Intelligente Informationsagenten

Intelligente
Informationsagenten
Ringvorlesung „Perspektiven der Informatik“
Informatik“
30.10.2006
Dr. Matthias Klusch
[email protected]
Inhalt
Softwareagenten
Intelligente Informationssuche im Web
Semantisches Web und Agenten
Klusch
2
1
Was ist ein Agent ?
Softwareagent
„
Sensors
Agent
Handelt selbstä
selbständig (autonom)
autonom) in seiner
Umgebung zur Erfü
Erfüllung von Aufgaben
input
im Auftrag des Benutzers
Intelligenter Softwareagent
„
Effectors
output
Environment
Sensors
Effectors
Handelt flexibel (reaktiv,
reaktiv, proaktiv,
proaktiv, sozial)
sozial)
und autonom in seiner Umgebung zur
Erfü
Erfüllung von Aufgaben im Auftrag des
input
Benutzers oder anderer Agenten
output
Environment
Klusch
3
“Autonomer” Agent
Autonom = “nach eigenen Gesetzen lebend”
lebend” (gr.)
gr.)
Ein autonomer Agent handelt
„
kontinuierlich,
kontinuierlich, weitgehend unabhä
unabhängig von Benutzereingriffen
(“eigenverantwortlich für seine Ausfü
Ausführung”
hrung”)
„
UNIX demons, Viren,
Viren, Crawler
Ein flexibel autonomer Agent handelt
„
autonom
„
kontinuierlich angepaß
angepaßt an Benutzer und Umgebung (“reaktiv”
reaktiv”)
„
eigeninitiativ zielgerichtet (“propro-aktiv”
aktiv”)
„
kooperativ
Klusch
4
2
“Reaktiv”
Unmittelbare oder sehr zeitnahe Reaktion auf unvorhergesehene
Änderungen oder Ereignisse in der beobachteten Umgebung
„
„
Reiner Reflex:
Reflex:
ReizReiz-ReaktionReaktion-Regeln (If(If-then) + “Vergessen”
Vergessen”
Reflex auf interne Zustä
Zustände des Agenten:
Agenten:
ReizReiz-ReaktionReaktion-Regeln + Kontinuierlich
gespeichertes Wissen über die Umgebung
(Zustand,
Zustand, Weltmodell & “Erinnerung”
Erinnerung”)
„
Lernen:
Lernen: Gespeichertes Wissen + Individuelle Lernziele +
Nutzenorientiertes Handeln
Klusch
5
“Proaktiv”
Zielgerichtet planende,
planende, initiative Problemlö
Problemlösung
B
D
I
„
Was weiß
weiß ich über meine Umgebung ? (Beobachtung,
Beobachtung, Weltmodell)
Weltmodell)
„
Welche alternativen (TeilTeil-) Ziele sind prinzipiell erreichbar ? (Zielgerichtet)
Zielgerichtet)
„
Welche dieser Optionen möchte ich aktuell erfü
erfüllen ? (Intentionen,
Intentionen, Initiative)
Initiative)
„
Welche Aktionen muß
muß ich hierfü
hierfür wie am besten ausfü
ausführen ? (Planung)
Planung)
„
Habe ich meine Ziele mit diesem Plan erreicht ? (Überprü
berprüfung,
fung, Umplanung)
Umplanung)
“Beliefelief-Desireesire-Intention”
ntention” Architektur für proaktive Agenten
„
1986 - Procedural Reasoning System (PRS/dMARS
(PRS/dMARS)) von Georgeff,
Georgeff, Rao &
Lansky. http://www.ai.sri.com/~prs
http://www.ai.sri.com/~prs
Klusch
6
3
“Intelligente” Agenten ?
“Intelligente Agenten sind zu einer aufgabenorientierten
Problemlö
Problemlösung durch autonome,
autonome, reaktive und
zielgerichtete Anwendung von geeigneten Methoden
George Luger
der Künstlichen Intelligenz (KI) fähig.
hig.”
Wissensreprä
Wissensrepräsentation (Umgebung,
Umgebung, Aktionen,
Aktionen, Ziele)
Ziele)
Logische Schlussfolgerung,
Schlussfolgerung, Heuristische Lösungssuche (Planen)
Planen)
Maschinelles Lernen,
Lernen, Behandlung von unsicherem Wissen (Lernen)
Lernen)
Intelligente Interaktion (Visualisierung,
Visualisierung, Natü
Natürlichsprachlicher Dialog)
“Je mehr Verwendung von KI desto intelligenter der Agent”
Agent”
Klusch
7
Agenten und KI
“Kooperieren”
“Sensorik
& Motorik”
“Wissen, Planen,
Lernen &
Entscheiden”
“Kommunizieren”
Agent: Imitiert menschliches oder rein rationales Denken und Handeln ?
Klusch
8
4
“Künstliche Intelligenz” ?
“Can Machines Think ?”
?” (1950)
„
Test der (menschlichen)
menschlichen) Intelligenz von Maschinen
durch ein Imitationsspiel (“Turing Test”
Test”)
„
Dialoge eines Menschen mit anonymen
Gesprä
Gesprächspartnern und Entscheidung …
Alan Mathison Turing
… Unterhalte ich
mich hier mit
einem Roboter
oder Menschen?
Menschen?
