Prezentacja programu PowerPoint - Konferencja e

Transkrypt

II Konferencja
eTechnologies in Engineering Education eTEE’2015
Politechnika Gdańska, 30 kwietnia 2015
INTELIGENTNE SYSTEMY AGENTOWE
W SYSTEMACH ZDALNEGO NAUCZANIA
Jerzy BALICKI, Michał BERINGER, Piotr DRYJA, Waldemar KORŁUB, Jacek PALUSZAK,
Piotr PRZYBYŁEK, Maciej TYSZKA, Marcin ZADROGA, Marcin ZAKIDALSKI
Politechnika Gdańska
Wydział Elektroniki, Telekomunikacji i Informatyki
Katedra Architektury Systemów Komputerowych
Plan wystąpienia
1. Wprowadzenie
2.
3.
4.
5.
Założenia i przesłanki eLearningu
Oprogramowanie agentowe w systemach nauczania
Proponowane rozwiązania – stan obecny i perspektywy
Wnioski i uwagi
2
Edukacja i badania – znaczące nakłady
PKB [%] w 2012 roku
12
10
5
8
6
0,3
2,1
4
2
3,9
4,1
4,3
2,1
3,3
1,8
2,1
0,3
2,5
2,3
1,1
0,4
Edukacja
Szkolnictwo wyższe
Oprogramowanie
R&D
1,6
0
Szwecja
USA
Źródło: Raport OECD, 2014
Korea Płd
Irlandia
3
Edukacja i nauczanie w XX wieku
• W celu wspomagania rewolucji przemysłowej
zakłady pracy przekształcane były w „maszyny”,
a pracownicy w „elementy” tych maszyn;
• Szkolnictwo przyjęło dokładnie ten sam model
perfekcyjnej maszyny;
• Szkoły stały się linią produkcyjną do wytwarzania
„produktu” dla społeczeństwa przemysłowego.
Gospodarka oparta na wiedzy
Gospodarka przemysłowa
Gospodarka oparta na wiedzy
Status Quo
Dynamiczna
Robotnicy vs
Zarząd
Współpraca
Koszt
Zwrot z inwestycji
Lokalna/Krajowa
Globalna sieć
Ten sam rozmiar
Na miarę
Just in case
Just in time
Odizolowana
Wirtualne społeczności
Studia pięcioletnie
Lifelong Learning
Plan wystąpienia
1. Wprowadzenie
2. Założenia i przesłanki eLearningu
3. Oprogramowanie agentowe w systemach nauczania
4. Proponowane rozwiązania – stan obecny i perspektywy
5. Wnioski i uwagi
6
Czego oczekuje się od platformy kształcenia online?
Łatwego tworzenia kursów z istniejących zasobów;
Treści dydaktycznych, które można wielokrotnie używać z różnymi grupami
studentów, również kursów importowanych z innych platform (WebCT,
BlackBoard, etc.);
Narzędzi, które stymulują zaangażowanie studentów;
Obieralności przedmiotów (zapisy na wybrane kursy) oraz bezpiecznej i prostej
autoryzacji studentów;
Intuicyjnego zarządzania online nauczycielami i studentami;
Aktywnego wsparcia społeczności platformy przy rozwiązywaniu
problemów i generowaniu nowych pomysłów;
Niskich kosztów.
Nauczanie ukierunkowane na studenta
Elastyczność uczenia się:
 Własne tempo;
 Zmienna skala czasu;
 Niezależna lokalizacja;
 Zmienna przestrzeń robocza.
Różnorodność modeli nauczania;
 W Kanadzie, która liczy 28 mln mieszkańców, jest ponad 1600
college-ów oferujących około dwóch tysięcy kursów przez
Internet;
 W 2014 roku ponad 80 000 portali oferowało 7 mln kursów
dla 70 mln użytkowników.

