Download - Eduardo Mena webdiis.unizar.es/ ~ mena/ Dpto. de Informática e Ingeniería de Sistemas

Ontologías y AgentesMáster “Ingeniería del Software, Métodos Formales

y Sistemas de Información”Universidad Politécnica de Valencia

Curso 2013-2014

Eduardo Menahttp://webdiis.unizar.es/~mena/

Dpto. de Informática e Ingeniería de Sistemas

Universidad de Zaragoza

Valencia, Mayo 2014

Eduardo Mena "Ontologías y Agentes"

Grupo de Sistemas de Información Distribuidos (SID)

• Desarrollo de proyectos I+D en el área de gestión de datos– Bases de datos distribuidas y heterogéneas– Sistemas de información globales, Web Semántica– Servicios de datos en entornos móviles

• Contacto: Eduardo Mena ([email protected])– http://sid.cps.unizar.es/– En cooperación con el Grupo de Bases de Datos

Interoperantes (BDI), Universidad del País Vasco, http://siul02.si.ehu.es/

mailto:[email protected]


Áreas de Aplicación (1/2)

• Bases de datos distribuidas y federadas

• Sistemas de información globales, Web semántica


Áreas de Aplicación (2/2)

• Servicios de datos en entornos móviles

• Sistemas de agentes inteligentes (móviles)


Índice (1/2)

• Ontologías– Representación del conocimiento

• Descripciones semánticas• Lenguajes de representación del conocimiento

– Sistemas Terminológicos• Lógica de descripciones• Ejemplos de sistemas

– Aplicación de las ontologías• Bases de datos federadas• Sistemas de información globales• Web Semántica


Índice (2/2)

• Sistemas de agentes inteligentes– Agentes inteligentes

• Características

• Agentes móviles

– Aplicación de los agentes a sistemas de información• A nivel de diseño

• A nivel de comunicaciones remotas

• Ejemplos de sistemas basados en agentes


Ontologías


¿De qué hablaremos?

• Ontologías: desde la IA y BD• Definiciones y estado del arte• Reglas prácticas para la creación de

ontologías• Ejemplos de aplicación de las ontologías

– Distintos campos de aplicación– Distintos sistemas

• Uso de ontologías: Problemas principales


Datos, Metadatos, Conocimiento

• Datos– (BD) Hechos, estado de las cosas

• Metadatos– Datos sobre los datos

• Información– Datos + semántica

• Conocimiento– (Epistemología, Chisholm 1977)

• C sabe k k es cierto C acepta k k es evidente para C

– (IA) Permite comportamiento inteligente


Metadatos

• Información semántica sobre los datos

• Objetivo– Describir contenidos– Separar datos de significado– Permitir comportamiento “inteligente”

• Problema– Su generación es difícil de automatizar


Información

• Es la representación del conocimiento, comunica la estructura del conocimiento a través de datos, la información es la forma tangible y comunicable del conocimiento

• Las escuelas y universidades tienen como actividad central propiciar el conocimiento a partir de la información


Conocimiento

• Es todo lo que se ha aprendido y organizado de acuerdo a aquellos conceptos, imágenes o relaciones que ha podido dominar; el conocimiento es una abstracción mental

• Supone cierto razonamiento y enjuiciamiento que organiza la información mediante su comparación y clasificación


También es: Conocimiento Descripciones semánticas Metainformación

¿ Base de conocimientos ? ¿ Taxonomía ? ¿ Jerarquía de clases ?

Sistema de gestión del conocimiento

Representación ¿ Expresividad ? ¿ Lenguaje interrogación ? ¿ Capacidades Deductivas ?

“Especificación de una conceptualización”

(T. Gruber)

¿Qué es una ontología?


Ventajas

Depende del contexto, en sistemas de información: Mejor consultar una ontología que los depósitos de

datos Visión homogénea de toda la información

(heterogénea) disponible Alto nivel semántico Conocimiento compartido

Metainformación sobre los datos Ej. Ontología biblioteca


Biblio-Thing

Document

Book

Edited-Book

Technical-Report

Periodical-Publication

Journal

Magazine

Newspaper

Miscellaneous-Publication

Technical-Manual

Computer-Program

Multimedia-DocumentArtwork

Cartographic-Map

Thesis

Doctoral-Thesis

Master-Thesis

Proceedings

Conference Agent

PersonAuthor Organization

Publisher University

http://www-ksl.stanford.edu/knowledge-sharing/ontologies/html/bibliographic-data/http://www-ksl.stanford.edu/knowledge-sharing/ontologies/html/bibliographic-data/