Klusch
9
Beispiel: Intelligente Dialogagenten
Manifestation des Turing Tests durch
natü
natürlichsprachliche Interaktion zwischen Mensch und
intelligenten (nichtnicht-physischen)
physischen) Dialogagenten
Seit 1991 HughHugh-LoebnerLoebner-Prize: Weltweiter Wettbewerb
von ChatterBots
„
„
Klusch
Erkennung von (gespeicherten
(gespeicherten)) Mustern in natü
natürlichsprachlichen
Sätzen,
tzen, Anwendung normalisierter Phrasen
Lernen von individuellen Phrasen,
Phrasen, Konversationsmustern
10
5
Klassen von intelligenten Agenten
Learning Agents
Practical Reasoning (Planning) Agents
State-based Reflex Agents
Simple Reactive (Reflex) Agents
Nilsson, Russel & Norvig (1995)
Klusch
11
“Sozialer” Agent
Robuste und verteilte Kooperation mit anderen Agenten für
individuelle und/oder
und/oder gemeinsame Ziele und Aufgaben
Multiagentensystem
„
System von interagierenden Agenten für
verteilte Problemlö
Problemlösung
„
Hierarchische Aufgabenverteilung
„
Emergentes Lösungsverhalten (Schwarm)
Schwarm)
Koordination im System
„
Kommunikation zwischen Agenten
„
Verschiedene Kooperationsmodelle
(Verhandlung,
Verhandlung, Argumentation)
Klusch
12
6
Programmierung und Standards
Autonome Agenten sind keine Objekte !
“Objects do it for free. Agents do it because they want to.”
to.”
Entwicklungswerkzeuge für Agenten
„
JADE / LEAP (Uni
(Uni Parma), ZEUS (British Telecom), …
„
Mobile Agenten:
Agenten: Aglets (IBM), Grasshopper (IKV++)
Standards
„
„
„
„
IEEE FIPA Architektur für Agenten und Multiagentensysteme
Agentenkommunikationssprachen FIPAFIPA-ACL, KQML
Logische Inhaltsbeschreibungssprachen FIPAFIPA-SL, KIF
Architektur für mobile Agenten OMGOMG-MASIF
Europä
Europäisches Forschungsnetzwerk zu Agententechnologie
www.agentlink.org
Klusch
13
Anwendungen
Autonome und intelligente physische Agenten
Industrieroboter
Sony’
Sony’s QRIO “Quest for Curiosity”
Curiosity”
Grundlagenforschungsprototyp
Beschrä
Beschränkt autonome Fertigungsroboter
Klusch
14
7
Anwendungen
Intelligente Hausroboter
Intelligente Automobile
Autonomer Staubsauger
Autonomes Fahrzeug
Gewinner der DARPA Grand Challenge 2005
(135 miles autonomous drive through the
Mojave desert): “Stanley”
Stanley”, U Stanford, USA
Klusch
15
Anwendungen
Geologie
„
Autonome Meteoritensuche in Antarktis
Nomad (CMU, USA)
Raumfahrt
„
Autonome interplanetare Erkundung
NASA DS1 Sonde:
Sonde: Oct 1998 – Sept 1999
2 Tage via Remote Agent ohne Bodenkontrolle
Klusch
16
8
Anwendungen
Mars Exploration Rover
“Opportunity”
Opportunity”
August 2004
Autonome Navigation zu gegebenem
geographischen Zielort auf dem geplanten
kürzesten und sichersten Pfad
- nach Auswertung von dynamisch erzeugten
3-D Umgebungskarten mit erkannten Hindernissen
- in Planungsintervallen von 0.5 – 2 Metern
Fahrdistanz
Klusch
17
Anwendungen
Unterhaltungsroboter
Sony’
Sony’s Autonomer Roboterhund “Aibo”
Aibo”
Seit 1999 (Japan, USA), 2000 (Europa
(Europa))
Philips Benutzerinteraktionsroboter “iCat”
iCat” (2005)
Forschung zu MenschMensch-MaschineMaschine-Interaktion
Klusch
2003: 3. Generation Aibo ERSERS-7
mit Kommunikation
18
9
Anwendungen
Autonome und intelligente nichtnicht-physische Agenten
Simulation von Massenverhalten und sozialer Interaktion
„
Panikverhalten und Ursachen (z.B. Mundpropaganda)
„
Zielgerichtete Interaktion in der “Digital City Kyoto”
Kyoto” (Japan)
Persö
Persönliche Stadtfü
Stadtführeragenten
hreragenten mit Einkaufsempfehlungen
Einkaufsempfehlungen
„
Auswirkung von Stadtplanung auf Fuß
Fußgänger und Verkehr
„
Animierte Simulation von Massen in Filmen
Schwarmverhalten auf Gelä
Gelände mit Hindernissen
Herr der Ringe: Schlacht um Hell‘
Hell‘s Klamm; Imago: Masse der Schattenlosen
Klusch
19
Anwendungen
Autonome und intelligente nichtnicht-physische Agenten
Simulation von Massenverhalten / Soziale Interaktion
„
Besucheragenten in einer Metrostation von Kyoto (Japan)
Zentrale Beobachtung der Bewegung von Besuchern
und koordinierte Interaktion (Stauvermeidung,
Stauvermeidung, Warnung)
Warnung)
Simulation von Massenpanik und Gegenmaß
Gegenmaßnahmen
Zukunft:
Zukunft: Mobile Assistenzagenten einer Station (Notfallhilfe)
Notfallhilfe)
„
BesucherBesucher- und Assistenzagenten in der virtuellen “digital city Kyoto”
Kyoto”
Persö
Persönliche Stadtfü
Stadtführung
Einkaufsempfehlung
Klusch
20
10
Anwendungen
Simulation von Notfallrettungszenarien
Unterhaltungsspiele
• Evakuierungsszenario für Erdbeben
• Simulation von Feuerwehreinsatz in
ausgewählten Gebäuden und Stadgebieten
Virtual Agent League of RoboCup Soccer
Klusch
21
Anwendungen
Logistik
„
Klusch
Verteilte und dynamische Planung und Simulation von kostenoptimalen
Transportrouten und Lieferkettenmanagement
22
11
Anwendungen
Elektronischer Handel
Simulation von Käuferverhalten für kostenoptimalen Produkteinkauf und
„
Angebotserstellung für (mehrere)
mehrere) Unternehmen
„
Europaweites agentenbasiertes Auktionshaus im Internet
„
Persö
Persönliche Einkaufsagenten (Intelligent ShopBots)
ShopBots)
„
Verhandelnde Webdienstagenten (Pay(Pay-PerPer-Use Web Services)
Klusch
23
Anwendungen
Militä
Militär
„
Intelligente Koordination von autonomen Truppeneinheiten und
Militä
Militärgerä
rgerät in extrem dynamischen Umgebungen ?