Sztuczna Inteligencja - AI
AI to kierunek zastosowań komputerów do wyznaczania
rozwiązań problemów, których formułowanie i rozwiązywanie
uznawane było wcześniej za wyłączną domenę człowieka.
Współczesna definicja inteligencji
Inteligencja – zdolność przystosowania się do środowiska
i okoliczności za pomocą:
 dostrzegania abstrakcyjnych relacji;
 korzystania ze zdobytych doświadczeń;
 skutecznej kontroli nad własnymi procesami
poznawczymi.
Trzy kryteria sztucznej inteligencji
• Symulacja procesów naturalnych (z użyciem testu Turinga);
• Inteligentne czynności;
• Racjonalne sprawstwo.
Plan wystąpienia
1. Wprowadzenie
5. Wnioski i uwagi
12
Rodzaje e-learningu
SAMOKSZTAŁCENIE
RODZAJE
E-LEARNINGU
NAUCZANIE
SYNCHRONICZNE
NAUCZANIE
ASYNCHRONICZNE
E-MAIL
CHAT
NAUCZANIE
MIESZANE
FORUM
DYSKUSYJNE
JEDEN DO
JEDNEGO
JEDEN
DO WIELU
13
Platformy e-learningowe współpracujące z agentami programistycznymi
Komercyjne
Niekomercyjne
Oracle iLearning
MOODLE
WebCT
ILIAS
LEO
Claroline
Netstudier
ATutor
R5 Generation
Manhattan Virtual Classroom
…
…
14
Oprogramowanie agentowe
• Inteligentny agent to oprogramowanie, które jest zdolne do
naśladowania racjonalnych zachowań z wykorzystaniem sensorów
w środowisku rozproszonym, np. boty Googla;
• Inteligentny moduł powinien autonomicznie reagować na zmiany
w środowisku, zamierzając osiągnąć cel, do którego został
zaprojektowany;
• W węższym sensie agenty tej klasy rozumiane są jako
autonomiczne obiekty programowe z kognitywistycznymi
modelami, które zarządzają zdarzeniami w eksplorowanym
środowisku.
Systemy Agentowe w HBSS (ang. Host-Based Security System) opartym
na rozwiązaniach firmy McAfee
CENTRALNY ZARZĄDCA
ZARZĄDZANIE
BEZPIECZEŃSTWEM
ODBC,
SQL
Ochrona przed
złośliwym
oprogramowaniem
Antywirus
Moduł
bezpieczeństwa
ASSET 1000
Wykrywanie systemów
niezgodnych ze
standardami
zabezpieczeń
Ochrona
przestrzegania zasad
bezpieczeństwa
Uaktualnianie
zabezpieczeń
Silnik
Zdalne
zapytania i
raportowanie
Baza danych
MS SQL
Aplikacje
komunikacyjne
Konsola
Raportowanie
Zdalna konsola
ENKLAWA
MODUŁY
Super Agent/
Repozytrium
Ochrona przed
złośliwym
oprogramowaniem
Antywirus
Uaktualnianie
zabezpieczeń
Moduł
bezpieczeństwa
ASSET 1000
Serwer plików
Agent
Agent
Lokalne hosty i serwery
16
Systemy agentowe na platformie Moodle
Na komputerze studenta instalowane jest oprogramowanie, pozwalające na uruchomienie agentów.
Zachowanie agentów jest określone preferencjami studentów.
17
Inteligentne systemy agentowe w E-Learningu
Czas
To samo:
nauczanie
kolokacyjne
Inne:
nauczanie na
odległość
Miejsce
nauczanie
synchroniczne
Agenty
nauczanie
asynchroniczne
Koordynator
Tradycyjne nauczanie
Osobisty trener
Egzaminator
Osobisty konsultant
Koordynator
Obserwator
Osobisty trener
Obserwator
Egzaminator
Inteligentne systemy agentowe w E-Learningu
Osobisty trener
• Śledzi indywidualne postępy studenta;
• Wyznacza kolejne tematy do nauki;
• Określa partie materiału wymagające
powtórki.
