Cooperating agents for3-D scientific data

interpretationArtigo de Journal

Seminário em Sistemas Multiagentes - 2013.1Thiago Manhente de C. Marques

tmarques@puc-rio.br

2

INFORMAÇÕES DO ARTIGO

04/06/2013

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: 10.1109/5326.740674ISSN: 1094-6977

Qualis: A2 – Ciência da Computação A1 – Engenharias IV, Interdisciplinar

04/06/2013

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.

04/06/2013

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 Terms—Cooperative problem solving, intelligent agents, multiagent systems, scientific data interpretation.

04/06/2013

6

Conteúdo

I. IntroductionII. Domain Terms and ConceptsIII. System Architecture

A. Scientific Data SubsystemB. Analytical Techniques SubsystemC. Agents Subsystem

1) Intra-Agency Interactions2) Interagency Interactions

D. User Interface Subsystem

IV. Agent ArchitectureV. Cooperation ScenariosVI. EvaluationVII. Related WorkVIII.Conclusions and Future Work

04/06/2013

7

I. INTRODUCTIONII. DOMAIN TERMS AND CONCEPTS

04/06/2013

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

04/06/2013

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.

04/06/2013

10

Processo (cont.)

Fig. 6. Problem space object model (OMT notation).

Fig. 5. Interpreted surfaces in the 3-D volume.

04/06/2013

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

04/06/2013

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.

04/06/2013

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 ecomo aplicar cada técnica, ecomo agregar os resultadosgerados.

04/06/2013

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.

04/06/2013

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.”

04/06/2013

16

III. SYSTEM ARCHITECTURE

04/06/2013

17

Visão geralA

gen

ts S

ub

syste

m

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”

04/06/2013

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.

04/06/2013

20

Padrões de comunicação

Intra-Agency InteractionsInteragency Interactions

04/06/2013

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.

04/06/2013

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.

04/06/2013

23

Arquitetura dos agentes

BDI + dMASPrimitivas de comunicação baseadas em

speech-act. ASK, REPLY, TELL

04/06/2013

24

Metas, Crenças...

Exemplo: Agente de CurvaMetas:

Ligar segmentos em curvas Comunicar curvas com alta confiança para os

seus paresCrenças:

O modelo de familiaridade dos demais agentes Informações sobre segmentos recebidos dos

agentes de segmento Informações sobre dicas de curvas recebidas

dos seus pares

04/06/2013

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

04/06/2013

26

V. COOPERATION SCENARIOS

04/06/2013

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

04/06/2013

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).”

04/06/2013

29

VI. EVALUATION

04/06/2013

30

Validação

Dois pontos a validar: Medir a proficiência do sistema na tarefa de

interpretação Medir a efetividade da abordagem usando

cooperação entre agentes

04/06/2013

31

Validação qualitativa (visual)

Fig. 11. Manual interpretation in plan view. Fig. 12. SurfaceMapper’s interpretation in plan view.

Fig. 13. Analytical technique’s 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.

04/06/2013

33

Resultados medidos

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

Fig. 15. Effect on precision of cross correlating results for neighboring data slices and peer agents.

04/06/2013

35

Resultados medidos

Fig. 16. Cost benefit curve for cross correlating results.

04/06/2013

36

VII. RELATED WORKVIII. CONCLUSION AND FUTURE WORK

04/06/2013

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

04/06/2013

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

04/06/2013