“ Koordinationsagenten sind für die Koordination der künftigen
militä
militärischen Logistik und netzgestü
netzgestützten Kriegsfü
Kriegsführung der USA
und Europa wichtig.
wichtig. Sie helfen beim Management der enormen
Komplexitä
ä
t
.
2005)
Komplexit ” (Mark Greaves, DARPA, 2005)
Coordinated
Decision
Klusch
Logistics
Manpower
Operational Plans
C4 Systems
Strategic Plans
Intelligence
Decision Analysis Support
24
12
Typen von Agenten
(nach Franklin & Graesser, 1996)
Autonome Agenten
Intelligente Softwareagenten
Physische intelligente Agenten
Aufgabenspezifisch
Roboter
• Dialogagenten für Call Center
Biologische Agenten
• Informationsagenten
• Persö
Persönliche Sekretä
Sekretäre (Office Agenten)
Agenten)
• Prä
Präsentationsagenten (User Interface Agenten)
Agenten)
• Einkaufsagenten,
Einkaufsagenten, Robotersteuerungsagenten,
Robotersteuerungsagenten, Viren …
Klusch
25
Inhalt
Softwareagenten
Intelligente Informationssuche im Web
Semantisches Web und Agenten
Klusch
26
13
Arten der Suche im Web
similar to
Collaborative/
Social Filtering
likes
Link-directed
like
linked
to
likes
similar to
Content-based
Klusch
27
Web als Graph
Knoten =
WebWeb-Ressource (URI,
(URI, URL)
URL)
Gerichtete Kante =
Verbindung zwischen
zwei WebWeb-Ressourcen
Verbindungsstruktur von
untersuchten 200 Millionen
Webseiten:
Webseiten:
(Broder et al., WWW Konferenz 2000)
Google ca. 8 Milliarden
indizierte Webseiten
Klusch
28
14
Suchmaschinen
Search Engine
Regelmäß
ige Suche nach verfü
Regelmäßige
verfügbaren
Webseiten (Crawler/Spider)
Crawler/Spider)
Search
Bot
Speicherung (Index)
Index)
Inhaltsbasierte & Verbindungsorientierte
Anfragebearbeitung
„
„
Information Retrieval, Data Mining
Hyperlink Analysis
Index
Kein Lernen,
Lernen, “oneone-shot query answering”
answering”
Crawler,
Spiders
World Wide Web
botspot.com, allsearchengines.com
Klusch
29
Suche nach relevanten WebWeb-Ressourcen
Inhaltsbasiert
„
„
Text in HTML Tags von p: META, TITLE, BODY,
Anchor <a> text, URL Struktur,
Struktur, Imports
Information Retrieval, Data Mining (>20 TB Index)
Larry Page, Sergey Brin
Popularitä
Popularität im Web (Verbindungsorientiert)
Verbindungsorientiert)
Autoritä
Autorität von p für die Beantwortung einer Anfrage:
Anfrage:
IN(p)
p
“Je mehr relevante Seiten auf p zeigen,
zeigen, desto relevanter ist p”
oder p ist zufä
zufällig vom Benutzer ausgewä
ausgewählt (random surfer).
q
Klusch
PageRank ( p ) =
s
PageRank (q )
+ (1 − s ) ⋅ ∑
| BS(Q) |
q∈IN ( p ) outdegree ( q )
30
15
PageRank:
PageRank: Dynamics of Computation
t
Original (1998) PR ( p ) = d
(t − 1)
PR ( q )
q ∈ IN(p) outdegree( q )
∑
+ (1 - d ), 0 < ε < 1
r
(t − 1)
t
(1) PR = d ⋅ A ⋅ PR
+ (1 − d )1
Sequence {PR} always converges to stationary solution of linear system above
if the dumping factor d<1. Method defined by (1) is the Jacobi algorithm
for solving linear systems.