Obserwator
• Monitoruje postępy studentów;
• Informuje wykładowcę, którzy studenci
wymagają dodatkowej uwagi.
Egzaminator
• Weryfikuje wiedzę;
• Wyznacza partie materiału do
poprawki.
Koordynator
• Organizuje współpracę
między studentami
a wykładowcami.
Wymagania do wdrożenia agenta edukacyjnego
1. Należy uwzględnić obszar nauczania. Inaczej przebiega interakcja ze
studentem na kursach prowadzonych w ramach nauk technicznych, a inaczej
- nauk humanistycznych.
2. Istotne jest przygotowanie studenta do pracy w środowisku wirtualnym.
Zazwyczaj agent edukacyjny korzysta z czatu tekstowego za pomocą języka
Arificial Intelligent Markup Language (AIML).
3. Niezbędny jest syntetyzator mowy. Ponadto, istotną umiejętnością jest
znajomość komunikacji niewerbalnej za pomocą animacji gestów.
Integracja systemu MOODLE z systemem JADE
Główny kontener
DF
AMS
MTS
Kontener nr 1
Kontener nr 2
Agent zadań
Agent kursu
Agent forum
Agent
użytkownika
……...
Serwer
+ baza danych
……...
• agent DF (ang. Directory Facilitator) odpowiedzialny za dostarczanie aktualnej
informacji o agentach;
• AMS (ang. Agent Management System) zarządza operacjami agentów na
platformie. Może wymusić wykonanie przez agenta określonego zadania,
a w przypadku zignorowania żądania sam może przeprowadzić odpowiednią
operację.
Integracja systemu MOODLE z systemem JADE
Główny kontener
DF
AMS
MTS
Kontener nr 1
Kontener nr 2
Agent zadań
Agent kursu
Agent forum
Agent
użytkownika
……...
Serwer
+ baza danych
……...
• Agent MTS (ang. Message Transport Service) realizuje usługę pozwalającą na
wymianę komunikatów między agentami na platformie lub między agentami
z różnych platform;
• Agent ECA (ang. Embodied Conversational Agent) poprawia jakość interakcji
między portalem e-learningowym a użytkownikiem.
Osobisty asystent studenta – agent ECA
KLIENT
(przeglądarka)
(1) Żądanie strony
mod_rewrite
mod_proxy
SERWER
(9) Odpowiedź serwera
na oryginalne zapytanie
(8) Zmodyfikowany
kod HTML
(2b) Żądanie
pozostałej
zawartości
(12) Odpowiedź ECA
ECA
(10) Zapytanie
do ECA
(7) Zmodyfikowany
kod HTML
(6a) Niezmodyfikowany
kod HTML
(11) Zapytanie
do ECA
WARSTWA
DYNAMICZNEGO
ECA
(BLOK MOODLE)
WARSTWA
SIECIOWA
(SERWER WSGI)
(6b) Pozostałe
dane (obrazy, JS,
CSS)
APLIKACJA
WEB
(2a) Żądanie strony
WARSTWA
POŁOŻENIA
ETYKIETKOWEGO
(SILNIK
ETYKIETKOWANIA)
(5) Zawartość
bloku MOODLE
• Agent ECA pełni funkcję spersonifikowanego asystenta;
• Ułatwienie dostępu do informacji z platformy MOODLE;
• Cameleon - architektura wielokrotnego wykorzystania ECA w e-learningu.
Rodzaje botów
Wyszukiwanie informacji (asystent internetowy) – DataBot;
 Przeszukiwanie zasobów danych -SearchBot ;
 Pogawędki (automat dyskusyjny) – ChatterBot;
 Robienie zakupów internetowych – ShoppingBot;
 Promocja nowych produktów;
 Pomoc w nawigacji po Internecie;
 Boty pomocne nie tylko użytkownikom, ale i firmom, którym
mogą dostarczać informacji o osobach odwiedzających ich
strony.

