Applications Einleitung 1. Agents for Workflow and Business Process Management 2. Agents for Distributed Sensing

Transkript

1 Applications Multiagentensysteme SS 09 Christoph Goeker und Sebastian Goldenberg Vortrag vom Veranstalter: Ipke Wachsmuth, Alexa Breuing Einleitung Agenten haben in vielen Anwendungsgebieten Einzug gehalten, von denen hier einige vorgestellt werden sollen. Allgemein gesprochen lassen sich Agenten in 2 Hauptkategorien einteilen: Distributed systems (verteilte Systeme): Agenten als Teile eines verteilten Systems Betonung auf multi von Multiagentensystemen Personal software assistants (persönliche Software Assistenten): Agenten als proaktive Assistenten des Benutzers Betonung auf individuelle Agenten 1. Agents for Workflow and Business Process Management Systemen zur Verwaltung von Geschäftprozessen kommt eine immer größere Bedeutung zu. Diese Agenten verwalten und automatisieren die Verteilung und Weiterleitung von Dokumenten an die jeweiligen Empfänger. Beispiel: ADEPT (Advanced Decision Environment for Process Tasks) Eingesetzt bei British Telecom. Ziel ist die Verwaltung der individuellen Kundenanforderungen bezüglich ihrer Netzwerkanschlüsse. Probleme gibt es dahingehend, dass eine Menge an Abteilungen am Geschäftsprozess beteiligt ist. Die Customer Service Division (CSD)[Kundenservice], die Design Devision (DD), das Surveyor Department (SD)[Sachverständige], die Legal Devision (LD)[Rechtsabteilung] und verschiede Organisationen zur Überprüfung der Kunden (VCs [vetting customers]). Des Weiteren benötigen individuelle Kundenwünsche einen hohen Interaktionsgrad zwischen den Abteilungen, wobei hier unterschiedliche Interaktionsarten (intern vs. extern) und Zeitdruck auf Anforderungen muss schnell und flexibel reagiert werden weitere Hürden sind. Ein typischer Ablauf sieht wie folgt aus. Der Kunde nimmt Kontakt mit dem CSD auf. Dieses prüft den Kunden und beendet den Prozess, falls dieser durchfällt. Nun sind 2 Fälle möglich. Existiert eine vorgefertigte Lösung wird der Kunde bedient und der Prozess beendet. Muss eine Lösung erarbeitet werden, so analysiert die CSD die Kundenanforderungen und die LD überprüft deren Gültigkeit. Dann schickt die DD über das SD einen Mitarbeiter zum Kunden, welcher weitere Planungen vornimmt. Danach informiert die DD die CSD über fehlende Komponenten, woraufhin die CSD dem Kunden ein Angebot macht und der Prozess beendet wird. Alle ADEPT Agenten haben die gleiche Basisarchitektur. Einen Kopf, der die Aktivitäten und die Interaktion steuert und eine Agency, die die Problemlösungsressourcen repräsentiert. Diese Struktur basiert auf den GRATE und ARCHON Agentenmodellen. 2. Agents for Distributed Sensing Agenten für verteilte Messungen sind eine klassische Anwendung von Multiagentensystemen (Lesser & Erman; Durfee). Ihr Vorteil ist ein relativ einfaches System, in welchem sich durch die Agenten viel gewinnen lässt. Es basiert auf der Idee verteilter Sensoren, die sich gegenseitig Informationen zuspielen. Ein Beispiel sind Sensoren zur Fahrzeugüberwachung (Distributed Vehicle Monitoring Testbed). Sie sollten andere Sensoren informieren können, wenn ein Fahrzeug in ihren Bereich einfährt. 3. Agents for Information Retrieval and Management In der heutigen Informationslandschaft stellt die Erkennung und/oder Trennung von relevantem und irrelevantem Wissen aus semi strukturierten Informationsquellen, wie dem www, ein großes Problem für den Menschen dar. Ein Informationsagent kann hier den Menschen unterstützen. Er hat Zugang zu mindestens einer Informationsquelle und Methoden, die Inhalte dieser Quellen zu sammeln und zu manipulieren und gemäß der gestellten Frage aufzuarbeiten. Ein gutes Beispiel für ein Informationssystem ist das Internet, mit einer Reihe von Vorteilen: Es erlaubt Zugang zu vernetzten, weit verteilten Informationsquellen und besitzt eine einheitliche Schnittstelle für Inhalte (Text, Bilder, Videos usw.) Es basiert auf Hypertext, was es erlaubt, Dokumente zu verlinken und zusammenzustellen. Des Weiteren ist es simpel und intuitiv bedienbar. Dennoch gibt es 2 große Probleme: Menschliche Faktoren und organisatorische Faktoren. 