Web - Lehrstuhl für Informatik 8 (Theoretische Informatik)

www8.informatik.uni.erlangen.de

Web - Lehrstuhl für Informatik 8 (Theoretische Informatik)

Künstliche Intelligenz im WebSE

NLP

Agenten

Web (Site) Engineering (WebSE)

Vorlesung 14: KI, Agenten und NLP im Internet

B. Schiemann, P. Reiß

Lehrstuhl für Informatik 8

Universität Erlangen-Nürnberg

30. 01. 2007

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Übersicht

Künstliche Intelligenz im WebSE

NLP

Agenten

1 Künstliche Intelligenz im WebSE

Definition

KI & Semantic Web

KI-Anwendungen

2 NLP

Natural Language Processing

NLP im Web

3 Agenten

Definition

Agententypen

MAS inkl. Beispiel

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Künstliche Intelligenz im WebSE

NLP

Agenten

Vorüberlegung: Was ist KI

Definition

KI & Semantic Web

KI-Anwendungen

Am Anfang: Philosophische Fragen

Starke vs. Schwache These der KI

Sprache und Denken

TURING-Test

Heute: Praktische Umsetzung, d.h. wissensbasierte Ansätze

zur Problemlösung mit dem Rechner

Verfahren: Planen, Suchen, . . .

Programmiermethoden: Strukturiert, OO, . . .

Wissensbasiert vs. datengetrieben/stochastisch

Wissenserwerb und maschinelles Lernen

Wissensrepräsentation und Wissensnutzung

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Künstliche Intelligenz im WebSE

NLP

Agenten

Was ist KI im Web

Definition

KI & Semantic Web

KI-Anwendungen

Metaphern und Anwendungsbereiche

Das Internet als eigenes Gehirn (Global Brain)

Das Internet als größte Wissensbasis

Das Internet als größtes (Hyper-)Text-Dokument

Das Internet als größte Agenten-Domäne

Methoden und Ansätze

Klassisch: Wissens- und symbolbasiert

Modern: Soft Computing

Statistisch und randomisiert

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Künstliche Intelligenz im WebSE

NLP

Agenten

Was ist keine KI im Web

Definition

KI & Semantic Web

KI-Anwendungen

Web-Applikationen in KI-Programmiersprachen

Hypermedia-Server in Lisp:

www.ai.mit.edu/projects/iiip/doc/cl-http/

home-page.html

Webserver in Prolog

Brute-force-Lösungen von KI-Problemen im Web

Volltext-„Suchmaschinen“ (wie grep)

Statistische Verfahren zur

Analyse von Logfiles

Benutzerprofilerstellung

Kundenberatung (wie z.B. bei www.amazon.de)

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Künstliche Intelligenz im WebSE

NLP

Agenten

Was ist keine KI im Web II

Definition

KI & Semantic Web

KI-Anwendungen

Sprachverarbeitung ohne Semantik und Inferenz

Eliza: Dialogsimulation mit Keyword Spotting und

passenden Templates, http://www.cs.ubc.ca/

~condon/cpsc101/labs/Eliza_files/eliza.htm

BabelFish: Statistische Übersetzung mit Translation

Memory, babelfish.altavista.com

Anna von Ikea:

193.108.42.79/ikea-de/flash_files/anna/bot.

html

Aber:

Die „dümmsten“ Lösungen sind oft die erfolgreichsten!

(Gesetz der großen Zahlen, www.amazon.de)

Die „intelligentesten“ Lösungen kämpfen mit zu hohen

Ansprüchen oder Alltäglichkeiten (VerbMobil,

verbmobil.dfki.de)

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Global Brain

Künstliche Intelligenz im WebSE

NLP

Agenten

Definition

KI & Semantic Web

KI-Anwendungen

Metapher: Das Internet/Web als Gehirn eines neuen

„Superorganismus“

Nicht KI im Netz, sondern das Netz selbst ist die KI!