Zastosowania systemów eksperckich
- diagnozowanie chorób;
- poszukiwanie złóż minerałów;
- identyfikacja struktur molekularnych;
- udzielanie porad prawniczych;
- diagnoza problemu (np. nieprawidłowego
działania urządzenia);
- dokonywanie wycen i kalkulacji kosztów;
naprawy pojazdów przez firm
ubezpieczeniowe.
Schemat systemu eksperckiego
Nieco historii
Etap pierwszy rozwou AI: lata 1945-1955
 Fundamentalne prace z zakresu cybernetyki (Norbert Wiener
“Cybernetics” , 1948).
 Model pojedynczego neuronu.
 Koncepcja uczenia maszynowego.
 Sformułowany został przez Alana Turinga test na nierozróżnialność
(ang. indistinguishability test).
Niektóre inteligentne zachowania nie mogą
pochodzić od człowieka
• Test Turinga nie testuje wysoce inteligentnych zachowań, takich jak
zdolność do rozwiązywania trudnych problemów (np. sqrt(23*345/342)=?)
• Czasami wymagane jest „oszustwo” ze strony maszyny: jeśli urządzenie jest
bardziej inteligentne niż człowiek, to musi unikać zbyt inteligentnego
zachowania, bo nie zda testu.
• Ponieważ nie można zmierzyć inteligencji, która przekracza zdolność ludzi,
test nie może być stosowany do oceny aplikacji, które są bardziej
inteligentne niż ludzie.
• Z tego powodu opracowano testy, które byłyby w stanie ocenić systemy
superinteligentne.
Chatterbot Eugene Goostman
• Imituje odpowiedzi 13-letniego
ukraińskiego nastolatka z Odessy;
• Zdał test Turinga w lipcu 2014 roku;
• 33% odpowiedzi zostało uznanych za
odpowiedzi człowieka, a nie maszyny;
Scott: Which is bigger, a shoebox or Mount Everest?
Eugene: I can’t make a choice right now. I should think it out later. And I
forgot to ask you where you are from…
Scott: How many legs does a camel have?
Eugene: Something between 2 and 4. Maybe, three? :-))) By the way, I still
don’t know your specialty – or, possibly, I’ve missed it?
Programy do gry w szachy
• 1959 - pierwszy program do gry w szachy (Samuel –1959);
• 1997 – Deep Blue na superkomputerze (32 procesory IBM RS6000/SP2
+ 256 ASIC) wygrał z mistrzem świata G. Kasparowem 3.5:2.5;
• 2002 – program Deep Fritz na PC remisuje z V. Kramnikiem;
• 2003 – remis Kasparowa z X3D Deep Fritz junior (100 razy
wolniejszy od Deep Blue, wirtualna rzeczywistość);
• 2015 – nikt nie wygra z programem Rybka w smartfonie;
•http://rybkachess.com/ - Rybka to najsilniejszy silnik gry w szachy;
•komercyjna wersja 4 gra z niedostępną dla człowieka siłą 3000 elo.
Szacowana liczba sytuacji na szachownicy 10123
Warcaby, Tryktrak i Go
• 1952 - Samuel, pierwszy program uczący się gry w warcaby;
• 1995 - wygrana programu Chinook z mistrzem świata w warcaby 1-0 i 31
remisów. Komputera SGI (8 procesorów/512 MB RAM);
• 1995 - program Logistello zwycięża mistrza świata Takeshi Murakami 6:0;
• 2015 – programy nie mogą pokonać człowieka - mistrza świata w grę Go;
• Liczba ruchów w Go to średnio 260 (szachy tylko 35);
• Liczba możliwych partii: 10260 (szachy 10123).
•
IBM Watson
• 14 stycznia 2011 roku wygrywa quiz Jeopardy (w Polsce teleturniej
Va Banque).
IBM Watson
•
•
•
•
•
•
•
Klaster z 90 CPU IBM Power 750;
W CPU 360 procesorów IBM PowerPC Power7;
8 rdzeni w każdym procesorze 3.5 GHz;
Do 4 równoległych wątków na rdzeń;
16 TB RAM ;
~ 80 TeraFLOPs ;
Cena $3,000,000 .
IBM Watson - źródła danych
•
•
•
•
•
Brak połączenia z Internetem;
Baza danych 4TB ;
Dane ustrukturalizowane i nieustrukturalizowane;
Około 200 mln stron A4;
Wydajność przetwarzania danych 500 GB/sek.
IBM Watson - oprogramowanie
• Wyszukiwarka DeepQA ;
• Pytania w języku naturalnym dla słów kluczowych;
• Ok. 100 algorytmów próbuje znaleźć odpowiedź dla wybranej
kategorii (ludzie, miejsca, literatura, zagadki słowne) i oblicza
"poziom wiarygodności" ;
• Odpowiedzi są porównywane i najlepsza jest wybierana lub nie
jest udzielana odpowiedź.
IBM Watson – potencjalne zastosowania
•
•
•
•
•
Wyszukiwanie w rozległych bazach wiedzy;
Analiza biznesowa;
Pomoc w podejmowaniu decyzji;
Diagnostyka medyczna;
Edukacja.
Rozbieżność między kontrolerem lotu a programistycznym agentem Air Traffic Control
Plan wystąpienia
1. Wprowadzenie
5. Wnioski i uwagi
38
Przykład przydziału modułów do komputerów
a)
b)
1
2
3
4
5
6
7
8
9
W1
π2
W3
π2
10
11
12
x
m
21
1
2
6
10
11
3
5
8
12
7
9
1
4
13