3.1 Human factors Information Overload (Maes 1994). Durch die Menge an Informationen ist es schwer, die gewünschten zu filtern. Suchmaschinen bieten nur eingeschränkte Funktionalität (Indexsuche) und Menschen langweilen sich

2 schnell, oder werden durch die Informationsflut verwirrt. Außerdem ist die graphenähnliche Struktur schwer zu verstehen. Des Weiteren ist das Internet nicht für methodische Nutzung konzipiert. Viele Seiten stellen das Aussehen über Inhalt. "browsing" statt "reading" erschwert das Beantworten komplexer Fragen. 3.2 Organizational factors Das Aussehen der Webseiten ist nicht standardisiert. HTML ist ein sehr breiter Standard und das Bereitstellen von Inhalten ist mit Kosten verbunden, die durch das Web nicht immer refinanziert werden können. Um diesen Problemen zu begegnen, werden Werkzeuge gebraucht, die eine einheitliche Sicht auf die verteilten Informationsquellen geben, die personalisierte, nutzerorientierte Dienste anbieten, die den Information Overload mindern, die skalierbar, verteilt und modular sich dem wachsenden Netz anpassen und die selbstorganisierend und adaptiv sind, um flexibel und schnell zu sein. 3.3 Personal information agents Ein Beispiel ist MAXIMS. Es ist ein client, der am Verhalten des Nutzers lernt, Mails zu priorisieren, löschen, sortieren, weiterzuleiten und zu archivieren. MAXIMS wurde entwickelt von Pattie Maes am MIT. Es Reagiert auf Events (z.b. Mailempfang) mit Paaren der Form: situation > action. Hierbei ist die Situation beschrieben durch den Sender, den Empfänger, den Betreff und Schlüsselwörter im Text. Tritt eine neue Situation auf, wird diese mit gelernten oder vorgegebenen Regeln verglichen. Es wird ein "confidence level" generiert, der mittels zweier Thresholds den Agenten handeln lässt: Frage was zu tun ist Mache einen Vorschlag Tue, was du für richtig hälst Umsetzung fand dieses Prinzip in NewT, einem Usenetfilter, der den Nutzer in der Wahl der zu lesenden Artikel unterstützt. 3.4 Web agents Etzioni und Weld machten im Jahr 1995 Vorschläge, welche weiteren Agenten in Zukunft in Erscheinung treten könnten. Tourguides, die den Nutzer in der Wahl, welchen Link er anklickt unterstützen. Indexing Agents, die eine weitere, personalisierte Abstraktionsebene über den Diensten von indexbasierten Suchmaschinen anbieten. FAQ Finder, die den Nutzer auf FAQ Seiten, welche meist sehr kompaktes Wissen enthalten, delegieren. Expertise Finder, die versuchen zu verstehen, was der Nutzer meint und versuchen Suchergebnisse entsprechend anzupassen. raw content: Homepages individueller Personen, Firmen usw. search engines Suchmaschinen, die ihr "Wissen" aus handeditierten oder generierten (Webspider) Indextabellen beziehen software agents Meta Suchmaschinen 3.5 Multiagent information retrieval systems Wissensquellen wie Websites sind generell passiv. Um dies zu umgehen, können sie mit einem Agenten gepackt werden. Information Agents haben Zugriff auf Datenbanken und verfügen über Expertenwissen, sowie die Fähigkeit Meta Anfragen zu beantworten. Diese Information Agents werden mittels des Broker Agenten gefunden, welche u.u. ebenfalls spezialisiert sind (z.b. auf bestimmte Information Agents). Vorteile sind eine hohe Flexibilität und die Möglichkeit schnell auf eine sich ändernde Agentenpopulation zu reagieren.

