Cooperating agents for 3-D scientific data interpretation
description
Transcript of Cooperating agents for 3-D scientific data interpretation
Cooperating agents for3-D scientific data
interpretationArtigo de Journal
Seminário em Sistemas Multiagentes - 2013.1Thiago Manhente de C. Marques
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