Η παρουσίαση φορτώνεται. Παρακαλείστε να περιμένετε

Η παρουσίαση φορτώνεται. Παρακαλείστε να περιμένετε

Τεχνολογίες Αναπαράστασης Γνώσης και Συμπερασμού: η Περίπτωση ενός Έξυπνου Βοηθού Προπονητή Ποδοσφαίρου Βασίλης Παπαταξιάρχης Α.Μ.: Μ833 Διπλωματική Εργασία.

Παρόμοιες παρουσιάσεις


Παρουσίαση με θέμα: "Τεχνολογίες Αναπαράστασης Γνώσης και Συμπερασμού: η Περίπτωση ενός Έξυπνου Βοηθού Προπονητή Ποδοσφαίρου Βασίλης Παπαταξιάρχης Α.Μ.: Μ833 Διπλωματική Εργασία."— Μεταγράφημα παρουσίασης:

1 Τεχνολογίες Αναπαράστασης Γνώσης και Συμπερασμού: η Περίπτωση ενός Έξυπνου Βοηθού Προπονητή Ποδοσφαίρου Βασίλης Παπαταξιάρχης Α.Μ.: Μ833 Διπλωματική Εργασία Επιβλέποντες Καθηγητές: Ιζαμπώ Καράλη Παναγιώτης Σταματόπουλος Αθήνα, 19 Νοεμβρίου 2008

2 2 Δομή παρουσίασης Εισαγωγή Αξιολόγηση Τεχνολογιών Γνώσης Ανάπτυξη Συστήματος Συμπεράσματα

3 3 Συστήματα Βασισμένα σε Γνώση Προέλευση: Τεχνητή Νοημοσύνη Στόχος: Προσομοίωση ειδικού σε τομέα Χρησιμοποιούν τεχνολογίες αναπαράστασης γνώσης και συμπερασμού Πληθώρα γλωσσών και εργαλείων που βασίζονται σε διαφορετικές αρχές Κίνητρα της Εργασίας Έλλειψη γενικού πλαισίου αξιολόγησης των τεχνολογιών γνώσης Έλλειψη σχετικού συστήματος στον τομέα του ποδοσφαίρου

4 4 Δομή παρουσίασης Εισαγωγή Αξιολόγηση Τεχνολογιών Γνώσης Ανάπτυξη Συστήματος Συμπεράσματα

5 5 Αναπαράσταση Γνώσης Κλασική Λογική (ΚΛ) Λογικές Πρώτης και Ανώτερων Τάξεων Περιγραφικές Λογικές (Description Logics) Προγράμματα Περιγραφικής Λογικής (Description Logic Programs) Λογικός Προγραμματισμός (ΛΠ) Datalog Προγραμματισμός Συνόλου Απαντήσεων (Answer-set Programming-ASP) Συστήματα κανόνων (π.χ. CLIPS, Jess κλπ.) Αναιρέσιμη Λογική (Defeasible Logic)

6 6 Βασικές Διαφορές ΚΛ και ΛΠ Κλασική Λογική Λογικός Προγραμματισμός ΜονοτονίαOWACWA Άρνησηstrong negationnegation-as-failure Περιορισμοίrestrictionsconstraints Αντικείμενα ≠ ονόματα πιθανώς αναπαριστούν το ίδιο αντικείμενο UNA Entailmentground, non-groundground Αποφασι- σιμότητα Εξαρτάται από την εκφραστικότητα της γλώσσας decidable

7 7 Επικάλυψη ΚΛ και ΛΠ (1) (7) (6)(5) (4) (3) (2) : Λογική Πρώτης Τάξης (2)+(3)+(4): DLs (4): Description Logic Programs (DLP),(3): Άρνηση ΚΛ (4)+(5): Horn Logic προγράμματα,(4)+(5)+(6): ΛΠ (6): Μη-μονότονα χαρακτηριστικά (NAF κλπ.)(7): ^κεφαλή, ∨ σώμα

8 8 Οντολογίες + Κανόνες Γιατί χρειαζόμαστε και τα δύο? Μοντελοποίηση ανοικτών περιβαλλόντων (όπως το Web) Μεγάλη εκφραστικότητα Ομογενείς προσεγγίσεις Οντολογίες και κανόνες εκφρασμένοι σε κοινή γλώσσα λογικής Οι κανόνες μπορούν να ορίσουν κλάσεις και συσχετίσεις των οντολογιών Π.χ. OWL + SWRL Υβριδικές Προσεγγίσεις Οι κανόνες ορίζουν εξωτερικές κλάσεις και συσχετίσεις χρησιμοποιώντας τις οντολογίες Π.χ. OWL + ASP