3 4. Agents for Electronic Commerce Mit dem Internetboom 1990 stieg auch das Interesse in dessen kommerzieller Nutzung. Dessen ursprünglicher Zweck war jedoch die freie Verteilung von Informationen, was die kommerzielle Nutzung erschwert: Vertrauen, Datenschutz und Sicherheit, Abrechnung/Zahlung und Zuverlässigkeit. E Commerce Syteme der ersten Generation (Amazon) erlaubtem dem Nutzer eine Produktdatenbank zu durchsuchen und ein gewähltes Produkt zu kaufen. Die zweite Generation automatisiert Teile des Kundenkaufverhaltens. Kaufverhalten nach (Guttman 1998): Bedarfsfindung (need identification) Produktsuche (product brokering) Händlersuche (merchant brokering) Verhandlung (negotiation) Kauf und Lieferung (purchase and delivery) Produktservice und Bewertung (product service and evaluation) Einige Agententypen: 4.1 Comparison shopping agents Vergleichen Produktpreise verschiedener Händler und geben den günstigsten aus. Dies funkioniert gut, solange ein fertiges Produkt z.b. CDs gesucht wird, d.h solange Produkte auf einen einzelnen Parameter verglichen werden. Problematisch sind weitere Bedingungen wie z.b. bei einem Gebrauchtwagen (Laufzeit, Zustand, Vertrauenswürdigkeit des Händlers usw.). Ein Beispiel ist Jango (Doorenbos et al., 1997). Ziele des Jango Projekts waren: Helfen, was zu kaufen ist Finden von Produktspezifikationen und Berichten dem Nutzer Empfehlungen geben den besten Preis durch Vergleiche finden Neuigkeiten beobachten Suchen nach Sonderangeboten und Vergünstigungen Unter Ausnutzung einer Reihe von spezifischen Webshop Ähnlichkeiten Einfache Navigation zu den Produkten Einheitliches look n feel Vertikale Trennung der Produkte Intern besteht Jango aus 2 Komponenten. Lernen der Händlerbeschreibungen, d.h. Lernen der Struktur der Seite und Vergleichskomponente, die Produkte verschiedener Händler vergleicht. 4.2 Auction bots Beispiel Kasbah (Chavez und Maes, 1996). Kasbah ist ein Verkaufsbot und hat eine Reihe von Nutzereinstellungen: gewünschter Verkaufstermin gewünschter Verkaufspreis minimaler Verkaufspreis Kasbah startet mit dem gewünschten Preis und nahe der Deadline wird mittels einer Verfallsfunktion (linear, quadratisch, kubisch) der Preis gesenkt. Die Kauf/Verkaufsentscheidung liegt jedoch beim Nutzer.