(t − 1) α (t − 1) r
t
+
(3) Normalized version (1999) : PR = ε ⋅ A ⋅ PR
1
| BS |
(t − 1)
(t − 1)
t
|| PR ||= 1 : α (t − 1) =|| PR
|| − || ε ⋅ A ⋅ PR
||
System (3) converges to
PR
solution of (2)
||PR||
Klusch
31
HITS (1999)
Rekursive Bewertung von Webseiten nach sich
gegenseitig verstä
verstärkendem Autoritä
Autoritätsts- und HubHub-Rang
Jon Kleinberg
Schneller und robuster (Initialisierung)
Initialisierung) als PageRank
auth( p ) =
∑ hub(q)
q∈IN ( p )
q
q
p
hub( p ) =
∑ auth(q)
q∈OUT ( p )
Klusch
32
16
Meta-Suchmaschinen
Parallele Anfrage an
Suchmaschinen und
Verzeichnisse
MetaSearchBot
Aggregation der Ergebnisse
Einheitliche Prä
Präsentation
Search
Bot
Search
Dir
World Wide Web
Klusch
33
Klusch
34
17
Suchverzeichnisse
Inhaltliche Kategorisierung von
Webdokumenten in Sachverzeichnis
(hierarchischer Index) durch Experten
Manuelle Auswahl von Startseiten für und
Ergebnissen (URLs) von Suchmaschinen
(zB Yahoo - Google)
Manuelle Editierung der Indexeinträ
Indexeinträge
(Abstract, Reviews) durch Editoren
Bezahlte Einträ
Einträge von Seiten in
spezifischen Kategorien
Oft Zugriffe auf Quellen im “Hidden Web”
Web”
http://www.lib.berkeley.edu/TeachingLib/Guides/Internet/BeyondWeb.html#Directories
Klusch
35
Klusch
36
18
Klusch
37
Popularität
Stand:
4/2001
Klusch
38
19
Pros & Cons
Pros
„
Sehr schnelle Antwortzeiten,
Antwortzeiten, einfache Bedienung
Cons
„
Oftmals unzureichende,
unzureichende, semantische Qualitä
Qualität und Aktualitä
Aktualität der Ergebnisse
„
Sehr begrenzter Suchraum im Web
6
40
HotBot
30
InfoSeek
20
Excite
Lycos
10
0
AltaVista
5
4
3
2
1
0
Web Coverage (%)
Broken links (%)
S. Lawrence, C.L. Giles: Searching the world wide Web. Science, 280, 1998
Accessibility of information on the Web. Nature, 400 (6/740), 1999
Klusch
39
Was ist ein Informationsagent ?
Ein Informationsagent ist ein Softwareagent,
Softwareagent, der fähig ist,
ist, im Auftrag
seiner Benutzer oder anderer Agenten relevante Informationen aus
mehreren verteilten,
verteilten, heterogenen Quellen zu erwerben,
erwerben, zu vermitteln
und zu verwalten.
verwalten.
„
“erwerben”
erwerben” = Suche,
Suche, Komposition,
Komposition, Verhandlung & Kauf,
Kauf, Zugriff
„
“vermitteln”
vermitteln” = zwischen Anbietern und Nachfragern (Mittleragenten)
Mittleragenten)
oder dem Benutzer (Prä
Präsentation)
sentation)
„
“verwalten”
verwalten” = Speicherung und Abruf von Daten (Datenbank)
Datenbank)
Klusch
40
20
Grobe Architektur
Intelligent User Interface
Agent User Interaction; Information Visualization;
Task Management
Knowledge
KB
Representation
Problem
Analysis
Solution
Planning
Reasoning
Learning
DB
Communication &
Cooperation
Agents
Systems
Data &
Information
Management
Klusch
DB
41
Suchmaschine = Informationsagent ?
Einfache Suchmaschinen …
„
Kontinuierliche Websuche (crawler), ohne Benutzereingriff:
Benutzereingriff: Autonom
„
Sucht,
Sucht, verwaltet und prä
präsentiert Informationen:
Informationen: “Informations”
Informations”agent
„
Vergesslich,
Vergesslich, kein Lernen:
Lernen: Reflex
„
… geplantes,
sind
keine
Informationsagenten
Kein initiativ
, zielgerichtetes
Handeln:
geplantes
Handeln: Nicht propro-aktiv
„
Kein Anwendung von KIKI-Methoden:
Methoden: Nicht intelligent
… oder doch ?
… sind triviale aber keine intelligenten Informationsagenten !
2.Generation: Personalisierten Suchmaschinen
Klusch
42
21
Klassen von Informationsagenten
Meta-/
SearchBots
RETSINA
IMPACT
InfoSleuth
TSIMMIS
OBSERVER
Kooperativ
NichtNicht-kooperativ
Mobil
Mobil
Adaptiv
LikeMinds
Phoaks
Fab
Venus&Mars
Rational
NOMADS
UMDL
FishMarket
Bazaar
Kasbah,
CASA
AGRICOLA
Agents2Go
MIA
NOMADS
ACTS-MIAMI
D’Agents/Smart
MIAOW
Adaptiv
WebWatcher
Letizia
Remembrance
Rational
ExpertFinder
ShopBots
Butterfly
LIBRA
MySpiders
AiA
Jimminy
Klusch
43
Lernende Agenten
Kontextwissen:
Kontextwissen:
• Benutzerprä
Benutzerpräferenz
• Benutzerumgebung
• Hardware
• Interaktion (Historie)
Historie)
Explizite
Eingabe
Explizite
Ausgabe
Kooperatives
Lernen
Lernen
Maschinelles Lernen
„
„
„
Klusch
Individuell Vs. Kooperativ,
Kooperativ, Zentral Vs. Verteilt,
Verteilt, Überwacht Vs. Eigenstä
Eigenständig
Art und Form des Kontextwissens,
Kontextwissens, Unsicherheit,
Unsicherheit, Unvollstä
Unvollständigkeit
Neuronale Netze,
Netze, Evolutionä
Evolutionär, Reinforcement Learning,
Entscheidungsbä
ä
ume,
Entscheidungsb ume, Hypothesenlernen,
Hypothesenlernen, …
44
22
Lernen von Präferenzen
Kontextdaten
Observation
Explizite Interessen &
Dokumentbewertung
Dokumenteigenschaften
Agent
User Interface
Context Data
Aktionen
Lernen
Suchanfragenhistorie
Emotionale Bewertung
(Affektiver Zustand)
Zustand)
Prediction
User Profile
Generation
Arbeitsthemen
Classification
Langzeitprä
Langzeitpräferenzen
Kurzzeitprä
Kurzzeitpräferenzen
Prä
Präferenzbasierte Empfehlung
von neuen Dokumenten
Klusch
45
Präferenzbasierte Objektsuche
Persö
Persönliche Gewichtung
von Prä
Präferenzen
für Suche nach „Hotels“
Hotels“
Hotel
0.5
Explizite Prä
Präferenzen:
0.2
0.8
0.1
0.4
„günstig“
nstig“
„sportlich“
sportlich“
Relativer Wert
Objektklasse
Objektklasse
„kulturell“
kulturell“
0.5
0.5
...