x32  1
13

x23
1

x22
0
W2
π3
W4
π1
14
m
x73
0
14
39
Wartości dostępności systemu dla wybranych przydziałów
R(t)
A=[1,0,1,0,0,1,1,0,1,0,1,0,1,0,1,0,1,0,0,1,0,1,1,0,1,0,1,0,0,1,0,1]
B=[1,0,1,0,0,1,0,1,1,0,1,0,0,1,1,0,0,1,1,0,1,0,1,0,1,0,0,1,0,1,1,0]
C=[1,0,1,0,1,0,1,0,0,1,0,1,1,0,0,1,0,1,0,1,0,1,1,0,1,0,1,0,1,0,0,1]
D=[0,1,1,0,0,1,1,0,0,1,1,0,0,1,0,1,0,1,0,1,1,0,0,1,1,0,1,0,1,0,1,0]
R(D)
R(C)
R(B)
t [JC]
R(A)
40
t [JC]
Zależność obciążenia newralgicznego komputera od przydziału
modułów
110
Zmax [JC]
100
B
90
A
80
Zlimit=80 JC
70
60
50
40
0
50
100
150
Numer przydziału modułów do komputerów
200
250
300
41
Zbiór ocen dla kryteriów R(x) oraz Ptime(x)
dla instancji V=5, I=2, J=2
przy zastosowaniu kodowania binarnego
42
Aplikacja do Wspomagania Administratora MOODLE
43
Algorytmy neuro-ewolucyjne
Algorytmy:
•
•
•
•
źródło: https://code.google.com/p/opennero/wiki/NeuroEvolution
ewolucja na podstawie gramatyk
NEAT
EANT
ICONE
Dwuwarstwowa sieć neuronowa
Wejścia
iw1,11,1
p1
Warstwa nr 1

n11
f
1
a11

lw2,11,1
b11
p2

p3
iw1,1S1,R

n2 1
f
2
a21
xm11
f
2
a22
xm12
f
2
a2S2
xπIJ
b21
n12
f
1

a12
b12
pR
Wyjście
Warstwa nr 2
n22
b22
n1S1
f
b1S1
a1=f 1(IW1,1p+b1)
1
a1S1
lw
1,1
2
S ,S
1

