Cooperating agents for 3-D scientific data interpretation

1. Cooperating agents for3-D scientific data interpretation Artigo de JournalSeminário em Sistemas Multiagentes - 2013.1 Thiago Manhente de C. Marquestmarques@puc-rio.br

2. Informações do artigo

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

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.

5. Resumo (resumido) • Many organizations collectvast quantities of three-dimensional (3-D) scientific data in volumetric formfor 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 judgmentsand 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 pressingneed 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, multiagentsystems, scientific data interpretation.

6. Conteúdo • Introduction • Domain TermsandConcepts • System Architecture • Scientific Data Subsystem • AnalyticalTechniquesSubsystem • AgentsSubsystem • Intra-AgencyInteractions • InteragencyInteractions • User Interface Subsystem • Agent Architecture • CooperationScenarios • Evaluation • RelatedWork • Conclusionsand Future Work

7. I. IntroductionII. Domain TermsandConcepts

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

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.

10. Processo (cont.) Fig. 5. Interpreted surfaces in the 3-D volume. Fig. 6. Problem space object model (OMT notation).

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

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.

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.

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.

15. Por que agentes? • “When taken together, the requirements for multiple interpretation techniques to cooperatively interwork and situation-basedselection and execution of the different interpretation techniques mean that a multiagent approach is the most natural means of modeling and implementing the system.”

16. III. System Architecture

17. Visão geral AgentsSubsystem

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”

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.

20. Padrões de comunicação • Intra-AgencyInteractions • InteragencyInteractions

21. Exemplo: InterpretedSegmentAgency • 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 intelligentwrappers sobre as técnicas analíticas. • O que eles adicionam é a habilidade de filtrar e classificar (rank) os segmentos mais promissores gerados por essas técnicas.

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.

23. Arquitetura dos agentes • BDI + dMAS • Primitivas de comunicação baseadas em speech-act. • ASK, REPLY, TELL

24. Metas, Crenças... • Exemplo: Agente de Curva • Metas: • Ligar segmentos em curvas • Comunicar curvas com alta confiança para os seus pares • Crenças: • O modelo de familiaridade dos demais agentes • Informações sobre segmentos recebidos dos agentes de segmento • Informações sobre dicas de curvas recebidas dos seus pares

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

26. V. CooperationScenarios

27. Tipos de cooperação • Forma de cooperação baseada em compartilhamento de resultados. • Três tipos: • Resultfeedforward • Um agente passa um resultado com alta confiança para a agência no próximo nível. • Dá continuidade ao processo • Intra-agencyresultsharing • 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

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).”

29. VI. Evaluation

30. Validação • Dois pontos a validar: • Medir a proficiência do sistema na tarefa de interpretação • Medir a efetividade da abordagem usando cooperação entre agentes

31. Validação qualitativa (visual) Fig. 11. Manual interpretation in plan view. Fig. 12. SurfaceMapper’sinterpretation in planview. Fig. 13. Analyticaltechnique’sinterpretation in planview.

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.

33. Resultados medidos Fig. 14. Effect on precision of adding domain knowledge, exploitation of neighboring data slices, and intra-agency result sharing.

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

35. Resultados medidos Fig. 16. Cost benefit curve for cross correlating results.

36. VII. RelatedWorkVIII. Conclusionand Future Work

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

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