Ejemplo: Stanford-I


Print-Media

Press Publication Journalism

Newspaper MagazineBook

Periodical

Trade-Book Brochure TextBook

Reference-BookSongBook

PrayerBook

PictorialSeries

Journals

CookBook

Instruction-BookWordBook HandBook Directory Annual

Encyclopedia

Manual Bible GuideBook

Instructions Reference-Manual

http://www.cogsci.princeton.edu/~wn/w3wn.htmlhttp://www.cogsci.princeton.edu/~wn/w3wn.html

Ejemplo 2: subconjunto de WordNet 1.5


Problemas con las Ontologías

Fuerte carga filosófica No olvidar contexto aplicación

Difícil definición/explotación Elegir bien el sistema de representación del conocimiento

Ingeniería del conocimiento, no automatizable Experiencia

Complejidad del sistema ¿Realmente necesitamos una ontología?

Tamaño (Ej: Cyc) Conocimiento distribuido: ontologías especializadas en

dominios


Ontologías Distribuidas vs. Ontología Global

ontología

ontología

ontología

ontología

OntologíaGlobal


Construcción de ontologías

Lenguaje (signos + semántica)

Términos (conceptos, atributos), relaciones, reglas, instancias

Representan un punto de vista/dominio

No hay lugar para la redundancia


Sistemas de Representación del

conocimientoPermiten:

Crear ontologías/bases de conocimiento

Y algunos: Manipular/interrogar ontologías

Incluso otros: Introducir/recuperar instancias (datos)

Lenguajes Ontolingua, KIF, KQML, DL, DAML, OWL ¿Cuál necesitamos? ¿qué esperamos de él?

Expresividad Razonadores

Protégé : editor de ontologías (RDF, DAML, OWL)


Lenguajes de Representación del

Conocimiento• RDF (Resource Description Framework):– XML, herencia de clases (RDF-class, RDF-property)– Expresividad similar a OO

• OIL (Ontology Inference Layer)– No XML, API basado en Lisp

• DAML (DARPA Agent Markup Language)– RDF+OIL, XML, lógica SHOIQ (roles inversos, roles transitivos, cjtos.)– Pensado para Lógica Descriptiva (enlace con razonador)– DAML-S

• OWL (Ontology Web Language)– Pensado para la Web Semántica, estándar de W3C (Febrero 2004)– Nivel Lite (similar RDF), DL (SHOIN), OWL full (autoextensible)– OWL-S– OWL2 (2009): OWL2 EL (ptime), OWL2 QL (BDs), OWL2 RL (reglas)


Sistemas Basados en Lógica Descriptiva

(Sistemas Terminológicos)Distintas expresividades

Operadores muy expresivos: ALL, jerarquías de roles, roles inversos, roles transitivos, disjoint

Mundo abierto vs. mundo cerrado

Tbox (conceptos y roles)Términos primitivos (cond. necesarias)Términos definidos (cond. necesarias y suficientes)Subsumisión. Mecanismo de clasificación

detección de inconsistencias simplificación de expresiones

Abox (instancias)Rbox (reglas, C ⇒ D)Las preguntas son expresiones (clasificables)

Expresividad


AL ⊤, ⊥, , ⊓ ∀ (A, ∃R.⊤) PTime

ALC (=ALUE)

⊤, ⊥, , ⊓ ∀, , ∃, ⊔ ExpTime

SHIQ (S=) ALC + roles transitivos, jerarquías de roles (H), roles inversos (I) , restricciones numéricas cualificadas (Q)

ExpTime OIL

SHIF (D) S, jerarquías de roles (H), roles inversos (I) , roles funcionales (F )

ExpTime OWL Lite

SHOIN(D) SHIQ + restricciones numéricas no cualificadas (N) + dominios concretos (D)

NExpTime OWL DL

SHOIQ(D) SHIQ + nominales , objetos (O) + dominios concretos (D)

NExpTime DAML+OIL

SROIQ SHOIN + tipos de roles N2ExpTime OWL 2

EL++ ⊤, ⊥, ,⊓ ∃, jerarquías de roles, nominales, dominios

Ptime (ont. biomed.)

