorzystując tablicę jako miejsce pracy do wspólnego opracowywania rozwiązania.

Sesja rozpoczyna się w momencie zapisania na tablicy specyfikacji problemu. Wszyscy specjaliści obserwują tablicę, szukając okazji do zastosowania swojej wiedzy w opracowywanym rozwiązaniu. Kiedy ktoś pisze na tablicy coś, co pozwala innemu specjaliście wykorzystać swoją wiedzę, drugi specjalista zapisuje swój wkład na tablicy, miejmy nadzieję, że umożliwi innym specjalistom wykorzystanie ich wiedzy. Ten proces dodawania wpisów do tablicy trwa do momentu rozwiązania problemu.

składniki

Aplikacja systemu tablicy składa się z trzech głównych elementów

  1. Specjalistyczne moduły programistyczne, zwane źródłami wiedzy (KS) . Podobnie jak ludzie-eksperci przy tablicy, każde źródło wiedzy zapewnia konkretną wiedzę potrzebną aplikacji.
  2. Tablica , wspólne repozytorium problemów, częściowych rozwiązań, sugestie i przyczynił informacji. Tablicę można traktować jako dynamiczną „bibliotekę” wkładów w bieżący problem, które zostały niedawno „opublikowane” przez inne źródła wiedzy.
  3. Powłoki sterowania , który steruje przepływem aktywności rozwiązywania problemów w systemie. Tak jak gorliwi specjaliści potrzebują moderatora, aby nie podeptywali się nawzajem w szaleńczym pośpiechu, by złapać kredę, tak KS-y potrzebują mechanizmu, który zorganizuje ich użycie w najbardziej efektywny i spójny sposób. W systemie tablicowym zapewnia to powłoka kontrolna.

Nauczalny język modelowania zadań

System tablic jest centralną przestrzenią w systemie wieloagentowym . Służy do opisu świata jako platformy komunikacyjnej dla agentów. Aby zrealizować tablicę w programie komputerowym, potrzebna jest notacja odczytywalna maszynowo , w której można przechowywać fakty . Jedną z takich prób jest baza danych SQL , inną opcją jest Learnable Task Modeling Language (LTML) . Składnia języka planowania LTML jest podobna do PDDL , ale dodaje dodatkowe funkcje, takie jak struktury kontrolne i modele OWL-S . LTML został opracowany w 2007 roku jako część znacznie większego projektu o nazwie POIROT (ang. Plan Order Induction by Reasoning from One Trial ), który jest frameworkiem Uczenie się z demonstracji dla eksploracji procesów . W POIROT ślady planu i hipotezy są przechowywane w składni LTML do tworzenia semantycznych usług sieciowych .

Oto mały przykład: człowiek wykonuje przepływ pracy w grze komputerowej. Naciska kilka przycisków i wchodzi w interakcję z silnikiem gry . Kiedy to robi, tworzony jest ślad planu. Oznacza to, że działania użytkownika są przechowywane w pliku dziennika . Plik dziennika zostaje przekształcony w zapis do odczytu maszynowego, wzbogacony o atrybuty semantyczne . Rezultatem jest plik tekstowy w składni LTML, który jest umieszczany na tablicy. Agenci (programy w systemie blackboard) mogą analizować składnię LTML.

Realizacje

Znani przykłady wczesnych systemach tablica akademickich są Hearsay II system rozpoznawania mowy i Douglas Hofstadtera „s Copycat projekty i Numbo.

Nowsze przykłady obejmują zastosowania w świecie rzeczywistym, takie jak komponent PLAN systemu kontroli misji dla RADARSAT-1, satelity obserwacyjnego Ziemi opracowanego przez Kanadę w celu monitorowania zmian środowiskowych i zasobów naturalnych Ziemi.

Oprogramowanie GTXImage CAD firmy GTX Corporation zostało opracowane na początku lat 90. przy użyciu zestawu baz reguł i sieci neuronowych jako specjalistów działających w systemie tablic.

