Applications. Christoph Goeker, Sebastian Goldenberg. Veranstalter: Ipke Wachsmuth, Alexa Breuing

Transkript

1 Applications Christoph Goeker, Sebastian Goldenberg Veranstalter: Ipke Wachsmuth, Alexa Breuing Seminar Agentensysteme

2 2 Inhalt Einleitung Agents for Workflow and Business Process Management Agents for Distributed Sensing Agents for Information Retrieval and Management Human factors Organizational factors Personal information agents Web agents Multiagent information retrieval systems Agents for Electronic Commerce Comparison shopping agents Auction bots Agents for Human-Computer Interfaces Agents for Virtual Environments Agents for Social Simulation Agents for X Agents for industrial systems management Agents for Spacecraft Control Agents for Air-Traffic Control Fragen

3 3 Einleitung 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

5 5 Agents for Workflow and Business Process Management Agenten für Arbeitsablauf und Geschäftsprozessverwaltung Agenten verwalten und automatisieren die Verteilung und Weiterleitung von Dokumenten

6 6 Agents for Workflow and Business Process Management Beispiel ADEPT (Advanced Decision Environment for Process Tasks) Eingesetzt bei British Telecom Ziel: Verwaltung der individuellen Kundenanforderungen bezüglich ihrer Netzwerkanschlüsse

7 7 Agents for Workflow and Business Process Management Probleme: Viele Abteilungen am Geschäftsprozess beteiligt Customer Service Division (CSD) - Kundenservice Design Devision (DD) Surveyor Department (SD) - Sachverständige Legal Devision (LD) - Rechtsabteilung Verschiede Organisationen zur Überprüfung der Kunden (VCs [vetting customers])

8 8 Agents for Workflow and Business Process Management Probleme: Individuelle Kundenwünsche benötigen hohen Interaktionsgrad zwischen den Abteilungen Unterschiedliche Interaktionsarten Auf Anforderungen muss schnell und flexibel reagiert werden

9 9 Agents for Workflow and Business Process Management

10 10 Agents for Workflow and Business Process Management Alle ADEPT Agenten haben die gleiche Basisarchitektur Kopf für Aktivitäten und Interaktion Agency für Problemlösungsresourcen Struktur basiert auf den GRATE und ARCHON Agentenmodellen

12 12 Agents for Distributed Sensing Agenten für verteilte Messungen Vorteil: einfaches System, in welchem sich viel gewinnen lässt Idee: verteilte Sensoren, die sich gegenseitig Informationen zuspielen Beispiel: Sensoren zur Fahrzeugüberwachung (Distributed Vehicle Monitoring Testbed)

14 14 Agents for Information Retrieval and Management Problem: relevantes Wissen von irrelevantem aus semistrukturierten Informationsquellen wie dem www zu trennen Information Agent: hat Zugang zu mindestens einer Informationsquelle hat Methoden die Inhalte dieser Quellen zu sammeln, zu manipulieren und aufzuarbeiten.

15 15 Agents for Information Retrieval and Management Beispiel: Internet erlaubt Zugang zu vernetzten, weit verteilten Informationsquellen besitzt eine einheitliche Schnittstelle für Inhalte (Text, Bilder, Videos usw.) basiert auf Hypertext, was es erlaubt Dokumente zu verlinken und zusammenzustellen es ist simpel und intuitiv bedienbar

16 16 Agents for Information Retrieval and Management Dennoch gibt es 2 große Probleme: Menschliche Faktoren Organisatorische Faktoren

18 18 Human factors Information Overload (Maes 1994) Menschen langweilen sich schnell, oder werden durch die Informationsflut verwirrt Das Internet ist nicht für methodische Nutzung konzipiert.

20 20 Organizational factors Aussehen nicht standardisiert HTML ist ein sehr breiter Standard Nicht refinanzierbare Kosten Werkzeuge für Gegenmaßnahmen, die: eine einheitliche Sicht auf die verteilten Informationsquellen geben personalisierte, nutzerorientierte Dienste anbieten, die den Information-Overload mindern skalierbar, verteilt und modular sich dem wachsenden Netz anpassen die selbstorganisierend und adaptiv sind, um flexibel und schnell zu sein

22 22 Personal information agents Beispiel: MAXIMS (Pattie Meas, MIT): client, der am Verhalten des Nutzers lernt, Mails zu priorisieren, löschen, sortieren, weiterzuleiten und zu archivieren. Reagiert auf Events (z.b. Mailempfang) mit Paaren der Form: situation -> action Situation beschrieben durch Sender, Empfänger, Betreff und Schlüsselwörter neue Situation => Vergleich mit gelernten oder vorgegebenen Regeln Generierung eines confidence level, der mittels zweier Thresholds den Agenten handeln lässt Frage was zu tun ist Mache einen Vorschlag Tue, was du für richtig hälst

24 24 Web agents Weitere Agenten für Zukunft (Etzioni und Weld, 1995) Tourguides Unterstützen den Nutzer in der Wahl, welchen Link er anklickt Indexing Agents Bieten eine weitere, personalisierte Abstraktionsebene über den Diensten von indexbasierten Suchmaschinen FAQ-Finder delegieren den Nutzer auf FAQ-Seiten, welche meist sehr kompaktes Wissen enthalten Expertise-Finder Versuchen zu verstehen, was der Nutzer meint und Suchergebnisse entsprechend anzupassen

