Cooperating agents for 3-D scientific data interpretation Artigo de Journal Seminário em Sistemas Multiagentes - 2013.1 Thiago Manhente de C. Marques

Apresentação em tema: "Cooperating agents for 3-D scientific data interpretation Artigo de Journal Seminário em Sistemas Multiagentes - 2013.1 Thiago Manhente de C. Marques"— Transcrição da apresentação:

1 Cooperating agents for 3-D scientific data interpretation Artigo de Journal Seminário em Sistemas Multiagentes - 2013.1 Thiago Manhente de C. Marques tmarques@puc-rio.br tmarques@puc-rio.br

2 INFORMAÇÕES DO ARTIGO 204/06/2013

3 Referência GALLIMORE, R. J. et al. Cooperating agents for 3-D scientific data interpretation. IEEE Transactions on Systems, Man and Cybernetics, Part C (Applications and Reviews), v. 29, n. 1, p. 110-126, 1999. DOI: 10.1109/5326.740674 ISSN: 1094-6977 Qualis: A2 – Ciência da Computação A1 – Engenharias IV, Interdisciplinar 304/06/2013

4 Autores R. J. Gallimore, H. S. Lamba, and B. J. Orenstein are with BHP Research, Newcastle Laboratories, Wallsend, Australia N. R. Jennings is with the Department of Electronic Engineering, Queen Mary and Westfield College, University of London, London, U.K. C. L. Mason is with the Department of Electrical Engineering and Computer Science, University of California, Berkeley, USA. 404/06/2013

5 Resumo (resumido) Many organizations collect vast quantities of three-dimensional (3-D) scientific data in volumetric form for a range of purposes, including resource exploration, market forecasting, and process modeling. Traditionally, these data have been interpreted by human experts with only minimal software assistance. However, such manual interpretation is a painstakingly slow and tedious process. Moreover, since interpretation involves subjective judgments and each interpreter has different scientific knowledge and experience, formulation of an effective interpretation often requires the cooperation of numerous such experts. Hence, there is a pressing need for a software system in which individual interpretations can be generated automatically and then refined through the use of cooperative reasoning and information sharing. To this end, a prototype system, SurfaceMapper, has been developed in which a community of cooperating software agents automatically locate and display interpretations in a volume of 3-D scientific data. The challenges and experiences in designing and building such a system are discussed. Particular emphasis is given to the agents interactions and an empirical evaluation of the effectiveness of different cooperation strategies is presented. Index TermsCooperative problem solving, intelligent agents, multiagent systems, scientific data interpretation. 504/06/2013

6 Conteúdo I.Introduction II.Domain Terms and Concepts III.System Architecture A.Scientific Data Subsystem B.Analytical Techniques Subsystem C.Agents Subsystem 1)Intra-Agency Interactions 2)Interagency Interactions D.User Interface Subsystem IV.Agent Architecture V.Cooperation Scenarios VI.Evaluation VII.Related Work VIII.Conclusions and Future Work 604/06/2013

7 I. INTRODUCTION II. DOMAIN TERMS AND CONCEPTS 704/06/2013

8 Termos e conceitos Conjunto de dados: Volume (sísmico) Obtido por técnicas de sensoriamento remoto Slice: Seção que corta o volume. (2D) Segment: Segmento linear identificado em seçoes que representa alguma feição (geológicas) Curve: Conjunto de segmentos Surface: Representação da feição de interesse no volume (3D) Objetivo: Dado um volume, identificar as superfícies relevantes de determinadas feições 804/06/2013

9 Processo Fig. 1. Three-dimensional scientific data volume.Fig. 2. Specific data slice through the 3-D volume at z = 912. Fig. 3. Interpreted segments in data slice at z = 912.Fig. 4. Interpreted curves in data slice at z = 912. 904/06/2013

10 Processo (cont.) Fig. 6. Problem space object model (OMT notation). Fig. 5. Interpreted surfaces in the 3-D volume. 1004/06/2013

11 Características do processo Possui um componente subjetivo significante Cada especialista tem uma área de especialização e muitos anos de experiência que são a base da sua interpretação Por esta razão, especialistas geralmente colaboram uns com os outros para comparar suas hipóteses de interpretação A partir disso, refinam suas interpretações Podem chegar a um consenso ou não 1104/06/2013

12 Problemas O tamanho dos conjuntos de dados a analisar são muito grandes O esforço de interação entre os especialistas do domínio é muito grande Com isso, o processo de interpretação manual é extremamente demorado, tedioso e caro. 1204/06/2013

13 (mais) Problemas O conjunto de técnicas disponíveis é muito grande e variado O desempenho de cada técnica depende da natureza do conjunto de dados Em geral, o usuário deve saber de antemão as características do problema, para julgar quando, aonde e como aplicar cada técnica, e como agregar os resultados gerados. 1304/06/2013

14 Solução proposta Desenvolver um sistema automatizado de apoio à interpretação (SurfaceMapper) Deve ser responsivo ao contexto do problema, selecionando dinamicamente a técnica que melhor se aplica às características dos conjuntos de dados. 1404/06/2013

15 Por que agentes? When taken together, the requirements for multiple interpretation techniques to cooperatively interwork and situation- based selection and execution of the different interpretation techniques mean that a multiagent approach is the most natural means of modeling and implementing the system. 1504/06/2013

16 III. SYSTEM ARCHITECTURE 1604/06/2013

17 Visão geral 17 Agents Subsystem 04/06/2013

18 Modelagem dos agentes Cada técnica de interpretação pode ser modelada como um agente de software autônomo Esse agente coopera e coordena, conforme necessário, com outros agentes de técnicas de interpretação para tentar convergir para uma solução community- wide 1804/06/2013

