αναπαράσταση γνώσης και συμπερασμού

Αναγνώριση και πρόβλεψη σύνθετων γεγονότων με αυτόματα

Τα συστήματα αναγνώρισης γεγονότων δέχονται ως είσοδο ροές δεδομένων επί των οποίων προσπαθούν να εντοπίσουν ενδιαφέροντα μοτίβα, με βάση κάποιους κανόνες που έχει ορίσει ο χρήστης. Τέτοια συστήματα έχουν μελετηθεί και αναπτυχθεί σε διάφορα ερευνητικά πεδία, όπως αυτά της Τεχνητής Νοημοσύνης, των Κατανεμημένων Συστημάτων και της Τεχνολογίας Λογισμικού. Ως επόμενο βήμα μετά την αναγνώριση καθεαυτή θεωρείται και η δυνατότητα για πρόβλεψη γεγονότων πριν αυτά συμβούν κι εντοπιστούν από το σύστημα αναγνώρισης. Σκοπός αυτής της εργασίας είναι η ανάπτυξη ενός συστήματος αναγνώρισης γεγονότων καθώς και πιθανοτικής πρόβλεψής τους. Ως βάση του συστήματος θα χρησιμοποιηθεί ο φορμαλισμός των αυτομάτων και διάφορων παραλλαγών τους, όπως τα συμβολικά αυτόματα.

Αναλόγως των ενδιαφερόντων του φοιτητή, η εργασία μπορεί να κινηθεί προς διάφορες κατευθύνσεις, όπως (ενδεικτικά) οι παρακάτω:

  • Ανάπτυξη ενός μεταγλωττιστή για τη μετάφραση κανόνων σε αυτόματα.
  • Επέκταση των εκφραστικών δυνατοτήτων των συμβολικών αυτομάτων.
  • Εφαρμογή της θεωρίας των μαρκοβιανών αλυσίδων σε συμβολικά αυτόματα.
  • Σύγκριση διαφορετικών συστημάτων πρόβλεψης γεγονότων (π.χ., πιθανοτικά συμβολικά αυτόματα σε σχέση με πιθανοτικά προθεματικά δέντρα).

Ενδεικτική βιβλιογραφία:

Σημασιολογική βαθιά μάθηση (2 εργασίες)

Η βαθιά μάθηση (deep learning) είναι μια μεθοδολογία μηχανικής μάθησης (machine learning) που επικεντρώνεται στην ανάπτυξη βαθιών νευρωνικών δικτύων. Τα νευρωνικά δίκτυα έχουν αποδειχθεί τόσο αποτελεσματικά όσο και ευέλικτα, σε τομείς όπως η ταξινόμηση, η ομαδοποίηση, η παραγωγή συνθετικών αλλά αληθοφανών δεδομένων, κ.α. Συνεπώς, μπορούν να θεωρηθούν ολοκληρωμένα ως προς τη δυνατότητα ανάπτυξης μεγάλης γκάμας εφαρμογών. Παρά τη χρησιμότητά τους όμως, έχουν μια σειρά από ελαττώματα όπως είναι η δυσκολία κατανόησης και τεκμηρίωσης του τρόπου λειτουργίας τους, η δυσκολία εκμάθησής τους που απαιτεί χρονοβόρα και επαναληπτική εργασία, κλπ. Η υλοποίηση νευρωνικών λύσεων θα μπορούσε να γίνει πιο αποτελεσματική αν υπήρχαν υπηρεσίες που να επέτρεπαν σε χρήστες τη μελέτη άλλων αλγορίθμων και μοντέλων. Αυτό μπορεί να επιτευχθεί μόνο στη βάση μιας κοινής γλώσσας ικανής να περιγράψει σχετικούς αλγορίθμους βαθιάς μάθησης με αρκετή λεπτομέρεια. Χρειάζονται επίσης εργαλεία για την αυτοματοποίηση της διαδικασίας εξαγωγής γνώσης και την καθοδήγηση του τελικού χρήστη.