Hypothese: Emergenz des Bewusstseins aus Komplexität

Biologische Analogien

Rechner/Seiten als Nervenzellen

Netzwerk-Verbindungen/Links als Synapsen

Netz-Traffic/Linkverfolgung als Aktivierung

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Global Brain II

Künstliche Intelligenz im WebSE

NLP

Agenten

Definition

KI & Semantic Web

KI-Anwendungen

Metasystem Transition Theory: Entwicklungsstufen des

Gehirns und des Netzes

Reflexe: Übermitteln von Aktivierung

−→ aktueller Zustand des Netzes: Komplexe Signale

werden auf festverdrahteten Wegen übermittelt

Lernen: Anpassung an Umgebungsbedingungen

−→ anstehende Entwicklungsstufe des Netzes: Adaptive

Links durch Verstärkung häufig benutzter Pfade

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Global Brain III

Künstliche Intelligenz im WebSE

NLP

Agenten

Definition

KI & Semantic Web

KI-Anwendungen

Denken: Spontane Verbreitung von Aktivierung auf neue

Bereiche

−→ angestrebte Entwicklung des Netzes: Über Agenten,

die das Semantic Web durchstreifen

Metakognition: Entdecken neuer Konzepte und Regeln

−→ Ziel der Entwicklung des Netzes: Durch Clustering und

maschinelles Lernen

−→ Interessante Idee ohne praktische Bedeutung (noch)

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Künstliche Intelligenz im WebSE

NLP

Agenten

Definition

KI & Semantic Web

KI-Anwendungen

Wissensrepräsentation mit Logik

Vorteile

Operationale Semantik

Verfügbarkeit von Inferenzmaschinen

RACER

FaCT

Nachteile

Mangelnde Ausdrucksstärke (gemessen an natürlicher

Sprache)

Hohe Komplexität (Einstiegsschwierigkeiten)

Aktuell: Beschreibungslogiken (DLs)

OWL

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Künstliche Intelligenz im WebSE

NLP

Agenten

Wozu Inferenzmaschinen

Definition

KI & Semantic Web

KI-Anwendungen

Explizites Wissen mit Wissensrepräsentationssprache

Zugriff auf implizites Wissen durch Inferenzmaschine

Automatisches Klassifizieren von dynamisch instantiierten

Konzepten

Domänenmodellierung

Ersetzen des Suchens: von Schlüsselwort hin zu

Konzeptinstanz

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Künstliche Intelligenz im WebSE

NLP

Agenten

Definition

KI & Semantic Web

KI-Anwendungen

Web: Typen von KI-Anwendungen

KI-Applikation mit Web-Schnittstelle

Beispiel: Expertensystem im Web

KI-basierte Anfrageschnittstelle

Beispiel: Natürlichsprachliche Systeme

Web-Applikation mit KI-Techniken

Beispiel: Suchmaschinen

Neue Webstrukturen durch KI-Techniken

Beispiel: Such- und Gruppierungsalgorithmen in

Peer-to-Peer-Systemen

KI-Algorithmen mit Web als Datenlieferant

Beispiel: Korpusanalyse

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Künstliche Intelligenz im WebSE

NLP

Agenten

Data Mining im Web

Definition

KI & Semantic Web

KI-Anwendungen

Metapher: Das Web als größte Datenbank

Problem: Fehlendes Datenbankschema!

Ansatz: Systematisierung, Erfassen der Metadaten

Realisierung durch . . .

Automatisierung von OLAP-Systemen (Berichtssysteme für

Data Warehouses)

Klassifikation (überwacht und unüberwacht)

Statistische Analyse

Datentransformation und -säuberung

Visualisierung

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Künstliche Intelligenz im WebSE

NLP

Agenten

Text Mining im Web

Definition

KI & Semantic Web

KI-Anwendungen

Metapher: Das Web als größter (Hyper-)Text

Ziel: Unterstützung der Suche und Navigation durch

(semi-)automatische Erstellung eines Thesaurus oder

sogar einer Ontologie

Probleme

Größe und Heterogenität des Web

Tendenz geht weg von Dokumenten zu Applikationen (mehr

als Dynamisierung!)