Absoluter Wert
von Objektattribut
•
10
0
•
0
Objektattribute:
Klusch
0
1
tennis
•
10
für Prä
Präferenzen
•
0
10
•
•
0
0
1
golf
10
1
0
0
10.000
price
46
23
Präferenzbasierte Objektsuche (2)
„Suche ein fü
für mich passendes Hotel!“
Hotel!“
Hotel h1 “Rabenstein”
Rabenstein”
• tennis
• golf
• price: 5000 DM
0.5
HotelDB
„günstig“
nstig“
„sportlich“
sportlich“
v ( h1) = (10 ∗ 0 . 8 + 10 ∗ 0 .2 ) ∗ 0 .5
+ (0 * 0 .5 + 5 ∗ 0 .5 ) ∗ 0 .4 = 6
0.8
0.2
„
„
tennis
no golf
price: 2000 DM
v(h2) = (10∗ 0.8 + 0) ∗ 0.5
•
10
0
•
0
0
1
tennis
•
10
•
0
0.5
0.5
Hotel h2 “Goldstar”
Goldstar”
„
0.1
0.4
10
•
•
0
0
1
10
1
golf
0
0
10000
price (pW)
+ (10∗ 0.5 + 8 ∗ 0.5) ∗ 0.4 = 7.6
Klusch
47
Lernender Agent für Inhaltsbasierte Buchempfehlungen
„
Extrahiere Textinformationen zu Bü
Büchern auf amazon.com
„
Erhalte Beispiele für positive/negative Bewertung durch Benutzer
„
Lerne das Benutzerprofil von Prä
Präferenzen durch probabilistische (Naï
(Naïve
Bayesian) Kategorisierung der bewerteten Beispieltexte
„
Empfehle unbekannte Bücher auf der Basis der geschä
geschätzten bedingten
Wahrscheinlichkeiten ihrer positiven Relevanz für Benutzer
R.J. Mooney, L. Roy: Content-Based Book Recommending Using Learning for Text Categorization
Proc. SIGIR-99 Workshop on Recommender Systems: Algorithms and Evaluation, Berkeley, CA, 1999
Klusch
48
24
Naïve Bayessche Textkategorisierung
Text x = „She sneezes and coughs,
coughs, but
has no fever“
fever“ auf Seite p
Features e1 =„sneeze“
sneeze“, e2 =„cough“
cough“,
e3 =„fever“
“
,
fever
Kategorien „Well“
Well“, „Cold“
Cold“, „Allergy“
Allergy“
Probability
Probability
W ell
Cold
Allergy
P(c
P(ci)
0.9
0.05
0.05
P(sneeze|c
P(sneeze|ci)
0.1
0.9
0.9
P(cough|c
P(cough|ci)
0.1
0.8
0.7
P(fever|c
P(fever|ci)
0.01
0.7
0.4
Bestimme Wahrscheinlichkeiten von Kategorien fü
für extrahierten Text x
P(x|c1) = P(e1|c1) P(e2| c1) (1 - P(e3| c1)) = 0.1*0.1*0.99 = 0.0099
P(x)
= P(c1)P(x|c1) + P(c2)P(x|c2) + P(c3)P(x|c3) = 0.03861
P(c1|x) = P(c1) P(x|c1) / P(x) = (0.9*0.0099)/0.3864 = 0.23,
P(c2|x) = 0.28, P(c3|x) = 0.49
Falls Kategorie “ Allergy”
Allergy” positive Prä
Präferenz ist,
ist, empfehle die Seite p
Klusch
49
Personalisierte Suchmaschinen
Explizite Prä
Präferenzen ohne Lernen
„
Aktuelle Suchanfrage
Lesezeichen
Themenbereiche & Interessengrad
„
Medienart (Audio, Video, Text, Images)
„
„
Implizite Prä
Präferenzen m/o Lernen
„
Suchhhistorie
„
Aktionen (Öffnen,
ffnen, Lesen,
Lesen, Drucken)
Drucken)
„
Lokalisation des Benutzers (GPS)
CityShopper (DFKI)
Noch keine Langzeitprä
Langzeitpräferenzen
„
Kombination mit Kurzzeitprä
Kurzzeitpräferenzen ?
Geringe Prä
Präzision des Suchergebnisses bei schneller Prä
Präferenzä
ferenzänderung
„
Wo wird das Profil gespeichert ? Datenschutzproblem !
