Σε πολλές σύγχρονες εφαρμογές, όπως π.χ. στην επιτήρηση ναυτιλιακών δραστηριοτήτων, υπάρχει ανάγκη για την ανάλυση τεράστιων όγκων δεδομένων που συνεχώς εξελίσσονται. Τα συστήματα ανάλυσης ροών δεδομένων επεξεργάζονται αποτελεσματικά τέτοια δεδομένων και εξάγουν συμπεράσματα υψηλού επιπέδου. Στην πράξη, υπάρχει μεγάλη ανάγκη για την «επεξηγησιμότητα» (explainability) αυτών των συμπερασμάτων ώστε να είναι πειστικά στους ειδικούς του εκάστοτε τομέα εφαρμογής. Στόχος της παρούσας εργασίας αποτελεί η ανάπτυξη ενός τέτοιου συστήματος που βασίζεται στον λογικό προγραμματισμό και έχει την δυνατότητα παραγωγής επιχειρημάτων που υποστηρίζουν τα συμπεράσματα του και είναι ικανοποιητικά για τον εκάστοτε χρήστη. Για παράδειγμα, το σύστημα που θα αναπτυχθεί θα μπορεί να απαντάει σε ερωτήματα όπως: «Ποια ακολουθία επιχειρημάτων υποστηρίζει (ή απορρίπτει) το συμπέρασμα Χ;» ή «Με ποιους εναλλακτικούς τρόπους θα μπορούσαμε να καταλήξουμε στο ίδιο συμπέρασμα;». Η υλοποίηση σε λογικό προγραμματισμό επιλέγεται λόγω της εκφραστικότητάς του και της δυνατότητας αναπαράστασης γνώσης με διαισθητικό τρόπο.
Βιβλιογραφία:
Artikis A., Sergot M. and Paliouras G., An Event Calculus for Event Recognition. IEEE Trans. Knowl. Data Eng. 27(4):895-908, 2015. https://cer.iit.demokritos.gr/publications/papers/2015/artikis-TKDE14.pdf
Calegari R., Omicini A. and Sartor G. Argumentation and Logic Programming for Explainable and Ethical AI. Italian Workshop on Explainable Artificial Intelligence: 55-68, 2020. http://ceur-ws.org/Vol-2742/paper5.pdf
Rago A., Cocarascu O., Bechlivanidis C. and Toni F., Argumentative Explanations for Interactive Recommendations, Artificial Intelligence, 2021. https://proceedings.kr.org/2020/83/kr2020-0083-rago-et-al.pdf
Cyras K., Rago A., Emanuele A., Baroni P. and Toni F., Argumentative XAI: A Survey, The 30th International Joint Conference on Artificial Intelligence. IJCAI, 2021. https://www.ijcai.org/proceedings/2021/0600.pdf