Έργασία 1: θα κάνει χρήση οντολογιών και σχετικών τεχνολογιών διαχείρισης δεδομένων για να περιγράψει σύνθετους αλγορίθμους βαθιάς μάθησης. Επιπλέον, θα δημιουργήσει μια βάση γνώσεων (knowledge-base) όπως και πρωτότυπο λογισμικό για την εξαγωγή γνώσης από νέους και διαθέσιμους αλγόριθμους ανοικτού κώδικα.

Έργασία 2: θα δημιουργήσει μία εφαρμογή Web που θα μπορούν να συμβουλεύονται χρήστες που αναπτύσσουν αλγόριθμους βαθιάς μάθησης. Η πρωτότυπη εφαρμογή θα επιτρέπει την αποθήκευση νέων αλγορίθμων βαθιάς μάθησης βάσει κατάλληλης οντολογίας, και θα είναι σε θέση να παράσχει απαντήσεις σε σχετικά ερωτήματα χρηστών.

ΔΥΝΑΜΙΚΑ ΡΥΘΜΙΖΟΜΕΝΕΣ ΣΥΝΟΨΕΙΣ ΤΡΟΧΙΑΣ ΑΝΤΙΚΕΙΜΕΝΩΝ

Με την πρόοδο της τεχνολογίας (κινητές συσκευές, GPS, RFID, κ.ά.) είναι πλέον δυνατή η παρακολούθηση του γεωγραφικού στίγματος μεγάλου πλήθους κινούμενων αντικειμένων (λ.χ., αυτοκινήτων, πλοίων, αεροπλάνων) σε πραγματικό χρόνο με την μορφή ρεύματος δεδομένων (data stream). Ωστόσο, μεγάλα τμήματα της τροχιάς (trajectory) τέτοιων αντικειμένων συχνά εξελίσσονται σχεδόν σε ευθεία γραμμή και με πρακτικά σταθερή ταχύτητα. Επομένως, η συσσώρευση γεωγραφικών στιγμάτων κατά μήκος αυτών των τμημάτων περιττεύει, ενώ ο υπερβολικός όγκος τους μπορεί να δυσχεράνει σημαντικά την έγκαιρη παροχή απαντήσεων σε ερωτήματα (λ.χ. ποια πλοία κινήθηκαν κοντά στο λιμάνι κατά το τελευταίο δεκάλεπτο). Γι’ αυτόν τον λόγο, πρόσφατα έχει προταθεί η δημιουργία συνόψεων κάθε τροχιάς, ανιχνεύοντας σε πραγματικό χρόνο χαρακτηριστικά σημεία (critical points) της εξελισσόμενης πορείας κάθε αντικειμένου. Τέτοια σημεία που δηλώνουν λ.χ. στάση, στροφή ή αργή κίνηση ενός μεμονωμένου αντικειμένου μπορούν να εντοπισθούν βάσει κανόνων που ελέγχουν μεταβολές στο διάνυσμα της ταχύτητάς του. Πειραματικές μελέτες έδειξαν ότι με προσεκτική παραμετροποίηση, ακόμη κι αν απορριφθεί σχεδόν το 99% των πρωτογενών στιγμάτων, η τροχιά μπορεί να ανασυντεθεί με αρκετά ικανοποιητική ακρίβεια βάσει μόνο των χαρακτηριστικών στιγμάτων, επιταχύνοντας σημαντικά την επεξεργασία ερωτημάτων και την online αναγνώριση πιο σύνθετων φαινομένων (λ.χ. πλοία που προσεγγίζουν το ένα το άλλο).