OWL 2 EL

Razonadores DL


ClásicosCLASSIC, BACK, FaCT, Loom

Primeros orientados a la Web SemánticaCORBA-FaCT, RACER (servicio web), enlace con DAML y OWL

ActualesPellet

SROIQ(D), SWRL, SPARQL, razonamiento incr., justificaciones, Java, open source & comercial (Clark&Parsia)

HermitSROIQ(D), SWRL, Java, academic (Univ. Oxford)

FaCT++SROIQ(D), C++, academic (Univ. Manchester)

SREL+, Java, gubernamental (CSIRO’s Health Informatics, Australia)

[Fuente: K. Dentler et al, “Comparison of Reasoners for large Ontologies in the OWL 2 EL Profile”, Semantic Web 1(5), 2011]


Ejemplo 1: Familia.pl (BACK)

:- backinit, backtell(personas:<anything), backtell(conoce_a:<domain(personas) and range(personas)), backtell(padre:<conoce_a), backtell(conocidos:=trans(conoce_a)), backtell(padre_conocidos:=conocidos.padre), backtell(conocidos_lejanos:=conocidos and trans(padre)), backtell(hijos:=inv(padre)). extension :-

backtell(edu::personas and conoce_a:(josito and jonni) and padre:papaedu),backtell(josito::personas and conoce_a:edu and padre:papajosito),backtell(jonni::personas and padre:papajonni),backtell(papajonni::personas and conoce_a:edu).


Ejemplo 2: Proyectos.pl (1/2)

:- backinit, backstate(verbosity=silent), backtell(personas:<anything), backtell(nombre:<domain(personas) and range(string)), backtell(ocupacion:<domain(personas) and range(string)), backtell(jefes:=personas and ocupacion:'jefe'), backtell(proyectos:<anything), backtell(titulo:<domain(proyectos) and range(string)), backtell(miembros:<domain(proyectos) and range(personas)), backtell(superpro:=proyectos and atleast(3,miembros)), backtell(jefe:=miembros and range(jefes)).


Ejemplo 2: Proyectos.pl (2/2)

extension :-

backtell(jonni::personas and nombre:jonni and ocupacion:currito),

backtell(josito::personas and nombre:josito and ocupacion:currito),

backtell(nestor::personas and nombre:nestor and ocupacion:especialista),

backtell(edu::personas and nombre:edu and ocupacion:jefe),

backtell(josemi::personas and nombre:josemi and ocupacion:encargado).

backtell(aims::proyectos and titulo:aims and

miembros:allknown(personas and nombre:(edu or josito or josemi))).

¿Para qué sirve todo esto?

• Ontologías únicamente– Para casi nada!!– ¿Quien analizará las definiciones formales de los términos?– Mejor guardar esa información en una BD

• Ontología + razonador– Detección de inconsistencias– Simplificación de expresiones Clasificación

• En sistemas de información– Buscar en ontología vs. depósitos de datos– Vista homogénea (sobre datos heterogéneos)



Algunos campos de aplicaciónde las ontologías

• Bases de datos federadas

• Sistemas de información globales

• Agentes inteligentes


Problema

Telnet

IP WWW FTP

Archie

C C++ Java

Formularios

Interfaces ad hoc

Oracle Sybase

Informix

Semántica, formatos,

etc.


Objetivo

SemánticaFormatos


Bases de Datos Federadas (BDF)

• Esquema global (ontología) Datos• Bases de datos autónomas, diseño bottom-up• Enlace BDs – Ontología (GAV vs. LAV)

?


BDF: Arquitectura de 5 niveles

Esquema BD 1

Esq. Exportado 1

Esquema integrado (ont. integrada)

Esquema BD n

Esq. Exportado n

Vista 1 Vista m

Esq. Export. canónico n (ont2)Esq. Export. canónico 1 (ont1)

. . . . .

Traducción

Integración

. . . . .


Sistemas de Información Globales

Muchos depósitos de datos (miles, millones)Gran heterogeneidad a todos los nivelesAltamente dinámico y cambianteUn ejemplo: La Web

Adaptación de las técnicas conocidas a dicho contextoAún es objeto de investigación


Aproximaciones de los 90’s: clasificaciónSistemas de

Acceso a Información

Basados en Ontologías

Basados en palabras clave

Altavista,Yahoo!,Google

Basados en Agentes

TSIMMIS, DISCO

Una Ontología GlobalCarnot,

Information Manifold

Varias Ontologías

SIMS, InfoSleuth,

OBSERVER


Aprox. relevantes de los 90’s

SIMS (Univ. de California del Sur, 1992)

TSIMMIS (Univ. de Stanford & IBM, 1993)

