Prezentacja programu PowerPoint - Konferencja e
Transkrypt
Prezentacja programu PowerPoint - Konferencja e
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 2. Założenia i przesłanki eLearningu 3. Oprogramowanie agentowe w systemach nauczania 4. Proponowane rozwiązania – stan obecny i perspektywy 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 (4) Żądanie strony (3) 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 2. Założenia i przesłanki eLearningu 3. Oprogramowanie agentowe w systemach nauczania 4. Proponowane rozwiązania – stan obecny i perspektywy 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