19 Subsistema de agentes Três agências: Surfaces, Curves e Segments Cada agência é composta de um conjunto de agentes, cada um com perspectivas e especializações complementares Agentes tentam prover interpretações derivadas independentemente......mas eles também podem explorar hipóteses geradas por outros agentes. 1904/06/2013

20 Padrões de comunicação Intra-Agency Interactions Interagency Interactions 2004/06/2013

21 Exemplo: Interpreted Segment Agency Responsável por produzir segmentos interpretados a partir dos slices. Os segmentos mais promissores são providos para a camada seguinte, Curve Agency, seja de forma reativa ou proativa. Essencialmente, os agentes são intelligent wrappers sobre as técnicas analíticas. O que eles adicionam é a habilidade de filtrar e classificar (rank) os segmentos mais promissores gerados por essas técnicas. 2104/06/2013

22 Otimização dos resultados Dependendo da qualidade e quantidade dos segmentos obtidos, os agentes podem escolher modificar os parâmetros do algoritmo para tentar gerar segmentos mais adequados. Também há comunicação interna na agência, baseada em requisições e trocas de hipóteses de interpretações dos segmentos entre os agentes, para melhorar a qualidade dos resultados gerados individualmente. Agentes aumentam a confiança nas hipóteses de interpretações que concordam com as hipóteses dos demais agentes. 2204/06/2013

23 Arquitetura dos agentes BDI + dMAS Primitivas de comunicação baseadas em speech-act. ASK, REPLY, TELL 2304/06/2013

24 Metas, Crenças... Exemplo: Agente de Curva Metas: Ligar segmentos em curvas Comunicar curvas com alta confiança para os seus pares Crenças: O modelo de familiaridade dos demais agentes Informações sobre segmentos recebidos dos agentes de segmento Informações sobre dicas de curvas recebidas dos seus pares 2404/06/2013

25 ...e planos Um plano pode permitir um agente formar curvas a partir dos segmentos coletados de um Agente de Interpretação de Segmentos com a ajuda de dicas coletadas de um de seus pares. Outro plano pode permitir que o agente forme curvas com a ajuda de informações de slices vizinhos 2504/06/2013

26 V. COOPERATION SCENARIOS 2604/06/2013

27 Tipos de cooperação Forma de cooperação baseada em compartilhamento de resultados. Três tipos: Result feedforward Um agente passa um resultado com alta confiança para a agência no próximo nível. Dá continuidade ao processo Intra-agency result sharing Um agente passa um resultado para um par (agente dentro da mesma agência) Em geral, para validar ou refinar hipóteses Result feedback Um agente passa um resultado para a agência no nível anterior. Permitir refinar os resultados obtidos ou delimitar regiões de interesse para validação 2704/06/2013

28 Dinâmica da cooperação Em todos os casos, a cooperação pode ser iniciada: Por um agente voluntariamente disponibilizando informações Por um agente requisitando explicitamente uma informação Exemplo: a curve agent that has just found a curve with very high confidence would send this curve to its peers to assist them in their search for curves (intra-agency result sharing), to a segment agent to allow it to find valid segments in the neighborhood of the identified curve (result feedback), and to the surface agent to allow it to form surfaces from high confidence curves (result feedforward). 2804/06/2013

29 VI. EVALUATION 2904/06/2013

30 Validação Dois pontos a validar: Medir a proficiência do sistema na tarefa de interpretação Medir a efetividade da abordagem usando cooperação entre agentes 3004/06/2013

31 Validação qualitativa (visual) 31 Fig. 11. Manual interpretation in plan view.Fig. 12. SurfaceMappers interpretation in plan view. Fig. 13. Analytical techniques interpretation in plan view. 04/06/2013

32 Validação da abordagem MAS Testa três hipóteses: Hipótese 1: Compartilhamento de resultados entre agentes leva a solições com maior qualidade Hipótese 2: Compartilhamento de resultados precisam ser gerenciados com cuidado para que agentes não se distraiam desnecessariamente ao receber hipóteses irrelevantes Hipótese 3: Verificação cruzada de hipóteses a partir de múltiplas perspectivas melhoram o resultado até determinado ponto, mas correlacionar muitas opiniões pode reduzir o retorno e, em algum caso, até deteriorá- lo. 3204/06/2013

33 Resultados medidos 33 Fig. 14. Effect on precision of adding domain knowledge, exploitation of neighboring data slices, and intra-agency result sharing. 04/06/2013

34 Resultados medidos 34 Fig. 15. Effect on precision of cross correlating results for neighboring data slices and peer agents. 04/06/2013

35 Resultados medidos 35 Fig. 16. Cost benefit curve for cross correlating results. 04/06/2013

36 VII. RELATED WORK VIII. CONCLUSION AND FUTURE WORK 3604/06/2013

37 Contribuições Nova abordagem para projetar e construir sistemas de interpretação de dados (3D) Avança o estado da arte in sistemas multiagentes, indicando tipos de cooperação que ocorrem em uma importante classe de sistemas, com quantificação empírica desses resultados 3704/06/2013

38 Conclusões Cooperação entre agentes é uma abordagem natural para automatizar as melhores práticas atuais de interpretação manual Em especial pela natureza subjetiva e incerta de trabalhos de interpretação Análises empíricas mostram que: É preciso cuidado ao gerenciar as interações entre agentes, para evitar distrações desnecessárias Agentes precisam de um meio de rastrear os benefícios da interação social, ajustando-se de acordo para tirar maior proveito dela 3804/06/2013