Information Manifold (AT&T Bell Lab., 1994)

OBSERVER (Univ. Pais Vasco & UGA, 1995)

InfoSleuth (MCC, 1996)


Aproximaciones: Comparativa

Depósitos heterogéneos

Generación de wrappers

Capacidad de respuesta

Descr. semántica de datos

Interop. entre ontologías

Vocabulario compartido

Respuestas imprecisas

TSIMMIS

InfoSleuth

IM

OBSERVER

SIMS


Ejemplo: El sistema OBSERVER

• Sistema de Información Global– gran numero de fuentes de datos (con cualquier

organización de datos)

– múltiples ontologías (indepen. del sistema DL)

– depósitos de datos y ontologías reales

• Interoperación entre ontologías (división del espacio de información)– relaciones semánticas interontología

– traducción de preguntas con o sin cambio de semántica

– estimación del cambio de semántica


Arquitectura de OBSERVER

Ontology

Based

System

Enhanced with

Relationships for

Vocabulary

hEterogeneity

Resolution

Query Processor

Ontology Server

IRM

Relaciones Interontología

Ontology ServerOntology Server

Enlaces

EnlacesEnlacesEnlaces


Si

Expansión incremental a otra ontología

Acceso a los datos

Construcción de la pregunta

Procesamiento de Preguntas (Query Processor)

Seleccionar Ontología Usuario

Editar pregunta

Acceder datos subyacentes

Correlacionar ymostrar respuesta

Seleccionar ontología destino

Integrar nueva ont. y ont. usuario

Elegir plan con menor pérdida

Generar Planes

Más datos?

Comienzo

FinalNo


Multiples ontologías: Transformaciones de la

pregunta

Pregunta del usuario expresada en términos de la Ontología Usuario

Pregunta expresada en términos de la Ontología Destino

Pregunta expresada en Enlaces Respuesta expresada según la semántica de los depósitos

Respuesta expresada según la semántica de la Ontología Destino

Respuesta expresada según la semántica de la Ontología Usuario

Acceso a los datos subyacentes

Rel. del IRMF. Trans. Inv. del IRM

Traducción a EnlacesF. Trans. Inv. de enlaces

CorrelaciónF. Trans. de enlaces

CorrelaciónF. Trans. del IRM

Query Processor

Ontology Server


Pérdida semántica en respuestas

Respuesta relevante

Pérdida semántica

Pérdida en Precision

Pérdida en Recall

Respuesta obtenida

Respuesta relevante y obtenida


OBSERVER: aportaciones

• Uso de ontologías pre-existentes

Descripción de los depósitos de datos

• Manejo de relaciones interontología

Manejo de distintos vocabularios

• Procesamiento incremental

Acceso a gran número de depósitos

• Respuestas con pérdida de información

Estimación de la pérdida


Problemas de los sistemas de los 90’s• Integración estática de fuentes de datos

– La traducción e integración se hace “a mano” por humanos y cuesta bastante tiempo

– Generación no automática de la información de enlace• Hay que definir a mano el camino hacia los datos

– Generación no automática de las relaciones interontología• Hay que definir a mano las propiedades semánticas entre ontologías

– Sensible a nuevas ontologías/depósitos de datos• No relaciones entre los datos (constantes)

– Ej. (tema=“Marte”) (tema=“sistema solar”)

• Métodos de interrogación no adecuados para usuarios finales– Selección de la(s) ontología(s) para preguntar– Pregunta en DL ¿palabras clave, lenguaje natural?

• Imposibles de aplicar directamente a contextos altamente dinámicos (como la Web)


Web Semántica

• Problemas con la Web actual– HTML

– Orientado a humanos

– Búsquedas sintácticas (palabras clave)

• Objetivos– Separar contenido de visualización

– Orientado a humanos y a programas (servicios)

– Búsquedas semánticas (expresar qué se está buscando)


Web Semántica• Definición

– Proyecto W3C desde aprox. 1999– Nueva filosofía– Red de ordenadores Espacio compartido– Documentos autodescritos– Procesable por máquinas (ni lenguaje natural, ni GUIs)– Enlaces indirectos (independencia de la localización)

• Claves– XML– Ontologías– Servicios Web


Objetivos de la Web Semántica

• Permitir un procesamiento de preguntas guiado por la semántica– Obtener sólo lo que el usuario busca

• Descubrir automáticamente información semántica en las ontologías disponibles en el sistema de información