4 5. Agents for Human Computer Interfaces Derzeit herrscht das Modell der direkten Manipulation, wohingegen Menschen untereinander bidirektional als Paar arbeiten und Aufgaben aufteilen. Sie erleben einen Problemlösungsverlauf. Die Idee hinter Interfaceagenten sind Computersysteme als proaktive Assistenten. Das Ziel sind Agenten, die unter bestimmten Voraussetzungen die Initiative übernehmen und als kooperative Partner und semi autonome Agenten auftreten. 6. Agents for Virtual Environments Die Idee ist die Verbindung von Agenten mit Kino, Computerspielen und virtueller Realität. Als Ziel hat man sich gesteckt eine interaktive, simulierte Welt in der der Benutzer Einfluss auf das Geschehen nimmt, zu realisieren. Ein wichtiger Bestandteil sind believable agents. Sie sollen Illusion eines lebendigen Wesens liefern und Emotionen zeigen, sowie sich so verhalten, wie man es von einem Menschen erwartet. Ein Beispiel ist das Oz Project (Bates et al., 1992). Es wurde entwickelt, um interaktive Dramen zu erstellen und zu präsentieren und enthält: simulierte physikalische Welt mehrere characters einen interactor einen drama manager Die Modelle des characters und interactors befinden sich in der physikalischen Welt. 7. Agents for Social Simulation Agenten werden als Werkzeug für Experimente eingesetzt. Sie dienen zur Simulation menschlicher Gesellschaften. Individuelle Agenten als individuelle Menschen und individuelle Agenten als Organisationen. Die Nutzen und Vorteile sind, dass man Eigenschaften eines Modells beobachten kann, welche zwar analytisch ableitbar, aber noch nicht bewiesen sind. Alternativen zu natürlichen Phänomenen können gefunden werden und Eigenschaften, die sonst schwer zu beobachten wären können, beobachtet werden. Außerdem kann man die Simulationen beliebig oft wiederholen und abspeichern. Des Weiteren können Agenten mit Repräsentationen von anderen Agenten arbeiten. Ein Beispiel ist EOS Emergence of (Organized) Society. Es wurde entwickelt, um Gründe für das plötzliche Aufkommen der gesellschaftlichen Komplexität in Frankreich vor bis Jahren zu finden stellte Paul Mellar ein Modell vor, welches die Beobachtungen erklären konnte. Sein Modell beinhaltete 2 Schlüsselfaktoren: hoher Reichtum und Vielfalt an Nahrungsressourcen hohe und stabile Konzentration dieser Ressourcen EOS ist die Testumgebung dieses Modells. Die Agenten können als regelbasierte Systeme programmiert werden und werden in einer x Zellen großen Umgebung zufällig auf diese Zellen verteilt und bewohnen diese. Die Umgebung enthält Ressourcen mit verschiedenen Eigenschaften. Ressourcen haben Typen und liefern eine bestimmte Art von Energie. Sie werden, nachdem sie aufgenommen wurden, erneuert (periodisch) und verschwinden nach einer bestimmten Zeit wieder. Bestimmte Ressourcen haben ein skill profile, d.h. es werden bestimmte Fähigkeiten gebraucht, um eine Ressource aufzunehmen, daraus folgen gesellschaftliche Strukturen. Agenten in EOS sind ausgestattet mit einer symbolischen Repräsentation der Umgebung den beliefs, welche ein Social model (andere Agenten) und ein Resource model (Ressourcen in der Umgebung) enthalten. Des Weiteren haben die Agenten Cognitive rules (Aktualisieren von beliefs) und Action rules (Ausführen von Aktionen).

5 Jeder Agent besitzt mehrere Energiespeicher. Jeder Energiespeicher hat einen Typ und einen Hunger Level. Ist der Energiespeicher Wert < Hunger Level => Ressourcensuche vom Typ des Energiespeichers. Agenten bewegen sich zufällig in der Umgebung auf der Suche nach Ressourcen. Sie können nur Ressourcen eines bestimmten Typs aufnehmen, wenn sie die passenden Eigenschaften ( skills ) besitzen. Es gibt eine Zahl von einstellbaren Parametern: Anzahl der Ressourcenlocations für jeden Typ und deren Verteilung Anzahl der Ressourceninstanzen, die jede Ressourcenlocation umfasst Welchen Typ von