9 9 Πειραματική Μελέτη Pellet Reasoner RacerPro Reasoner Fact++ Reasoner Bossam Reasoner + Rule Engine Jess rule engine Jena2 inference module dlvhex DR-DEVICE KAON2 CLIPS Πείραμα Διαδικασίες Συμπερασμού Εκτέλεση Κανόνων  Οντολογία σε OWL-DL  35 classes  10 object properties  4 datatype properties  Μεταβολή # στιγμιότυπων  1 στιγμιότυπο περιγράφεται από  22 στιγμιότυπα κλάσεων  9 στιγμιότυπα ιδιοτήτων  Κανόνες σε SWRL  Μεταβολή # κανόνων προς εκτέλεση

10 10 Συλλογιστική σε DL Έλεγχος Συνέπειας: παρόμοιοι χρόνοι με classification Bossam, KAON2, Jena2, Fact++ σε ABox Ορθή συλλογιστική, αλλά όχι πλήρης Αρκετά πιο γρήγορη εκτέλεση Hierarchy Classification (TBox)Instance Checking (ABox)

11 11 Εκτέλεση Κανόνων Bossam: memory exceptions για # στιγμιότυπων > 200 και 50 κανόνες CLIPS: παρόμοιοι χρόνοι με Jess dlvhex: χειρίζεται DL-Rules DR-DEVICE: χειρίζεται defeasible rules Bossam Jess

12 12 Συμπεράσματα Αξιολόγησης Ικανοποιητικά αποτελέσματα σε TBox και εκτέλεση κανόνων Προβλήματα Χειρισμός μεγάλου # στιγμιότυπων Συνδυασμός μη-μονότονης και μονότονης συλλογιστικής Συλλογιστική πάνω από concrete domains Ανυπαρξία ενιαίου πλαισίου διαχείρισης γνώσης Διαδικασίες Συμπερασμού Νέα Γνώση Εκτέλεση Κανόνων

13 13 Δομή παρουσίασης Εισαγωγή Αξιολόγηση Τεχνολογιών Γνώσης Ανάπτυξη Συστήματος Συμπεράσματα

14 14 intelligent football manager (i-footman) Σύστημα βασισμένο σε γνώση για την υποστήριξη υπηρεσιών αξιοποιήσιμων από έναν προπονητή ποδοσφαίρου Γενική Ιδέα: Σύνθεση συνόλου οδηγιών τακτικής για την αντιμετώπιση αντιπάλου Περιορισμοί Εμπειρική γνώση – Υποκειμενικότητα Έλλειψη στατιστικών και εργομετρικών δεδομένων Καμία σχετική προσπάθεια (ερευνητική ή μη) Στόχοι Ενσωμάτωση βασικής γνώσης του πεδίου εφαρμογής Δυνατότητα εύκολης επέκτασης του συστήματος

15 15 Καταγραφή και Ανάλυση Απαιτήσεων Μεθοδολογία Συνεντεύξεις με ειδικούς Απάντηση ερωτηματολογίων Άντληση γνώσης σχετικά με: κατανόηση του πεδίου εφαρμογής επιθυμητές υπηρεσίες βασικά χαρακτηριστικά παικτών και ομάδων κανόνες επιλογής παικτών και οδηγιών τακτικής

16 16 Αρχιτεκτονική Συστήματος i-footman Μηχανή Εκτέλεσης Κανόνων Οντολογία Παικτών Ποδοσφαίρου ΧαρακτηριστικώνΣχηματισμού Μηχανή Συμπερασμού Οντολογία Ομάδων Ποδοσφαίρου Κανόνες Επιλογής ΠαικτώνΟδηγιών

17 17 Λειτουργικότητα Οντολογία Περιγραφής Ομάδων Διαδικασίες Συμπερασμού Κανόνες επιλογής σχηματισμού και παικτών Κανόνες χαρακτηριστικών και οδηγιών Σχηματισμός Σύνθεση Αδυναμίες/Ικανότητες Αντιπάλου Οδηγίες Οντολογία Περιγραφής Παικτών Δεδομένα Παικτών Δεδομένα Ομάδων