• Descubrir automáticamente fuentes de datos relevantes


Web Semántica

Evolución de la Web

Web 1.0 Web 2.0

Web 3.0 Web x.x

Evolución de la Web

Web Semántica

OntologíasOntologías

Web Semántica - Modelado

• RDF– Tripletas < a R b > – http://www.w3.org/RDF/

• RDF-S– RDF + taxonomías (is_a)– Existe posibilidad de razonamiento– http://www.w3.org/TR/rdf-schema/


• SKOS– Simple Knowledge Organization System– Ontologías ligeras (taxonomías), vocabularios

organizados– No existe formalización– Gran parecido: Folksonomías– http://www.w3.org/TR/skos-reference/


• OWL– Basado en DL (description logics) – Mediante el uso de razonadores:

• Inferir nuevos datos y relaciones• Detectar inconsistencias• Clasificación

– Ofrece tres perfiles en función de la expresividad requerida: EL, QL, RL

• SWRL– Lenguaje de reglas (FOL)– Complementa a OWL

Web Semántica - Consulta

• SPARQL– Basado en pattern matching– Orientado a tripletas RDF– La semántica la monta el que consulta– Se utiliza sobre todo en repositorios donde el volumen

de datos es muy grande (billones de tuplas)

• Otros lenguajes: – DIG– SPARQL-DL, TERP, nRQL

Web Semántica – Linked Data• Iniciativa convertir la Web en Web of Data

Pero… ¿todo esto para qué sirve?

• Ontologías en la Web gran cantidad de conocimiento

• Linked data gran cantidad de datos estructurados

• Podemos explotar todo ello para hacer sistemas inteligentes que acceden a los datos que buscamos

Web Semántica

Acceso inteligente a información

Objetivo principal

Queremos que nos respondan exactamente a lo que preguntamos

Actualmente

• Sistemas de gestión de datos– Lenguajes de interrogación (SQL, SparQL, etc.)– Semántica bien definida– No orientados a usuarios finales

• Motores de búsqueda Web– Búsquedas sintácticas (palabras clave)– Muy populares– Al final el usuario debe buscar la respuesta a mano

Retos generales

• ¿Qué lenguaje usar para expresar lo que queremos?– Asequible a cualquiera, preciso, no ambiguo– Flexible para expresar cualquier idea

• ¿Cómo obtener y mostrar las respuestas de la forma más adecuada? – Rapidez vs. precisión– Automático vs. semiautomático

QueryGen: Proceso general

QueryGen: resumen

• Cjto. de palabras clave pregunta formal (semántica bien definida)– ¿Significados de cada palabra? pool de ontologías– ¿Desambiguación de una palabra? contexto (el resto de palabras)– ¿Traducción a un lenguaje de representación del conocimiento? combinaciones

según operadores de los posibles lenguajes

• Pregunta formal datos– Descubrimiento de ontologías relevantes – Descubrimiento de fuentes de datos – Aplicación técnicas de sistemas de información federados

• Procesamiento incremental• Aproximación peer to peer?

Ejemplo de keywords de entrada

person fish

• To discover the user’s information need • Person who works with fishes• Person who eats fishes• Person eaten by a fish

We want from a set of keywords …

Descubriendo el sentido de los keywords

Semantic Keywords

Ontology

Person

Bus

drive

concept

role

concept

Each keyword is matched to a term of an ontology. It can be a Each keyword is matched to a term of an ontology. It can be a concept (C), role (R) or instance (I) concept (C), role (R) or instance (I)

Ejemplo de posibles sentidos para keyword “star”

• To express it formally in a KR language• Person who works with fishes• Person who eats fishes• Person eaten by a fish

Ejemplo de keywords de entrada

person fish

We want from a set of keywords …Person and (some(works_with, Fish))

Person and (some(eats, Fish))

Person and (some(eaten_by, Fish))

Purpose

person fish

• To avoid being tied to a specific KR language• Person eaten by a fish

We want from a set of keywords …

• <and> #Person <some> #eaten_by #Fish </some> </and>Person and (some(eaten_by, Fish))

QueryGen: Generación de

preguntas

Semantic Query Generation

Semantic EnrichmentSemantic Enrichment Insert Virtual TermsInsert Virtual Terms

Virtual Term RenderingVirtual Term Rendering

<Person, Fish, concept><Person, Fish, role>

With <Person, Fish>

And (Person, Some (role, Fish)) And (Person, Some (eaten_by, Fish))

For <Person, Fish, role>

Selección de la semántica de la pregunta del usuario

some (drives, ) and person

For <person, drives>

animalFix

Subsumers level

Subsumees

some( ,fish) and person

For <person, fish>

is_eaten_byFix

Subsumers level

Subsumees

Generación de preguntas: Muchas posibilidades!!