Στόχος της διπλωματικής εργασίας είναι η περαιτέρω βελτίωση της ποιότητας των παραγομένων συνόψεων στα πλαίσια ενός συστήματος που θα διαχειρίζεται τροχιές αντικειμένων με χρήση λογισμικών για μεγάλα δεδομένα (λ.χ. Apache Flink, Kafka, Spark). Η μελέτη προβλέπεται να κινηθεί σε δύο κύριους άξονες:

• Δυνατότητα δυναμικών ρυθμίσεων στις τιμές των παραμέτρων που επηρεάζουν την αναγνώριση των χαρακτηριστικών σημείων. Λ.χ., το κατώφλι της ταχύτητας για την ανίχνευση αργής κίνησης θα πρέπει να ορίζεται διαφορετικά, ανάλογα με τον τύπο του κινούμενου αντικειμένου (π.χ. άλλο κατώφλι για δεξαμενόπλοιο και άλλο ένα μικρό αλιευτικό σκάφος). Επίσης, η γεωγραφική περιοχή στην οποία κινείται κάποιο αντικείμενο μπορεί να επιβάλλει συγκεκριμένους περιορισμούς (λ.χ. όριο ταχύτητας) που τώρα δεν λαμβάνονται υπ’ όψιν. Απλές τεχνικές μηχανικής μάθησης θα μπορούσαν να εφαρμοστούν προκειμένου κάθε αντικείμενο να «μαθαίνει» βάσει του μοτίβου της κινήσεώς του για να μπορεί να προσαρμόζει αναλόγως τις εκάστοτε παραμέτρους.
• Μολονότι οι δραστικά συμπιεσμένες τροχιές καταφέρνουν να αποδώσουν πολύ καλά την κίνηση των αντικειμένων, αρκετά συχνά τυχαίνει να απορρίπτουν στίγματα που θα μπορούσαν να είναι χρήσιμα για την ανίχνευση πιο σύνθετων φαινομένων (λ.χ. πλοία εν κινήσει). Όταν λοιπόν απαιτείται κάτι τέτοιο, ο αλγόριθμος θα πρέπει να μπορεί να «χαλαρώνει» τον βαθμό συμπίεσης, τηρώντας περισσότερα στίγματα με κατάλληλη ρύθμιση στις παραμέτρους ή ακόμη και απενεργοποιώντας προσωρινά κάποιους κανόνες ανίχνευσης χαρακτηριστικών σημείων.

Πειραματική Σύγκριση Συστημάτων Αναγνώρισης Σύνθετων Γεγονότων

Τα συστήματα αναγνώρισης σύνθετων γεγονότων από δεδομένα έχουν μελετηθεί και αναπτυχθεί σε διάφορα ερευνητικά πεδία, όπως αυτά της Τεχνητής Νοημοσύνης, των Κατανεμημένων Συστημάτων και της Τεχνολογίας Λογισμικού. Για παράδειγμα, στο χώρο της ναυτιλίας έχουν αναπτυχθεί συστήματα που επιβλέπουν τη δραστηριότητα των πλοίων με στόχο την αναγώριση, σε πραγματικό χρόνο, ύποπτης, επικίνδυνης και παράνομης συμπεριφόράς. Ο στόχος της εργασίας είναι η εμπειρική σύγκριση μηχανών αναγνώρισης σύνθετων γεγονότων, όπως το σύστημα ESPER το οποίο προέρχεται από το χώρο των βάσεων δεδομένων και βασίζεται σε χρονικές προεκτάσεις της γλώσσας SQL, και το σύστημα RTEC το οποίο προέρχεται από το χώρο της Τεχνητής Νοημοσύνης και βασίζεται στο λογισμό πράξης (Event Calculus). Η σύγκριση θα πραγματοποιηθεί σε πραγματικά (non-synthetic) δεδομένα από το χώρο της ναυτιλίας.

Η εκπόνηση της εργασίας θα πραγματοποιηθεί σε συνεργασία με τη MarineTraffic (http://www.marinetraffic.com/).