Realisierung

Volltextsuche

Indizierung

Clustering und Anzeigen

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Künstliche Intelligenz im WebSE

NLP

Agenten

Natural Language Processing

NLP im Web

Natural Language Processing: Teilgebiete

Spracherkennung

Parsing: Morphologie, Syntax

Semantik, Pragmatik

Dialogmanagement

Domänenmodellierung

Grammatik- und Lexikonerstellung

Generierung

Sprachsynthese

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Künstliche Intelligenz im WebSE

NLP

Agenten

Komponenten bei der Analyse

Natural Language Processing

NLP im Web

Verarbeitungsebene

Signalverarbeitung, Phonetik

Morphologie und Lexik

Syntax

Semantik

Pragmatik

Komponente

Spracherkenner

Lexikon, Morphologie

Parser, Grammatik

Inferenzmaschine, Domänenmodell

Dialogmanager, Dialoggedächtnis,

Problemlöser, Benutzermodell

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Künstliche Intelligenz im WebSE

NLP

Agenten

Natural Language Processing

NLP im Web

Komponenten bei der Generierung

Verarbeitungsebene

Signalverarbeitung, Phonetik

Morphologie und Lexik

Syntax

Semantik

Pragmatik

Komponente

Synthesizer

Lexikon, generative

morphologische Komponente

generative Grammatik

Satzplaner, Domänenmodell

Textplaner, Dialoggedächtnis,

Benutzermodell, Dialogmodell

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Künstliche Intelligenz im WebSE

NLP

Agenten

Dialogmanagement

Natural Language Processing

NLP im Web

Ideal: Generischer Dialogmanager

Nicht an eine Modalität (z.B. Sprache) gebunden

Entkoppelt von Applikation

Einordnen der Benutzeräußerungen in den Dialogkontext

Verwalten von Diskurszielen

Rückmeldungen an Benutzer

Planen von Sprechhandlungen

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Künstliche Intelligenz im WebSE

NLP

Agenten

Natural Language Processing

NLP im Web

Kommunikation mit der Applikation

Erkennen der Benutzerziele

Planung (Dekomposition in atomare Aktionen)

Applikation plant und führt aus vs.

Dialogsystem plant und delegiert an Applikation

Rückmeldungen der Applikation

Erfolg, evtl. mit Zusatzinformationen

Fehler, evtl. mit Zusatzinformationen

Statusinformationen

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Künstliche Intelligenz im WebSE

NLP

Agenten

Benutzermodellierung

Natural Language Processing

NLP im Web

Individualisierung vs. Personalisierung:

Spezifische Benutzer vs.

Benutzertypen

Drei Dimensionen eines Benutzermodells:

Informationsinteressen, allgemeines Vorwissen und

Vorlieben

Anwendungsbereichswissen (Anfänger, Fortgeschrittener,

Experte)

Fragestrategien und Präsentationspräferenzen

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Künstliche Intelligenz im WebSE

NLP

Agenten

NLP im Web – aktueller Stand

Natural Language Processing

NLP im Web

Vernachlässigung textbasierter Kommunikation im Internet

Klassische Web-Schnittstelle: Formulare

Buttons (Ja/Nein-Entscheidungen)

Pull-Down-Menüs (Auswahl aus fester Menge)

Freitextfelder

Dialogsteuerung: Modellierung des Dialogs durch endliche

Automaten

Wenig flexibel: Lediglich die Abfolge der Parameterabfrage

variabel

Wenig generalisierbar: Für jede Domäne eigener Automat

erforderlich

Wenig robust: Benutzeräußerungen werden u.U. nicht

verarbeitet

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Künstliche Intelligenz im WebSE

NLP

Agenten

NLP im Web – aktueller Stand II

Natural Language Processing

NLP im Web

Verfahren zur Analyse der Textfelder

Keyword Spotting - Pattern Matching

−→ keine Semantikkonstruktion

Keine formallogische Domänenmodellierung

−→ keine Inferenzen

Statistische Ansätze

Probleme mit Stichprobengröße und -abdeckung

Keine Semantikkonstruktion

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Künstliche Intelligenz im WebSE

