Blackboard system

Ett blackboard-system är ett tillvägagångssätt med artificiell intelligens baserat på blackboard-arkitektoniska modellen , där en gemensam kunskapsbas , "svarta tavlan", iterativt uppdateras av en mångsidig grupp av specialistkunskapskällor, som börjar med en problemspecifikation och slutar med en lösning. Varje kunskapskälla uppdaterar svarta tavlan med en dellösning när dess interna begränsningar matchar tavlans tillstånd. På så sätt samarbetar specialisterna för att lösa problemet. Blackboard-modellen var ursprungligen utformad som ett sätt att hantera komplexa, dåligt definierade problem, där lösningen är summan av dess delar.

Liknelse

Följande scenario ger en enkel metafor som ger en inblick i hur en svart tavla fungerar:

En grupp specialister sitter i ett rum med en stor svart tavla . De arbetar som ett team för att brainstorma en lösning på ett problem, och använder svarta tavlan som arbetsplats för att tillsammans utveckla lösningen.

Sessionen börjar när problemspecifikationerna skrivs på svarta tavlan. Specialisterna tittar alla på svarta tavlan och letar efter en möjlighet att tillämpa sin expertis på den utvecklande lösningen. När någon skriver något på tavlan som gör att en annan specialist kan tillämpa sin expertis, registrerar den andra specialisten sitt bidrag på tavlan, vilket förhoppningsvis gör det möjligt för andra specialister att sedan tillämpa sin expertis. Denna process med att lägga till bidrag till svarta tavlan fortsätter tills problemet har lösts.

Komponenter

En blackboard-systemapplikation består av tre huvudkomponenter

  1. Programvaruspecialistmodulerna, som kallas kunskapskällor (KS) . Liksom de mänskliga experterna på en svart tavla ger varje kunskapskälla specifik expertis som applikationen behöver.
  2. Svarta tavlan , ett delat arkiv med problem, dellösningar, förslag och bidragit med information. Svarta tavlan kan ses som ett dynamiskt "bibliotek" av bidrag till det aktuella problemet som nyligen "publicerats" av andra kunskapskällor.
  3. Kontrollskalet , som styr flödet av problemlösningsaktivitet i systemet. Precis som de ivriga mänskliga specialisterna behöver en moderator för att hindra dem från att trampa på varandra i ett galet slag för att ta tag i kritan, behöver KS:er en mekanism för att organisera deras användning på det mest effektiva och sammanhängande sättet. I ett blackboard-system tillhandahålls detta av kontrollskalet.

Lärbart uppgiftsmodelleringsspråk

Ett blackboard-system är det centrala utrymmet i ett multiagentsystem . Det används för att beskriva världen som en kommunikationsplattform för agenter. För att realisera en svart tavla i ett datorprogram behövs en maskinläsbar notation där fakta kan lagras. Ett försök att göra det är en SQL-databas , ett annat alternativ är Learnable Task Modeling Language (LTML) . Syntaxen för LTML-planeringsspråket liknar PDDL , men lägger till extra funktioner som kontrollstrukturer och OWL-S- modeller. LTML utvecklades 2007 som en del av ett mycket större projekt kallat POIROT (Plan Order Induction by Reasoning from One Trial), som är ett för att lära från demonstrationer för process mining . I POIROT lagras Plan-spår och hypoteser i LTML-syntaxen för att skapa semantiska webbtjänster .

Här är ett litet exempel: En mänsklig användare kör ett arbetsflöde i ett datorspel. Användaren trycker på några knappar och interagerar med spelmotorn . Medan användaren interagerar med spelet skapas en planspårning. Det betyder att användarens handlingar lagras i en loggfil . Loggfilen omvandlas till en maskinläsbar notation som berikas av semantiska attribut . Resultatet är en textfil i LTML-syntaxen som läggs på svarta tavlan. Agenter (mjukvaruprogram i blackboard-systemet) kan analysera LTML-syntaxen.

Genomföranden

Kända exempel på tidiga akademiska svarta tavlasystem är taligenkänningssystemet Hearsay II och Douglas Hofstadters Copycat- och Numbo-projekt.