Ενδεικτική Βιβλιογραφία:
Artikis A., Sergot M. and Paliouras G. An Event Calculus for Event Recognition. IEEE Transactions on Knowledge and Data Engineering (TKDE), 2015.
http://users.iit.demokritos.gr/~a.artikis/publications/artikis-TKDE14.pdf

Λογικός συμπερασμός παρουσία αριθμητικών περιορισμών

Ο λογικός συμπερασμός εξάγει συμπεράσματα από τις σχέσεις ανάμεσα σε
αντικείμενα και από τα αξιώματα που τις διέπουν. Από την άλλη, η
ικανοποίηση περιορισμών εξάγει συμπεράσματα σχετικά με τιμές
μεταβλητών που διέπονται από περιορισμούς. Τόσο η δυνατότητα των
μεθόδων λογικού συμπερασμού να αξιοποιούν δεδομένα και περιορισμούς
πέρα από λογικές προτάσεις και αξιώματα, όσο και η δυνατότητα των
μεθόδων ικανοποίησης περιορισμών να αξιοποιούν αξιώματα σε εκφραστικές
λογικές είναι εξαιρετικά περιορισμένη. Οι σχετικές συγκεραστικές
μέθοδοι περιορίζονται σε μεγάλο βαθμό στην σειριακή επίλυση του
λογικού και του αριθμητικού μέρους, με ελάχιστη αλληλεπίδραση ανάμεσα
στο λογικό και το αριθμητικό πεδίο.

Σκοπός της διπλωματικής είναι ο πειραματισμός με μεθόδους αναζήτησης
που βασίζονται σε ευριστικές που λαμβάνουν ταυτόχρονα υπ' όψιν τους τα
δεδομένα και αξιώματα/περιορισμούς και των δύο πεδίων. Εναλλακτικά ή
συμπληρωματικά, η διπλωματική μπορεί και να αφορά τον πειραματισμό με
την επίλυση συστημάτων σχεσιακών/λογικών και αριθμητικών περιορισμών
σε κατανεμημένα υπολογιστικά περιβάλλοντα, όπως το Map Reduce.

Ενδεικτική βιβλιογραφία

S. Konstantopoulos and G. Apostolikas, Fuzzy-DL reasoning over unknown
fuzzy degrees. In Proc. 3rd International IFIP Workshop on Semantic
Web & Web Semantics (IFIP SWWS 2007), Vilamoura, Portugal, 29-30
Nov. 2007. Published as LNCS 4806, Springer, 2007.

T. Le Provost and M.G. Wallace. Generalized constraint propagation
over the CLP Scheme. Journal of Logic Programming 16(3-4):319–359,
July 1993. Special Issue on Constraint Logic Programming.

Μεταφορά γνώσης σε συστήματα αναγνώρισης γεγονότων απο δεδομένα.

Tα συστήματα αναγνώρισης συμβολικών γεγονότων/συμπεριφορών από δεδομένα έχουν μελετηθεί και αναπτυχθεί σε διάφορα ερευνητικά πεδία, όπως αυτά της Τεχνητής Νοημοσύνης, των Κατανεμημένων Συστημάτων και της Τεχνολογίας Λογισμικού. Για παράδειγμα, έχουν αναπτυχθεί συστήματα που επιβλέπουν την λειτουργία μέσων μαζικής μεταφοράς και αναγνωρίζουν “ενδιαφέρουσες” συμπεριφορές που λαμβάνουν χώρα, όπως η οδήγηση ενος λεωφορείου με μη οικολογικό τρόπο. Η βάση γνώσης “ενδιαφερουσών” συμπεριφορών που έχει αναπτυχθεί σε μία εφαρμογή μπορεί να χρησιμοποιηθεί με κάποιες τροποποιήσεις σε παρόμοιες εφαρμογές. Για παράδειγμα, η βάση γνώσης “ενδιαφερουσών” συμπεριφορών του συστήματος επίβλεψης των μέσων μαζικής μεταφοράς μίας πόλης μπορεί να χρησιμοποιηθεί, πιθανότατα με κάποιες αλλαγές, για το σύστημα επίβλεψης των μέσων μαζικής μεταφοράς μίας άλλης πόλης. Οι αλλαγές στη βάση γνώσης έχουν να κάνουν με τις διαφορές στην υποδομή των δυο πόλεων (π.χ. διαφορές στα δεδομένα εισόδου των δυο συστημάτων). Στο πλαίσιο της εργασίας θα αναπτυχθεί αλγόριθμος μεταφοράς βάσεων γνώσης “ενδιαφέρουσων” συμπεριφορών. Οι βάσεις γνώσης θα είναι εκφρασμένες στο Λογισμό Πράξης (Event Calculus), μία γλώσσα λογικού προγραμματισμού που επιτρέπει την αναπαράσταση γεγονότων και των αποτελεσμάτων τους.