Program Adobe Acrobat Capture (obecnie wycofany) używał systemu Blackboard do rozkładania i rozpoznawania stron graficznych w celu zrozumienia obiektów, tekstu i czcionek na stronie. Ta funkcja jest obecnie wbudowana w detaliczną wersję programu Adobe Acrobat jako „Rozpoznawanie tekstu OCR”. Szczegóły podobnej tablicy OCR dla tekstu w języku perskim znajdują się w domenie publicznej.

Systemy tablicowe są rutynowo używane w wielu wojskowych systemach C4ISTAR do wykrywania i śledzenia obiektów.

Krytyka

Systemy tablicowe były popularne przed AI Winter i wraz z większością symbolicznych modeli AI wyszły z mody w tym okresie. Wraz z innymi modelami zdano sobie sprawę, że początkowe sukcesy związane z problemami z zabawkami nie skalowały się dobrze do rzeczywistych problemów na dostępnych komputerach w tamtych czasach. Większość problemów związanych z używaniem tablic jest z natury NP-trudna , więc opieraj się rozwiązaniu za pomocą dowolnego algorytmu w limicie dużych rozmiarów. W tym samym okresie dominowało rozpoznawanie wzorców statystycznych , w szczególności dzięki prostym modelom Ukrytego Markowa, które przewyższały podejścia symboliczne, takie jak Hearsay-II w dziedzinie rozpoznawania mowy.

Ostatnie zmiany

Systemy typu Blackboard zostały zbudowane w ramach nowoczesnych ustawień bayesowskiego uczenia maszynowego , przy użyciu agentów do dodawania i usuwania węzłów sieci bayesowskiej . W tych systemach „Bayesian Blackboard” heurystyka może nabrać bardziej rygorystycznych znaczeń probabilistycznych jako propozycja i akceptacja w próbkowaniu Metropolis Hastings przez przestrzeń możliwych struktur. I odwrotnie, używając tych mapowań, istniejące samplery Metropolis-Hastings nad przestrzeniami strukturalnymi mogą być teraz postrzegane jako formy systemów tablicowych, nawet jeśli nie zostały tak nazwane przez autorów. Takie samplery są powszechnie spotykane na przykład w muzycznych algorytmach transkrypcji .

Systemy Blackboard były również wykorzystywane do budowy wielkoskalowych inteligentnych systemów do adnotacji treści medialnych, automatyzując część tradycyjnych badań z zakresu nauk społecznych. W tej dziedzinie problem integracji różnych algorytmów sztucznej inteligencji w jeden inteligentny system pojawia się spontanicznie, a tablice stanowią sposób na zebranie rozproszonych, modułowych algorytmów przetwarzania języka naturalnego , aby każdy opisał dane w centralnej przestrzeni, bez konieczności koordynowania ich zachowanie.

Zobacz też

Bibliografia

Zewnętrzne linki

  • Open Blackboard System Platforma open source do tworzenia systemów tablic.
  • GBBopen Struktura systemu tablic typu open source dla Common Lisp .
  • Blackboard Event Processor Implementacja tablicy typu open source, która działa na maszynie JVM, ale obsługuje skrypty planu w JavaScript i JRuby.
  • KOGMO-RTDB Tablica open source działająca w czasie rzeczywistym dla języka C/C++, używana przez niektóre pojazdy autonomiczne DARPA Urban Challenge.
  • HarTech Technologies Firma dostarczająca zarówno rozwiązania symulacyjne, jak i dowodzenia i sterowania oparte na unikalnej architekturze Blackboard. Platformę programistyczną Blackboard można wykorzystać do tworzenia niestandardowych aplikacji.
  • Architektura BB1 Blackboard Control Starszy system Blackboard, dostępny dla Common Lisp i C++ .
  • Macsy Modułowa architektura tablic dla Pythona zbudowana na bazie MongoDB do adnotacji treści multimedialnych.

Dalsza lektura