„
Klusch
50
25
Evolutionäre Suche: InfoSpiders
Evolution
„Genotyp“
Genotyp“ eines InfoSpiders in einer Anfangspopulation
Extinction
Schlagwortliste (Initial: Anfrageterme), Energiebetrag
Distraction
Mutationsrate fü
für Termä
Termänderungen
Gelerntes Model fü
für Selektion von Links auf Seiten mit Termen in Liste
„Genetische Fitness“
Fitness“
Zuwachs an Energie = Grad der Relevanz gefundener Seiten für Anfrageterme
Abnahme der Energie = Kosten seiner Suche (Bandbreite, CPU Zyklen)
Überleben oder Sterben
Lernt die Selektion von Links von aktueller Seite auf relevante neue Seite
Seite
(erwartete Energiemaximierung)
Reproduktion:
Reproduktion: Vererbt mutierten Genotyp (Anfrageerweiterung)
Anfrageerweiterung) & halbe Energie
Stirbt falls Energiebetrag unzureichend
Klusch
51
Klassen von Informationsagenten
Meta-/
SearchBots
RETSINA
IMPACT
InfoSleuth
TSIMMIS
OBSERVER
Kooperativ
NichtNicht-kooperativ
Mobil
Mobil
Adaptiv
LikeMinds
Phoaks
Fab
Venus&Mars
amazon
Rational
NOMADS
UMDL
FishMarket
Bazaar
Kasbah,
CASA
AGRICOLA
Agents2Go
MIA
NOMADS
ACTS-MIAMI
Adaptiv
WebWatcher
ExpertFinder
Let’s Browse
Butterfly
D’Agents/Smart
MIAOW
Rational
ShopBots
MAPPA
InfoSpiders
etc.
Klusch
52
26
Kooperative und adaptive Suche
mit Mars&Venus
Kooperative Informationsagenten mit Lernen des Benutzerprofils
Entwickelt von Y. Kitamura et al. (U Osaka, Japan)
Gewinner des International CIA Workshop System Innovation Award 2001
Klusch
53
Kooperative Websuche mit
Mars&Venus
Pekko +
Kon-san
Klusch
Kon-san +
Cho-san
54
27
Kooperative Empfehlung
similar to
Collaborative/
Social Filtering
likes
Link-directed
like
linked
to
likes
similar to
Content-based
Klusch
55
Benutzerpräferenzmatrix
User\Item StarWars Jurassic
Park
Terminator
Godzilla
User1
8
6
8
1
User2
3
1
8
0
User3
1
9
2
8
User4
2
0
10
1
-
9
-
-
…
Usern
Aufsteigende Bewertungsskala 1 - 10
Klusch
56
28
Kooperativer Präferenzabgleich
Voraussage der Bewertung rxj einer bestimmten Sache j aus einer geg. Menge J
durch Benutzer x basierend auf Bewertungen rij anderer Benutzer i von Sachen
aus derselben Menge.
rxj = ∑ w( x, i ) ⋅ (rij − rˆij ), rˆij =
i≠x
Cosine based user correlation
w( x, i ) = cos(rx , ri ) =
j∈J
∑ (r
x, j
j∈J
) ⋅∑ (ri , j )
∑r
ij
J
Pearson factor (GroupLens, 1994)
∑ rx, j ⋅ ri, j
2
1
J
2
w( x, i ) =
j∈J
∑ [r
+
xj
− rxj− ] ⋅ [rij+ − rij− ]
∑ [r
+
xj
− rxj− ]2 ⋅ [ rij+ − rij− ]2
j∈J
j∈J
+/ −
xj
r
positive/negative ratings of user x
Klusch
57
Anwendungen
http://ispy.ucd.ie/ispy.jsp
Imana’s CommonQuest
www.imana.com
NoCeM
www.cm.org
www.moviecritic.com
MacroMedia LikeMinds
Klusch
boffin.ucd.ie/ulysses2000/
58
29
Amazon’s Kaufempfehlung
Explizite
Eingabe von
Präferenzen
Inhaltsbasierte
Empfehlungen
Klusch
59
Amazon’s Kaufempfehlung
Kooperative
Kaufempfehlung
Individuelle Bewertung
(Präferenzupdate)
Klusch
60
30
Probleme kooperativer Empfehlung
“Cold Start”
Start”
„
Zu Beginn sind nicht genü
genügend Bewertungen vorhanden
Generell schwach besetzte Benutzerprä
Benutzerpräferenzmatrix
Nur geringe Anzahl von gemeinsam bewerteten Sachen führen zu
nicht signifikanten / vertrauenswü
vertrauenswürdigen Empfehlungen
“First Rating”
Rating”
„
Keine Empfehlung von neuen,
neuen, noch unbewerteten Sachen,
Sachen, die aber
potentiell relevant sind
“Black Sheep”
Sheep”, “Popularity Bias”
Bias”
„
Keine Empfehlungen von selten zuvor empfohlenen,
empfohlenen, nicht populä
populären
Sachen für Benutzer mit in der Gruppe einzigartigen / “exotischen”
exotischen”
Prä
Präferenzen
Klusch
61
Content-Boosted CF
Vs. “Cold Start” Problem
Sparse UserUser-ratings Vector
Training Examples
User-rated Items
Unrated Items
Items with Predicted Ratings
ContentContent-Based
Predictor
Full Pseudo UserUser-ratings Vector
Collaborative
Recommendation
Klusch
Full
User Ratings
Matrix
62
31
Mensch-Agent Interaktion
NichtNichtinteraktive
Prä
Präsentation
NichtNichtInteraktive
interaktive
Interaktive
Einzelprä
Einzelpräsentation Prä
Präsentationsteams Prä
Präsentationsteams
Interaktiv
Affektiv
Rollenvielfalt
Nicht-affektiv
Klusch
Rollenvielfalt
Interaktiv
Affektiv
63
Anwendungen
Intelligente und kooperative Informationsysteme
Agentenbasierte Systeme für integrierte mobile Dienste für
Produktion,
Produktion, elektronischen Handel und Ressourcenplanung
„
zB in der regionalen ForstForst- und Landwirtschaft
Agentenbasierte Systeme für sichere Koordination
von Informationen und Diensten im semantischen Web
Klusch
64
32
Kooperative Informationsagenten
im AGRICOLA.NET
AGRICOLA.NET
AGRICOLA.NET
ANS-Server
PDA PocketLoox
Nokia 6310i GPRS
GPS Receiver
AGRICOLA Agenten
„
Reprä
Repräsentieren Landwirte und Nutzfahrzeuge im Internetbasierten AGRICOLA.NET
„
Planen Ausleihe und Einsatz von benö
benötigten Nutzfahrzeugen für Getreideernte
„
Verhandeln von Fahrzeugen in Gruppen (Koalitionen)
Koalitionen) von Landwirten
AGRICOLA Mobile Dienste
„
Dynamische ortsabhä
ortsabhängige Umplanung (Wetterä
Wetteränderung,
nderung, Ausfall von Fahrzeugen)
Fahrzeugen)
Inhalt
Softwareagenten
Intelligente Informationssuche im Web
Semantisches Web und Agenten
Klusch
66
33
Was ist das “Semantische Web” ?