QueryGen: Acceso a datos

QueryGen: Conclusiones

– Traduce automáticamente keywords en preguntas formales

– Independiente del lenguaje de repr. del conocimiento (considera varios a la vez!!)

– Filtra preguntas inconsistentes

– Enriquecimiento semántico de las preguntas

– Reduce el número de preguntas

– Presenta las alternativas de forma compacta

– Pregunta generada elegida Datos


Sistemas de Agentes Inteligentes


Agentes inteligentes

• Son programas:– Autónomos– Actúan en representación de alguien– Tienen una agenda de objetivos– “Inteligentes”, aprenden

• Pueden también ser:– Cooperativos– Móviles

• Nuevo paradigma de diseño de software


Agentes móviles• Programa que se ejecuta en un cierto contexto de ejecución

o place, y viaja de place a place– Capaces de transportarse a sí mismos entre ordenadores– Necesita cierta infraestructura (plataforma de agentes)– Agentes móviles código móvil

• Alternativa a RPC


Movilidad: cómo funciona

• Los agentes móviles se crean en places– Viajan entre places

• moveTo(newHost)– Se interrumpe la ejecución del thread– Se serializa el código y el estado del agente– El agente se reconstruye en el place destino– Se continúa la ejecución a partir de donde se

interrumpió


Movilidad fuerte vs. Movilidad débil

• Movilidad fuerte– moveTo(newHost)

– En el destino se continúa con la siguiente instrucción

– La JVM no permite continuar a mitad de un método• Alternativa: cambiar la JVM incompatibilidad con otras JVM

• Movilidad débil– moveTo(newHost, callback)

– En el destino se continúa con el método callback• Se recomienda que el moveTo sea la última instr. del método

– Permitido por la JVM


Control de los saltos

• Problemas con el moveTo (red, permisos, etc.)– excepción place origen (política de reintento)

• Notificación de movimiento (Ej: Voyager)– preDeparture()

• En el origen, antes de iniciar el viaje

– preArrival()• En el destino, antes de la reconstrucción

– postArrival()• En el destino, agente reconstruido correctamente, justo antes del

callback

– postDeparture()• En el origen, en paralelo con el callback del destino


Utilizando agentes móviles

Robustez frente a desconexionesMejor diseño: delegación de tareasFacilidad de programación Plataformas de agentes

• Interoperabilidad• Fiabilidad• Escalabilidad

Eficiencia? RPC

0,1 M 0,2 M 0,45 M 1 M 2 M 4 M 8 M 16 M 33 M


Plataformas de agentes móviles• Aglets

– Buen API para agentes móviles, JDK 1.1 código abierto Java 2

• Voyager– CORBA + movilidad + activación + agentes, problemas con los clones

• Grasshopper– Problemas de escalabilidad en el modelo de comunicación

• Tryllian– Miles de agentes (en la misma máquina), muy lento

• SPRINGS– Alta escalabilidad (miles de agentes en distintas máquinas)

• JADE (Java Agent DEvelopment framework)– Creado en 2000 por Telecom Italia Lab, muy extendido, usado, y actualizado (v4.3

en marzo 2013 Mororola y Telecom Italia: JADE Governing Board)


Carta a los reyes

• Necesitamos herramientas para– Especificación formal de sistemas móviles– Especificación de comportamiento complejo y sensible a

distintos entornos (imprevisibles)

• Mejores plataformas de agentes– Más robustas– Para dispositivos móviles– Para redes inalámbricas (Bluetooth, WiFi)– Interoperables


Referencias• S. Franklin et al, “Is it an Agent or just a Program?: a

Taxonomy for Autonomous Agents”, 3rd Workshop on Agent Theories, Architectures and Languages, 1996

• C. Harrison et al, “Mobile Agents: Are They a good idea?”, research report IBM (desclasificado como confidencial en 1995)

• J. Altman et al, “Using Mobile Agents in Real World: A Survey and Evaluation of Agent Platforms”, 5th Int. Conf. on Autonomous Agents, 2001