Nyare exempel inkluderar utplacerade verkliga applikationer, såsom PLAN-komponenten i Mission Control System för RADARSAT-1, en jordobservationssatellit utvecklad av Kanada för att övervaka miljöförändringar och jordens naturresurser.

GTXImage CAD-programvara av GTX Corporation utvecklades i början av 1990-talet med hjälp av en uppsättning regelbaser och neurala nätverk som specialister som arbetar på ett svart tavlasystem.

Adobe Acrobat Capture (nu upphört) använde ett Blackboard-system för att dekomponera och känna igen bildsidor för att förstå objekt, text och typsnitt på sidan. Denna funktion är för närvarande inbyggd i detaljhandelsversionen av Adobe Acrobat som "OCR-textigenkänning". Detaljer om en liknande OCR-svarta tavla för farsitext är allmän egendom.

Blackboard-system används rutinmässigt i många militära C4ISTAR- system för att upptäcka och spåra föremål.

Kritik

Blackboard-system var populära före AI Winter och, tillsammans med de flesta symboliska AI-modeller, föll ur modet under den perioden. Tillsammans med andra modeller insåg man att de första framgångarna med leksaksproblem inte anpassade sig till verkliga problem på den tidens tillgängliga datorer. De flesta problem med svarta tavlor är till sin natur NP-hårda , så motstå lösbara lösningar med vilken algoritm som helst i den stora storleksgränsen. Under samma period blev statistisk mönsterigenkänning dominerande, framför allt via enkla dolda Markov-modeller som överträffade symboliska tillvägagångssätt som Hearsay-II i domänen av taligenkänning.

Senaste utvecklingen

Blackboard-liknande system har konstruerats inom moderna Bayesianska maskininlärningsinställningar , med hjälp av agenter för att lägga till och ta bort Bayesianska nätverksnoder . I dessa "Bayesian Blackboard"-system kan heuristiken få mer rigorösa probabilistiska betydelser som förslag och acceptanser i Metropolis Hastings provtagning genom utrymmet för möjliga strukturer. Omvänt, med hjälp av dessa mappningar, kan befintliga Metropolis-Hastings-samplare över strukturella utrymmen nu ses som former av svarta tavlasystem även när de inte nämns som sådana av författarna. Sådana samplers finns till exempel i musikaliska transkriptionsalgoritmer .

Blackboard-system har också använts för att bygga storskaliga intelligenta system för annotering av medieinnehåll, vilket automatiserar delar av traditionell samhällsvetenskaplig forskning. Inom denna domän uppstår problemet med att integrera olika AI-algoritmer i ett enda intelligent system spontant, med svarta tavlor som ger ett sätt för en samling av distribuerade, modulära naturliga språkbehandlingsalgoritmer för att var och en kommentera data i ett centralt utrymme, utan att behöva koordinera deras beteende.

Blackboard-system representerar en lovande lösning för mycket svåra diagnosproblem. Intelligent Medical Hybrid System är ett svart tavlasystem som föreslås för att erbjuda en lösning för samarbetsdiagnosproblemlösning av mänskliga specialister och intelligenta kunskapskällor.

Se även

externa länkar

  • Open Blackboard System Ett ramverk med öppen källkod för att utveckla blackboard-system.
  • GBBopen Ett blackboard-system med öppen källkod för Common Lisp .
  • Blackboard Event Processor En Blackboard-implementering med öppen källkod som körs på JVM men stöder planskript i JavaScript och JRuby.
  • KOGMO-RTDB En svart tavla med öppen källkod i realtid för C/C++, som används av vissa autonoma DARPA Urban Challenge-fordon.
  • HarTech Technologies Ett företag som tillhandahåller både simulerings- och kommando- och kontrolllösningar som alla är baserade på en unik Blackboard-arkitektur. Blackboard-utvecklingsramverket kan användas för att utveckla anpassade applikationer.
  • BB1 Blackboard Control-arkitekturen Ett äldre Blackboard-system, tillgängligt för Common Lisp och C++ .
  • Macsy En modulär svart tavlaarkitektur för Python byggd ovanpå MongoDB för annotering av mediainnehåll.

Vidare läsning

Hämtad från " https://en.wikipedia.org/w/index.php?title=Blackboard_system&oldid=1139400132 "