Energie jede Location anbieten soll Höhe der Energie, die jede Ressource enthält skill profiles von Ressourcen Zeitliche Periode zwischen dem Konsum einer Ressource und seiner Erneuerung Die Agenten benutzen für die Zusammenarbeit eine Variante von Smith s Contract Net Protocol (s. Kap. 9 Working Together ). Findet ein Agent eine Ressource, so sendet er ein broadcast announcement. Daraufhin unterbreiten andere Agenten Angebote für Zusammenarbeit und die erfolgreichen Bieter kooperieren, um die Ressource aufzunehmen. Es gibt aber auch einige Phänomene: Überbevölkerung, wenn zu viele Agenten eine Ressource aufnehmen wollen und clobbering, d.h. wenn Agenten sich gegenseitig beim Erfüllen Ihrer Ziele behindern. Die Ergebnisse waren, dass die Entwicklung der gesellschaftlichen Strukturen in hohem Maße von der Wahrnehmungsfähigkeit der Gruppe abhängt. Ist sie unzureichend, können sich keine Gruppen bilden. Sind die Anforderungen ( skills ), die benötigt werden, um eine Ressource zu erlangen, zu komplex, dann ist die Gruppe nicht in der Lage, diese rechtzeitig aufzunehmen. Eine besondere Rolle spielen hierbei die cognitive rules. Beliefs und Bestrebungen eines Individuums können den Verlauf der gesamten Gesellschaft beeinflussen. 8. Agents for X 8.1 Agents for industrial systems management Agenten für industrielles Systemmanagement sind z.b. ARCHON (Wittig, 1992). Es ist ein großes und bekanntes europäisches MAS und wird z.b. als Energieverteilungssystem in Spanien eingesetzt. Die Agenten besitzen 2 Komponenten: Domain: Bereichspezifische Funktionalität Wrapper: Grundlegende Funktionalität (z.b. planen, kommunizieren) ARCHON war Plattform mit der Jennings joint intention model of cooperation (Jennings, 1995) entwickelt wurde. 8.2 Agents for Spacecraft Control Agenten zur Fehlererkennung in der Raumfahrt waren eine der ersten Anwendungen mit PRS Architektur (Procederal Reasoning System). Prozeduren, die ein Astronaut zum Auffinden von Fehlern verwenden kann, werden als PRS Pläne kodiert und von der PRS Architektur interpretiert. Bei Fehlfunktionen und Systemabstürzen im Shuttle werden Real time Anweisungen auf Basis der PRS Pläne an den Astronauten geschickt. 8.3 Agents for Air Traffic Control Gehören zu den ältesten Anwendungen der Multiagentensysteme. OASIS (Optimal Aircraft Sequencing using Intelligent Scheduling) (Ljunberg und Lucas, 1992) wird eingesetzt am Sydney Airport in Australien. Sein Ziel ist die Unterstützung der Fluglotsen beim Verwalten des Flusses von Flugzeugen an einem Flughafen. Es schätzt die Ankunftszeiten von Flugzeugen und aktualisiert sie ständig (Wetterdaten, Behinderungen (Kettenreaktionen), Geschwindigkeiten,...). OASIS findet die optimale Sequenz zum Landen der Flugzeuge und informiert Fluglotsen über Fehler im Anflug. Hierbei gibt es zwei Arten von Agenten: Global agents (z.b. sequenzer agent (für optimale Reihenfolge der Flugzeuge)) und Aircraft agents (für jedes Flugzeug im Luftraum einen). Das OASIS System wurde unter Verwendung der PRS Agenten Architektur implementiert.

6 Fragen: 1. Was sind die Problemfaktoren bei der Informationssuche im Web? 2. Was ist MAXIMS und wie funktioniert es? 3. Wie kann Multiagent Information Retrieval grob aussehen? 4. Was sind die Eigenschaften eines believable agents? 5. Wozu dienen gesellschaftliche Simulationen? 6. Wozu werden Multiagentensysteme in der Raumfahrt benutzt? Quellen: Michael Wooldridge, Introduction to Multiagent Systems, John Wiley ans Sons Ltd, 2002 (Kapitel 11) ADEPT: Managing Business Processes Using Intelligent Agents, Jennings, N. R., Faratin, P., Norman, T. J., O'Brien, P., Weigand, M. E., Voudouris, C., Alty, J. L., Miah, T. and Mamdani, E. H. (1996) ADEPT: Managing Business Processes Using Intelligent Agents. In: BCS Expert Systems 96 Conference (Intelligent Systems Integration Programme Track), Cambridge, UK.