Ejemplos:Ontologías + agentes móviles

• Servicios basados en agentes móviles– Procesamiento de preguntas dependientes de la

localización

– Generación adaptativa de interfaces gráficos

– Recopilación de citas bibliográficas

• Servicios con ontologías + agentes móviles– Servicio de obtención de Software (SRS)

– SHERLOCK


Procesamiento de preguntas dependientes de la localización

• El usuario se mueve

• Los objetos relevantes se mueven

• Ej: “Muestrame los taxis más cercanos” (formulada mientras andamos por la ciudad)

• La pregunta depende de la posición de algunos objetos móviles

• La respuesta se debe actualizar periodicamente


Despliegue de la red de agentes

BS2BS5

BS6

BS4 BS3

BS1

Monitor

BS0

(1)

(3)(3)

(2)

(2)

(3)

(3)

(3)


Generación adaptativa de interfaces gráficos

• GUI’s distintos para dispositivos distintos

• Descripciones XML del GUI

• Prototipo: agente móvil que genera GUI’s Java Swing, HTML, y WML


GUIs en Java Swing, HTML y WML

Recopilación de citas bibliográficas

SIUL02.SI.EHU.ES

SIPL17.SI.EHU.ES

VIERNES.CPS.UNIZAR.ESSISF00.SI.EHU.ES

BibTeX

BibTeX

BibTeX

San Sebastián

Zaragoza

BDpublications

ORDENADOR DEL USUARIO

Almagro

Voyager:9900

Voyager:9900

Voyager:9900

Navegador web

Apache Tomcat

Bib2DB

PostScript

ShowPubShowBibTeX


Servicio de Obtención de Software

• Alternativa a sistemas tipo Tucows

• Uso de una ontología de software– Construida automáticamente

• Vista común al usuario del software disponible

• Sensible a las necesidades de distintos usuarios

• Tecnología de agentes: creación, explotación (gestión del conocimiento)


Servicio de Obtención de Software

Ventas mundiales de smartphonesVentas mundiales de smartphones

1- Fuente: International Data Corporation (IDC) – Feb. 2012

Ventas 2012 (M Uds.) 2011 (M Uds.) Crecimiento

Total Q1 144.9 99.6 45.4%

Total Q2 153.9 108.3 42.1%

FabricanteVentas 2011 (M

Uds.)Mercado 2011 Crecimiento

Samsung 94.0 19.1% 310.5%

Apple 93.2 19.0% 96.2%

Nokia 77.3 15.7% -22.8%

RIM 51.1 10.4% 4.7%

HTC 43.5 8.9% 100.5%

Otros 132.3 26.9% 107.7%

Total 491.4 100.0% 61.3%

Sensores integrados (I)Sensores integrados (I)

Chips más avanzadosChips más avanzados

Fuente del gráfico: Invensense; Ilustraciones de Gus Wezerek

3 sensores en 1 chip precio más bjo

Sensores integrados (II)Sensores integrados (II)

Dispositivos con sensores integradosDispositivos con sensores integrados

Brújula

GPS

Acelerómetro

Giroscospio

Barómetro Magnetómetro

Cámara frontal

Cámara trasera

NFC

Proximidad

Luz

Wi-Fi

Bluetooth

Pueden ser usados como sensores móviles

GSM/ GPRS/EDGE/HSPA/4G

Nuevos retos

• Redes no estables

• Usuarios móviles

• Dispositivos limitados

• Datos altamente distribuidos

• Nuevos tipos de datos– Dinámicos (posición, batería, etc.)– Multimedia

Location Based Services (LBS)

• Los servicios de datos basados en la localización están creciendo exponencialmente.

• Existen muchas soluciones para posicionamiento, publicidad, rastreo, etc.

• …Pero no existe una plataforma común para todos ellos– Acceso a datos de todo tipo a/de objetos móviles– Considerando cualquier infraestrutura

SHERLOCK:Procesamiento de preguntas en

entornos inalambricos basado en la semántica

Caso de Uso 1:Buscando un transporte

• Visitante extranjero ir a cierto hotel• ¿Medios de transporte de la ciudad, rutas ,

horarios, precios?• Preferencias: transporte privado vs.

compartido, precio vs. tiempo • Seria muy interesante mostrarle en un

mapa alrededor de su posición los mejores transportes para su propósito

• Información actualizada sobre todo tipo de transportes, en tiempo real, etc.

Caso de Uso 2:Ayuda a bomberos en incendios

• Incendio en un área forestal alejada • Coordinador gestionar bomberos y vehículos, para

extinguir el fuego lo antes posible seguridad de las personas!!