“Semantik”
Semantik” = Bedeutung sprachlicher Ausdrü
Ausdrücke
Erweiterung des bisherigen “syntaktischen”
syntaktischen” Webs
Webseiten,
Webseiten, die eindeutig identifizierbar (URI) und deren semantisch
annotierter Inhalt nicht nur für Menschen sondern auch für
Software(Software(-agenten)
agenten) automatisch verstä
verständlich ist.
ist.
Semantische Webseiten können formal analysierbar über
semantische Beziehungen miteinander verknü
verknüpft sein.
sein.
Open Source Software Tools für das Semantisches Web
www.semwebcentral.org,
www.semwebcentral.org, www.w3c.org
Klusch
67
Ebenen von Annotationssprachen
im Semantischen Web
Webdienst
Inhalt /
Ontologie
OWL-S, WSMO, WSDL-S
Ontology Web Language OWL
Resource Description Framework RDF / RDFS
Struktur
XML / XMLS
Form
HTML
WWW Dokument
Klusch
68
34
OWL führt drei Sprachfamilien
zusammen
Framesprachen
Konzeptsprachen/
Beschreibungslogiken
Objektorientierte
Wissensrepräsentation
OWL
Websprachen
XML- und RDF-Syntax
Formale Semantik,
Logische Inferenzen
(Subsumption)
Formale Definition
der Semantik von
Termen (für Annotation)
als Konzepte/Objekte
in einer Ontologie in OWL
Klusch
69
Beispiel: Ontologie in OWL
<?xml version="1.0"?>
<rdf:RDF
Verwendete Basisvokabularien
und andere Ontologien
xmlns:rdf="http://www.w3.org/1999/02/22
xmlns:rdf="http://www.w3.org/1999/02/22--rdfrdf-syntaxsyntax-ns#"
xmlns:rdfs="http://www.w3.org/2000/01/rdf
xmlns:rdfs="http://www.w3.org/2000/01/rdf--schema#"
xmlns:owl=
xmlns:owl=http://www.w3.org/2002/07/owl#
xmlns="
http://www.dfki.de/scallops/health--scallops/PatientOntology.owl#"
xmlns="http://www.dfki.de/scallops/health
scallops/PatientOntology.owl#"
<owl:Ontology rdf:about=
rdf:about=“Medizinische Stationen"/>
Stationen"/>
<owl:Class
EmergencyStation">
">
<owl:Class rdf:ID="
rdf:ID="EmergencyStation
MedicalOrganisation
<rdfs:subClassOf
>
rdfs:subClassOf>
<owl:Class rdf:ID="
MedicalOrganisation"/>
"/>
rdf:ID="MedicalOrganisation
</rdfs:subClassOf
>
</rdfs:subClassOf>
<owl:disjointWith
>
owl:disjointWith>
<owl:Class rdf:ID="Hospital"/>
rdf:ID="Hospital"/>
EmergencyStation
Hospital
</owl:disjointWith
>
</owl:disjointWith>
</owl:Class> ….
Klusch
70
35
RDF Syntax von OWL
RDF Metadatenmodell
TripleTriple-Notation (Subject, Property, Object)
Object)
Annotatierte Ressource als gerichteter,
gerichteter, bezeichneter Graph
Universal Resource Identifiers (URI) – Identifikation
Subject (Class)
Class)
Predicate (Property)
Property)
Object (Class,
Class, Value)
Value)
Title
Matthias Klusch
Intelligent Information Agents
Title
http://www.dfki.de/~klusch
http://www.springer.de/....
http://purl.org/dc/elements/1.1/title
http://www.dfki.de/~klusch
http://www.springer.de/....
Klusch
71
Alle Dateien, die Term
“Software Agent”
als Klasse enthalten.
Klusch
72
36
Definition der Klasse
“Software Agent”
Klusch
73
Nur Ontologiedateien, die
eine Klasse “Software Agent”
definieren.
Klusch
74
37
Alle Klassendefinitionen
einer RDF Ontologie
2005:
Google 8x109
Swoogle 5x105
2010: ?
Klusch
75
Beschreibungslogik OWL-DL
Konzepte,
Konzepte, Beziehungen zwischen Konzepten (Rollen),
Rollen), Instanzen
Logische Sprachoperatoren (PL1)
mit entscheidbarer,
entscheidbarer, modellmodell-theoretischer Semantik
KonzeptA
KonzeptB,
KonzeptB, ¬ Konzept,
Konzept,
dl.kr.org
∀ rolle.
rolle.Konzept,
Konzept, ∃ rolle.
rolle.Konzept,
Konzept, (≥
(≥ n rolle),
rolle), (≤
(≤ n rolle)
rolle)
Eine Frau
Frau = ( Mensch
¬ Männlich
die einen Fisch besitzt
∃ besitztbesitzt-Fisch.