25 Web agents 25

26 26 Web agents raw content Homepages individueller Personen, Firmen usw. search engines Suchmaschinen, die ihr "Wissen" aus handeditierten oder generierten (Webspider) Indextabellen beziehen software agents Meta-Suchmaschinen

28 28 multiagent information retrieval systems

29 29 multiagent information retrieval systems Information Agents: haben Zugriff auf Datenbanken verfügen über Expertenwissen können Meta-Anfragen beantworten Broker-Agenten vermitteln zwischen User und Information Agents Vorteile: hohe Flexibilität reagiert schnell auf sich ändernde Agentenpopulation

31 31 Agents for Electronic Commerce Hindernisse für kommerzielle Nutzung des Internets: Vertrauen Datenschutz und Sicherheit Abrechnung/Zahlung Zuverlässigkeit

32 32 Agents for Electronic Commerce E-Commerce Syteme der ersten Generation (Amazon): Nutzer durchsucht Produktdatenbank um Produkt zu kaufen. Zweite Generation: Teilautomatisierung des Kundenkaufverhaltens Kaufverhalten (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)

33 33 Agents for Electronic Commerce Einige Agententypen

35 35 Comparison shopping agents Produktpreisvergleich Funktionieren gut, solange Produkte auf einen einzelnen Parameter verglichen werden Probleme: weitere Bedingungen wie z.b. bei einem Gebrauchtwagen (Laufzeit, Zustand, Vertrauenswürdigkeit des Händlers usw.)

36 36 Comparison shopping agents Beispiel: Jango (Doorenbos et al., 1997) Ziele: Hilfe bei Entscheidung, 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

37 37 Comparison shopping agents Intern besteht Jango aus 2 Komponenten: Komponente zum Erlernen der Händlerbeschreibungen Vergleichskomponente

39 39 Auction bots Beispiel Kasbah (Chavez und Maes, 1996): Nutzereinstellungen: gewünschter Verkaufstermin gewünschter Verkaufspreis minimaler Verkaufspreis startet mit gewünschtem Preis und nahe der Deadline wird mittels einer Verfallsfunktion (linear, quadratisch, kubisch) der Preis gesenkt Kauf/Verkaufsentscheidung liegt beim Nutzer Umgekehrt bei Kaufagenten

41 41 Agents for Human-Computer Interfaces Derzeit: Modell der direkten Manipulation Menschen untereinander: Arbeiten bidirektional als Paar teilen Aufgaben auf erleben Problemlösungsverlauf

42 42 Agents for Human-Computer Interfaces Idee hinter Interfaceagenten: Computersysteme als proaktive Assistenten Ziel: Agenten, die unter bestimmten Voraussetzungen die Initiative übernehmen Agenten als kooperative Partner Semi-autonome Agenten

44 44 Agents for Virtual Environments Idee: Verbindung von Agenten mit Kino, Computerspielen und virtueller Realität Ziel: interaktive, simulierte Welt, in der der Benutzer Einfluss auf das Geschehen nimmt

45 45 Agents for Virtual Environments Wichtiger Bestandteil: believable agents sollen Illusion eines lebendigen Wesens liefern sollen Emotionen zeigen sollen sich so verhalten, wie man es von einem Menschen erwartet

46 46 Agents for Virtual Environments Beispiel: Oz Project (Bates et al., 1992) Entwickelt, um interaktive Dramen zu erstellen und zu präsentieren Enthält: simulierte physikalische Welt mehrere characters einen interactor einen drama manager Modell des characters und interactors befinden sich in der physikalischen Welt

48 48 Agents for Social Simulation Agenten als Werkzeug für Experimente Simulation menschlicher Gesellschaften individuelle Agenten als individuelle Menschen individuelle Agenten als Organisationen

49 49 Agents for Social Simulation Nutzen und Vorteile (Conte and Gilbert, 1995, p.4) Beobachtung von nicht bewiesenen Eigenschaften Entdeckung von Alternativen zu natürlichen Phänomenen Beobachtung von schwer zu beobachtenden Eigenschaften Simulationen beliebig oft wiederholbar Agenten können mit Repräsentationen von anderen Agenten arbeiten

50 50 Agents for Social Simulation - EOS EOS Emergence of (Organized) Society (Doran, 1987) Grund für Entwicklung: Vor bis Jahren fand ein relativ schnelles Wachstum der gesellschaftlichen Komplexität in Frankreich statt

51 51 Agents for Social Simulation - EOS Beweise: größere und reichere archäologische Stätten steigender Reichtum und Dichte der archäologischen Funde prächtigere Höhlenmalereien (z.b. in Lascaux) gestiegene Verfahrenstechnik / Technologie Fülle an Handelsgütern