• Infraestructura de red inexistente walkie-talkies (posición de cada bombero, evolución del fuego)– Difícil describir la situación real por voz en tiempo real

• Interesante ver en un mapa la posición de cada bombero y la evolución del incendio en tiempo real– Detección de cambios del incendio alerta a los bomberos

afectados para escapar a un sitio seguro• ¿Cómo hacerlo sin una buena red de comunicaciones?

Caso de Uso 3:Gestión de datos Multimedia

• Retransmisión en directo de una carrera de traineras en San Sebastián

• El realizador debe seleccionar en tiempo real las imágenes de múltiples cámaras.– por ejemplo, un primer plano desde atrás de la trainera ganadora justo cuando

cruza la línea de meta

– ¿Cómo seleccionar , en tiempo real, entre las distintas cámaras que dan el plano deseado, aquella que ofrece ua mejor toma?

• Sería útil que el sistema le indicara las cámaras que mejor obtienen lo buscado

• Implica entender lo que quiere el realizador, obtener imágenes y analizarlas en tiempo real.

Mobile Multimedia

Caso de uso 4: Gestión de emergencias

• Accidente en carretera secundaria• El equipo de emergencia debe ser contactado cuanto

antes, por la víctima o cualquiera que sepa del accidente.

• Cualquier información obtenida mientras se dirigen allí puede ser vital (fotos, videos, estado de las víctimas)

• Deseable detectar el accidente autom. y alertar a los servicios de emergencia, dándoles toda información sobre el accidente, obtenida de distintas fuentes

Problemas comunes

• Semánticos– Entender correctamente las peticiones del usuario al sistema– Conocer los diferentes objetos implicados en el escenario, sus

capacidades, así como información geográfica sobre el mismo

• Distribución– Datos y objetos distribuidos– Ausencia de infraestructuras de red ideales– Gestionar peticiones que hay que actualizar continuamente, de

forma escalable y tolerante a fallos– Despliegue de la computación a los sitios mas adecuados

Nuestra solución

• Problemas semánticos:– Ontologías representar conocimiento distribuido sobre objetos y áreas

interesantes del escenario. Razonadores– Los objetos/dispositivos móviles del escenario cooperan e intercambian

datos y conocimiento necesidades de información de los usuarios (descritas de forma intuitiva)

• Problemas de datos distribuidos:– Agentes móviles para distribuir tareas donde se necesiten en la red

inalámbrica – Consideración de todo tipo de redes disponibles en cada momento (fijas,

wifi, 3G, ad hoc, etc.)

Arquitectura general

Procesando una petición

Conocimiento manejado por el sistema

Ayuda a bomberos en incendios

Overview Map

Real GPS data, simulated environment with Google Earth

GUI dependiente del servicio

Peticiones al/del sistema

Gestión del conocimiento

• Necesidad de gestionar conocimiento sobre:– Preguntas intención del usuario– Datos tipos de objetos móviles y sus

características – Escenarios/aplicaciones

• Conocimiento distribuido – Intercambio dinámico de conocimiento

Tecnologías

• Semantic Web

• Geospatial Semantic Web

• Semantic Sensors

• Web of Data / Linked (Open) Data

• Knowledge representation techniques:– Ontologies: OWL, OWL 2.0

• Description Logics-based reasoners– Continuous reasoning

Animando a la gente en estos temas

• Special issue in IEEE Internet Computing

Guest editors: S. IlarriA.Illarramendi E. MenaA. Sheth

November/December 2011

Conclusiones

• Sistemas inteligentes = conocimiento = ontologías (+razonador)

• Datos: ¿en ontología o en BD?– No me sirve un SGBD SGC– Son tecnologías complementarias

• Sistemas de gestión de datos con acceso a conocimiento plug&play

• No olvidemos los usuarios móviles– entornos inalámbricos


¿Futuro inmediato?

• Mucho trabajo por hacer– Mejorar aproximaciones tipo SIMS, OBSERVER

– Papel de las ontologías– DAML OWL ???

• Contexto complejo tecnológicamente– Dificultad para quien empieza

– La Web– Nuevos dominios (computación móvil)– Nueva tecnología software (agentes, OWL, etc.)

– Equipos multidisciplinares

• Nuestro gran objetivo: Web semántica• Sin olvidar a los usuarios móviles


Fin de la presentación

Graciaspor su atención

http://webdiis.unizar.es/~mena/