Ενδεικτική Βιβλιογραφία:

Artikis A., Sergot M. and Paliouras G. An Event Calculus for Event Recognition. IEEE Transactions on Knowledge and Data Engineering (TKDE), 2014.
http://users.iit.demokritos.gr/~a.artikis/publications/artikis-TKDE14.pdf

D. Hu and Q. Yang. Transfer Learning for Activity Recognition via Sensor Mapping. IJCAI 2011. http://www.cse.ust.hk/~qyang/Docs/2011/ijcai2011_hh.pdf

Λογισμός Πράξης (Event Calculus) σε Java

Ο Λογισμός Πράξης (Event Calculus) είναι μία ευρέως διαδεδομένη γλώσσα λογικού προγραμματισμού η οποία επιτρέπει την αναπαράσταση γεγονότων και των αποτελεσμάτων τους. Έχει χρησιμοποιηθεί για αναπαράσταση και συμπερασμό σε πάρα πολλές εφαρμογές, όπως η ανάπτυξη πολυ-πρακτορικών συστημάτων, ιατρικών συστημάτων, καθώς και συστημάτων αναγνώρισης γεγονότων απο δεδομένα. Στα πλαίσια αυτής της εργασίας θα υλοποιηθεί ο Λογισμός Πράξης σε Java. Με αυτόν τον τρόπο θα είναι πιο έυκολη η χρήση αυτού του λογισμού σε υπάρχοντα (εμπορικά) συστήματα τα οποία είναι υλοποιημένα σε Java.

Ενδεικτική Βιβλιογραφία:

Andrew D. H. Farrell, Marek Sergot, Mathias Salle and Claudio Bartolini. Using the event calculus for tracking the normative state of contracts. International Journal of Cooperative Information System, 4(2--3), June-September 2005. http://www.doc.ic.ac.uk/~mjs/publications/IJICS_Farrell_Sergot.pdf

Ανάπτυξη γραφικού περιβάλλοντος Λογισμού Πράξης (Event Calculus)

Ο Λογισμός Πράξης (Event Calculus) είναι ένας ευρέως διαδεδομένος φορμαλισμός ο οποίος επιτρέπει την αναπαράσταση γεγονότων και των αποτελεσμάτων τους. Έχει χρησιμοποιηθεί για αναπαράσταση και συμπερασμό σε πάρα πολλές εφαρμογές, όπως η ανάπτυξη πολυ-πρακτορικών συστημάτων, ιατρικών συστημάτων, καθώς και συστημάτων αναγνώρισης γεγονότων απο δεδομένα. Στα πλαίσια αυτής της εργασίας θα υλοποιηθεί ενα γραφικό περιβάλλον το οποίο θα επιτρέπει στον χρήστη που δεν γνωρίζει το συντακτικό του Λογισμού Πράξης να αναπτύξει μία βάση γνώσης.