52 52 Agents for Social Simulation - EOS Ziel: Gründe für das plötzliche Aufkommen der gesellschaftlichen Komplexität finden Modell (1985, Paul Mellar) beinhaltete 2 Schlüsselfaktoren hoher Reichtum und Vielfalt an Nahrungsressourcen hohe und stabile Konzentration dieser Ressourcen

53 53 Agents for Social Simulation - EOS EOS ist die Testumgebung dieses Modells Agenten als regelbasierte Systeme Umgebung ist x Zellen groß Agenten werden beim Start zufällig auf diese Zellen verteilt und bewohnen diese

54 54 Agents for Social Simulation - EOS Umgebung enthält Ressourcen mit verschiedenen Eigenschaften Ressourcen haben Typen und liefern eine bestimmte Art von Energie Ressourcen werden, nachdem sie aufgenommen wurden, erneuert (periodisch) Ressourcen verschwinden nach einer bestimmten Zeit wieder Bestimmte Ressourcen haben ein skill profile gesellschaftliche Strukturen

55 55 Agents for Social Simulation - EOS Agenten in EOS ausgestattet mit symbolischer Repräsentation der Umgebung den beliefs Beliefs: Social model andere Agenten Resource model Ressourcen in der Umgebung Sonstige Cognitive rules: Aktualisieren von beliefs Action rules: Ausführen von Aktionen

56 Agents for Social Simulation - EOS 56

57 57 Agents for Social Simulation - EOS Jeder Agent besitzt mehrere Energiespeicher Jeder Energiespeicher hat einen Typ Jeder Energiespeicher hat einen Hunger Level Energiespeicher Wert < Hunger Level => Ressourcensuche vom Typ des Energiespeichers

58 58 Agents for Social Simulation - EOS Agenten bewegen sich zufällig in der Umgebung auf der Suche nach Ressourcen Speicherung von Ressourcen bzw. Ortung Agenten können nur Ressourcen eines bestimmten Typs aufnehmen, wenn sie die passenden Eigenschaften ( skills ) besitzen

59 59 Agents for Social Simulation - EOS Einstellbare Parameter 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

60 60 Agents for Social Simulation - EOS Zusammenarbeit von Agenten Agenten benutzen eine Variante von Smith s Contract Net Protocol (s. Kap. 9 Working Together ) Agent findet Ressource sendet broadcast announcement andere Agenten unterbreiten Angebote für Zusammenarbeit erfolgreiche Bieter kooperieren, um Ressource aufzunehmen

61 61 Agents for Social Simulation - EOS Phänomene Überbevölkerung Wenn zu viele Agenten eine Ressource aufnehmen wollen clobbering Wenn Agenten sich gegenseitig beim Erfüllen Ihrer Ziele behindern

62 62 Agents for Social Simulation - EOS Ergebnisse Wahrnehmungsfähigkeit der Gruppe unzureichend => Gruppen können sich nicht bilden skills zu komplex => Gruppe nicht in der Lage Ressource rechtzeitig aufzunehmen Besondere Rolle der cognitive rules

64 64 Agents for industrial systems management Agenten für industrielles Systemmanagement ARCHON (Wittig, 1992) großes und bekanntes europäisches MAS z.b. als Energieverteilungssystem in Spanien 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

66 66 Agents for Spacecraft Control Agenten zur Fehlererkennung in der Raumfahrt war eine der ersten Anwendungen mit PRS Architektur (Procederal Reasoning System) Prozeduren des Astronauten als PRS Pläne kodiert PRS Architektur interpretierte Pläne Bei Fehlfunktionen und Systemabstürzen im Shuttle Real-time Anweisungen an den Astronauten auf Basis der PRS Pläne

68 68 Agents for Air-Traffic Control OASIS (Optimal Aircraft Sequencing using Intelligent Scheduling) (Ljunberg und Lucas, 1992) Eingesetzt am Sydney Airport in Australien Ziel: Unterstützung der Fluglotsen Schätzt die Ankunftszeiten von Flugzeugen und aktualisiert sie ständig Findet optimale Sequenz zum landen der Flugzeuge Informiert Fluglotsen über Fehler im Anflug

69 69 Agents for Air-Traffic Control Es gibt zwei Arten von Agenten Global agents Beispiel: sequenzer agent (für optimale Reihenfolge der Flugzeuge) Aircraft agents Für jedes Flugzeug im Luftraum einen

71 Fragen?! 71

72 72 Diskussions-Fragen Welche von Etzioni und Weld vorgeschlagenen Agenten sind realisiert worden? Sinnvoll? Viele der vorgestellten Systeme weichen von der Definition eines Agenten aus den vorherigen Kapiteln ab (reaktiv, proaktiv, sozial). Ist das wichtig? Kann/sollte man sie trotzdem Agenten nennen?

73 73 Fragen Was sind die Problemfaktoren bei der Informationssuche im Web? Was ist MAXIMS und wie funktioniert es? Wie kann Multiagent Information Retrieval grob aussehen? Was sind die Eigenschaften eines believable agents? Wozu dienen gesellschaftliche Simulationen? Welche Vorteile haben Sie? Wozu werden Multiagentensysteme in der Raumfahrt benutzt?

74 74 ENDE Vielen Dank für die Aufmerksamkeit!