n2 S 2
b2S2
a2=f 2(LW2,1a1+b2)=
f 2(LW2,1f 1(IW1,1p+b1)+b2
45
Algorytmy neuro-ewolucyjne
NERO (Neuro Evolving Robotic Operatives)
• korzysta z algorytmu real-time NEAT
• możliwe rozszerzenia korzystające z
knowledge-based NEAT
Źródło: http://www.pearltrees.com/u/9125647-evolving-robotic-operatives
Programowanie Genetyczne w e-learningu - przykłady
Wykorzystanie programowania genetycznego do przewidywania ostatecznej
oceny studenta biorącego udział w kursie:
• Dane badane pod kątem tego, co wpływa na fakt zdania kursu przez
poszczególnych studentów;
• Przykłady wykorzystywanych informacji:
• Czas spędzony na poszczególnych zadaniach;
• Liczba zadań dodatkowych wykonanych przez danego studenta.
• Analiza pozwala oszacować, jaki nakład pracy jest wymagany, by zdać
końcowy egzamin
• Umożliwia także przystosować kurs do wymagań studentów.
E-learning a przetwarzanie w chmurze
Hardware as a Service
wykorzystanie w
e-learningu może
polegać na
udostępnianiu
uczestnikom sprzętu
laboratoryjnego, który w
dzisiejszych czasach
jest przeważnie w pełni
skomputeryzowany
VlaaS
Wszystkie te modele mogą zostać użyte do przeprowadzenia w pełni
wartościowych laboratoriów w systemie e-learning znanych pod nazwą modelu
Virtual laboratories as a Services
Struktura katalogów systemu MOODLE
/
bin
boot
usr
var
www
moodledata
moodle
lib
mysql
moodle
admin
auth
assignment
chat
backup
mod
pix
theme
wiki
user
workshop
Model MapReduce
• Uniwersalny model wymagający
Faza dzielenia
implementacji dwóch, specyficznych dla
każdej dziedziny, funkcji – Map oraz
Reduce
• Wartości pośrednie wyliczone w ramach
funkcji Map stanowią źródło danych
wejściowych dla funkcji Reduce
• Cały proces opiera się na 4 fazach
– Faza dzielenia
– Faza mapowania
– Faza sortowania i łączenia
– Faza redukcji
Wejście
kot pies słoń
pies kot
jaszczurka
słoń słoń
tygrys
kot pies słoń
pies kot jaszczurka
słoń słoń tygrys
Faza mapowania
{kot, 1 }
{pies, 1}
{słoń, 1}
{pies, 1}
{kot, 1}
{jaszczurka, 1}
{słoń,1}
{słoń,1}
{tygrys, 1}
Faza sortowania i
łączenia
Faza redukcji
{kot, 1}
{kot, 1}
{pies, 1}
{pies, 1}
{słoń, 1}
{słoń, 1}
{słoń, 1}
{jaszczurka, 1}
{tygrys, 1}
{kot, 2}
{pies, 2}
{słoń, 3}
{jaszczurka, 1}
{tygrys, 1}
Wyjście
ASIMO - Advanced Step in Innovative MObility
- Zaawansowany Postęp w Innowacyjnej Mobilności
Era bezzałogowych misji kosmicznych
Robonaut 2
Czy ograniczenia fizyczne i biologiczne uniemożliwią ludzkości podróże międzyplanetarne?
Bez technologicznego wsparcia człowiek nie wytrzymałby w przestrzeni kosmicznej nawet
minuty.
Brak grawitacji i tlenu, ale także konsekwencje długoterminowe.
Nieinwazyjne metody odczytu danych z mózgu
• Wykrywanie emocji,
• Wykrywanie gestów,
• Sterowanie myślami, np. mindset lub Emotiv EPOC.
Wnioski i uwagi
1. Wprawdzie nowoczesna technologia jest tylko narzędziem w nowej rzeczywistości
edukacyjnej, a nie treścią samą w sobie, to jednak ze względu na istotny wpływ technologii informatycznych na e-learning warto uwzględnić rozwój inteligentnych systemów
agentowych w kształceniu na odległość.
2. Środowisko wirtualne jest kluczowym medium stosowanym w edukacji w zakresie
nauk technicznych. Zwłaszcza wizualizacja zapewnia efektywne doskonalenie
umiejętności współpracy i naukę na podstawie zdobywanych doświadczeń. W efekcie
powstają przesłanki do aktywnego uczenia się.
3. Wirtualizacja procesu dydaktycznego wymaga większego wsparcia informatycznego
wraz ze wzrostem jakości usług edukacyjnych. W szczególności, odnosi się to do
wykorzystania aplikacji cechujących się sztuczną inteligencją, w tym możliwości
zwiększenia intensywności komunikacji ze „sztucznym” wykładowcą, który będzie
zastępował rzeczywistego wykładowcę wówczas, kiedy student będzie tego
potrzebował.
54

Prezentacja programu PowerPoint - Konferencja e

Transkrypt

Podobne dokumenty