Ενδεικτική Βιβλιογραφία:

Murray Shanahan: The Event Calculus Explained. Artificial Intelligence Today: 409-430, 1999. http://www.doc.ic.ac.uk/~mpsha/ECExplained.pdf

P. Karampiperis, G. Mouchakis, G. Paliouras,V. Karkaletsis, "ER Designer Toolkit: A Graphical Event Definition Authoring Tool", in Proc. of 4th International Conference on PErvasive Technologies Related to Assistive Environments (PETRA) , Crete, Greece, 25-27 May 2011. http://dl.acm.org/citation.cfm?id=2141663

Ανάπτυξη στοχαστικού συστήματος αναγνώρισης γεγονότων από δεδομένα

Τα συστήματα αναγνώρισης συμβολικών γεγονότων/συμπεριφορών από δεδομένα έχουν μελετηθεί και αναπτυχθεί σε διάφορα ερευνητικά πεδία, όπως αυτά της Τεχνητής Νοημοσύνης, των Κατανεμημένων Συστημάτων και της Τεχνολογίας Λογισμικού. Για παράδειγμα, έχουν αναπτυχθεί συστήματα που επιβλέπουν την λειτουργία μέσων μαζικής μεταφοράς και αναγνωρίζουν “ενδιαφέρουσες” συμπεριφορές που λαμβάνουν χώρα, όπως η οδήγηση ενος λεωφορείου με μη οικολογικό τρόπο. Τα δεδομένα εισόδου ενος συστήματος αναγνώρισης γεγονότων προέρχονται απο διάφορους αισθητήρες (π.χ. κάμερες, μικρόφωνα, θερμόμετρα, αισθητήρες θέσης, κλπ.) οι οποίοι συχνά παρουσιάζουν σφάλματα. Συνεπώς, τα δεδομένα εισόδου είναι πολύ συχνά εσφαλμένα ή ελλειπή. Για να αντιμετωπιστεί αυτό το πρόβλημα, στο πλαίσιο της εργασίας θα αναπτυχθεί στοχαστικό σύστημα αναγνώρισης γεγονότων.

Ενδεικτική Βιβλιογραφία:

Skarlatidis A., Artikis A., Filippou J. and Paliouras G. A Probabilistic Logic Programming Event Calculus, Journal of Theory and Practice of Logic Programming (TPLP), 2014.
http://users.iit.demokritos.gr/~a.artikis/publications/artikis-TPLP.pdf

Ανάπτυξη συστήματος αναγνώρισης στρατηγικής στο σκάκι

Ο στόχος της εργασίας είναι η αναγνώριση της στρατηγικής ενος παίχτη στο σκάκι με βάση τις κινήσεις που έχουν λάβει χώρα σε μία παρτίδα. Στο πλαίσιο της εργασίας θα αναπτυχθεί βάση γνώσης με ορισμούς στρατηγικών οι οποίες θα εκφράζονται με τη χρήση ενός φορμαλισμού Τεχνητής Νοημοσύνης. Η βάση γνώσης θα χρησιμοποιηθεί στα πλαίσια του αλγόριθμου αναγνώρισης γεγονότων/συμπεριφορών απο δεδομένα που έχει αναπτυχεί στο εργαστήριο Τεχνολογίας Γνώσης του ΕΚΕΦΕ “Δημόκριτος”. Το τελικό σύστημα θα αξιολογηθεί σε παρτίδες που έχουν λάβει χώρα στο παρελθόν και είναι άμεσα διαθέσιμες στο διαδίκτυο, καθώς και σε παρτίδες που βρίσκονται σε εξέλιξη.

Ενδεικτική Βιβλιογραφία:

Artikis A., Paliouras G., Portet F. and Skarlatidis A. Logic-Based Representation, Reasoning and Machine Learning for Event Recognition, International Conference on Distributed Event-Based Systems (DEBS), pp. 282-293, ACM, 2010. http://users.iit.demokritos.gr/~a.artikis/publications/artikis-debs10.pdf

Syndicate content

© 2018 - Institute of Informatics and Telecommunications | National Centre for Scientific Research "Demokritos"