Fisch.Fisch
und mindestens zwei Kinder hat,
(≥ 2 hathat-Kinder)
Kinder)
die alle Informatikstudenten sind
∀ hathat-Kinder.
Kinder.Informatikstudenten )
Klusch
76
38
Beispiel: Konsistente OWL Ontologie ?
Property
Class
type
type
type
Person
Fish
type
Wendy
owns
type
domain
Wanda
type
range
owns
∀owns.Fish
Person = Thing
(Wendy Person), (Wendy
(Wendy owns Wanda)
Wanda)
Wanda = Person
Fish
(Wanda Person)
Klusch
77
Automatische Suche im
Semantischen Web
“Suche Fischliebhaber, bitte exakt!”
crawl
verstehen
<Person> Wendy </Person>
besitzt einen Goldfisch
namens <Fish>“Wanda”</Fish>
Fischliebhaber =
Mensch
wendy.owl
use ontology.owl
∀ besitzt.Fische
(≤ 100 besitzt)
verstehen
ontology.owl
Person = Human ⊓ ∀owns.Fish
….
besitzt = owns
Fischliebhaber = Person
X
Fischliebhaber p Person
Relevante Webseite: wendy.owl
Explain: “Wendy besitzt einen Fisch namens Wanda.”
Klusch
78
39
Komposition von semantischen
Webdiensten
Aufrufparameter:
KFZ-Kennzeichen,
Konto# (IBAN)
Logischer Kompositionsplaner
für semantische Webdienste in OWL-S
“Verkauf meines PKW”
PKW”
Überwachte
Planausführung
Ausfü
Ausführbarer
Plan
Zielspezifikation
“Auto abgemeldet,
abgemeldet,
Kaufpreis auf Konto”
Konto”
SW Dienst 1
Fahrzeugbewertung
Eurotax/Schwacke
SW Dienst 3
SW Dienst 2
Gebrauchtwagenbörse Scout24
…
Internetbanking
Postbank.de
SW Dienst n
KfZ-Abmeldung
Saarbruecken.de
Klusch
79
Anwendungen
Medizinische Patiententransportplanung
•
•
•
•
Patient/Unfallopfer
Rettungsleitzentrale (EMA)
Mobiler Notarzt
Krankenhausaufnahme
•
Medizinische Transportdienstleister
KH Sulzbach
Komposition eines Krankenrücktransportdienstes
aus einzelnen medizinischen semantischen
Webdiensten
Verhandlung von kostenpflichtigen
Fachinformations- und Transportdiensten
Sicherheit von Patienten- und Missionsdaten
Klusch
80
40
Anwendungen
„
Multimodaler Informationsagent für UMTS Handy und PDA
• Semantische Repräsentation der Anfrage
• Ansteuerung multipler Suchdienste
OffOff-line
Semantische
Annotation
von
Webseiten
Korpus von
Webseiten
OnOn-line Informationsuche:
Intelligenter Zugriff mit
Inferenzkomponente
Semantische
Webseiten
• Anfragetransformation/
Suchplanung
• Dokumentensuche/-bewertung/-selektion
• Informationsextraktion/-integration
“Syntaktische”
Syntaktische”
Webseiten
World Wide Web
Klusch
81
Moral autonomer Agenten ?
Agenten manifestieren Intelligenz und
eigenstä
eigenständiges
ndiges Handeln in (physischen
(physischen))
intelligenten Systemen und Anwendungen
Ethische Richtlinien für Agenten ?
(1)
Ein Roboter (= physischer Agent) darf durch
sein Verhalten keinem Menschen direkt
oder indirekt Schaden zufü
zufügen.
gen.
(2)
Ein Roboter muß
muß allen ihm von Menschen
gegebenen Befehlen gehorchen,
gehorchen, sofern sie
nicht im Konflikt mit dem 1. Gesetz stehen.
stehen.
(3)
Klusch
Ein Roboter muß
muß sich selbst schü
schützen
sofern dies nicht gegen Gesetz 1 & 2
verstöß
verstößtt.
Isaac Asimov
82
41
Aktuelle Forschungsthemen
Semantisches Web und Agenten
„
Intelligente Suche,
Suche, Kompositionsplanung und überwachte
Ausfü
Ausführung von semantischen Webdiensten
Verhandlungen zwischen Informationsagenten
„
Angebot und Zugriff auf kostenpflichtige Dienste und Informationen
Selbstregulative Systeme von Informationsagenten
Quanteninformationsagenten
„
Programmierung und Simulation von Informationsagenten
auf Quantenrechnern
Klusch
83
Neugierig ?
DFKI GmbH – FB Deduktion & Multiagentensysteme (D3.2, Ebene +1)
F&E Team “Intelligent Information Agents and Systems”
Systems”
http://www.dfki.de/~klusch/i2a
Wir bieten an im FB Informatik,
Informatik, LS Künstliche Intelligenz (Prof. Siekmann)
Siekmann)
„
Vertiefungsvorlesung “Intelligent Information Agents”
Agents”
„
Hauptseminare zu relevanten,
relevanten, aktuellen Forschungsthemen
„
Fortgeschrittenenpraktika (FoPra),
FoPra), Industriepraktika
„
Masterarbeiten
„
HiWi Jobs
Klusch
84
42
Vielen Dank
für Ihre Aufmerksamkeit !
Uni Campus, Geb.
Geb. D3.2, Raum +1.26
0681 – 302 – 5297
klusch@
[email protected]
dfki.de
www.dfki
.de/~klusch
klusch
www.dfki.de/~
Klusch
85
43