18 18 Οντολογικά Μοντέλα Οντολογία Παικτών Ποδοσφαίρου (FPO) Μοντελοποιεί θέσεις παικτών τεχνικά και φυσικά χαρακτηριστικά παικτών κατηγορίες παικτών Π.χ. fpo:CreativeMiddlefielder ≡ (fpo:hasPassing.GoodAbility ⊔ fpo:hasPassing.VeryGoodAbility) ⊓ fpo:playsInPosition.Middlefielder Οντολογία Ομάδων Ποδοσφαίρου (FTO) Μοντελοποιεί χαρακτηριστικά και κατηγορίες ομάδων

19 19 Οντολογία Παικτών

20 20 Κανόνες Επεκτάσιμο σύνολο κανόνων για συμπερασμό χαρακτηριστικών ομάδας επιλογή σχηματισμού επιλογή παικτών σύνθεση οδηγιών τακτικής Χρήση λεξιλογίου από οντολογίες FPO, FTO fto:hasStartingPlayer (?t1,?p1) ∧ fto:hasStartingPlayer (?t1,?p2) ∧ fpo:QuickOffensivePlayer (?t1,?p1) ∧ fpo:QuickOffensivePlayer (?t1,?p2) → fto:dangerousAtCounterAttack (?t1,true) fto:TeamWithNoBacks (?t1) ∧ fto:TeamWithWingers (?t2) → fto:shouldAttackFromTheWings (?t2,true)

21 21 Τεχνολογίες Υλοποίησης Web Ontology Language (OWL-DL) Semantic Web Rule Language (SWRL) Pellet Reasoner Jess Rule Engine Protégé SWRL Jess Tab Protégé OWL API SPARQL Jena2 inference module – Jena API Apache Tomcat

22 22 Αξιολόγηση Επιδόσεων Προσομοίωση αγώνων μέσω πλατφόρμων ελέγχου τακτικής Με και χωρίς την υποστήριξη του i-footman  Ισοδύναμες ομάδες παρόμοια αποτελέσματα  Ασθενέστερος αντίπαλος μη-ουσιαστική βελτίωση Μέσος χρόνος απόκρισης = 7740ms

23 23 Δομή παρουσίασης Εισαγωγή Αξιολόγηση Τεχνολογιών Γνώσης Ανάπτυξη Συστήματος Συμπεράσματα

24 24 Ανοικτά Θέματα Ενιαίο πλαίσιο διαχείρισης γνώσης Στο Web: RIF Working Group, W3C Αποδοτικότεροι αλγόριθμοι συμπερασμού Αξιολόγηση συστήματος με πραγματικά δεδομένα Αυτόματη δημιουργία στιγμιότυπων από στατιστικά και εργομετρικά δεδομένα Εκμάθηση κανόνων επιλογής τακτικών και παικτών από ιστορικά δεδομένα

25 25 Επιστημονική Συνεισφορά Δι-επίπεδη αξιολόγηση τεχνολογιών γνώσης Ανάπτυξη συστήματος βασισμένου σε γνώση με τεχνολογίες Σημασιολογικού Ιστού Οντολογίες Παικτών και Ομάδων Ποδοσφαίρου Χρήση επεκτάσιμων μοντέλων και κανόνων για την εξαγωγή οδηγιών τακτικής Δημοσίευση: Papataxiarhis, V., Tsetsos, V., Karali, I., Stamatopoulos, P., and Hadjiefthymiades, S., "Developing rule-based applications for the Web: Methodologies and Tools", chapter to appear in "Handbook of Research on Emerging Rule-Based Languages and Technologies: Open Solutions and Approaches" (Eds. Adrian Giurca, Dragan Gasevic and Kuldar Taveter), Information Science Reference, URL:

26 26 no safety or surprise… THE END


Κατέβασμα ppt "Τεχνολογίες Αναπαράστασης Γνώσης και Συμπερασμού: η Περίπτωση ενός Έξυπνου Βοηθού Προπονητή Ποδοσφαίρου Βασίλης Παπαταξιάρχης Α.Μ.: Μ833 Διπλωματική Εργασία."

Παρόμοιες παρουσιάσεις


Διαφημίσεις Google