NLP

Agenten

NLP im Web – aktueller Stand III

Natural Language Processing

NLP im Web

Systemantworten

Wenig flexibel: Kombination vorher aufgezeichneter

Nachrichten

Wenig generalisierbar: Für jede Domäne eigene

Meldungen

Wenig benutzerfreundlich: Stereotype Wendungen

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Künstliche Intelligenz im WebSE

NLP

Agenten

Natural Language Processing

NLP im Web

Wo ist Sprachverarbeitung derzeit im Web auffindbar

Maschinelle Übersetzung:

z.B.: Babelfish, Google

Avatare:

z.B. www.sparkasse-erlangen.de, Ikeas Anna

Verarbeitung der Eingaben bei Suchmaschinen

Stemming

Morphologie

VoiceXML (http://www.w3.org/TR/voicexml20/)

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Künstliche Intelligenz im WebSE

NLP

Agenten

Maschinelle Übersetzung im Web

Natural Language Processing

NLP im Web

Ziele

Automatische Internationalisierung von Webseiten

Automatische Lokalisierung von Webseiten

Online-Nachschlagen und Übersetzen beliebiger

Begriffe/Texte

Verfahren

Statistisch: Translation Memory

Wissensbasiert: Parsing, Semantikkonstruktion

(Interlingua), Generierung

Verschiedene Zwischenformen

Qualität oft schlecht, aber trotzdem nützlich

Rudimentäre Unterstützung vollkommen sprachunkundiger

Benutzer

Erste Näherung für professionelle Übersetzer

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Künstliche Intelligenz im WebSE

NLP

Agenten

Weitere Einsatzmöglichkeiten

Natural Language Processing

NLP im Web

Natürlichsprachliche/Multimodale Schnittstelle für

Datenbanken

Auskunftsysteme

E-Commerce-Systeme

Web Services

Assistenzsysteme

Online-Tutorials

Interaktive Bedienungsanleitungen

E-Learning/E-Tutoring

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Künstliche Intelligenz im WebSE

NLP

Agenten

Speech im Web: Ansätze

Natural Language Processing

NLP im Web

Maschinelle Übersetzung gesprochener Sprache

Erweiterung bestehender Systeme um eine

Speech-Schnittstelle

Kommunikation als „missionskritisches“ Element

Probleme:

Qualitätsansprüche an Eingabegeräte (z.B. Mikrophone)

Spracherkenner

Sprecherunabhängingkeit

Domänenunabhängigkeit

Generierung, Synthese

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Künstliche Intelligenz im WebSE

NLP

Agenten

Definition

Agententypen

MAS inkl. Beispiel

Schematische Darstellung eines Agenten

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Künstliche Intelligenz im WebSE

NLP

Agenten

Agent — Eigenschaften

Definition

Agententypen

MAS inkl. Beispiel

Autonom

Selbstständige Verrichtung der Arbeiten (anstehende Ziele

erreichen) ohne Hilfe Dritter (Mensch, anderer Agent)

Flexibel

Reaktive und proaktive Handlungsfähigkeit auf der Basis

der Wahrnehmungen aus der Umwelt

Interaktiv

Einfache Sensor-Aktoren Schematik bis hin zur

Kommuniktation (Mensch-Maschine, Maschine-Maschine)

Mobilität (hinreichend)

Häufig verlangt die Zielstellung nicht nur physikalische

Mobilität!

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Künstliche Intelligenz im WebSE

NLP

Agenten

Agenten — WebSE

Definition

Agententypen

MAS inkl. Beispiel

Mobilität nicht nur phsyikalisch!

Agentenschema taugt nicht nur für Roboter →

Softwareagenten

Softwareagenten sind WebSE-tauglich

Eigene SE-Richtung:

Agenten Orientierte Software Entwicklung

Web bietet passende Umwelt (Kommunikation, Netze, . . . )

Viele Anwendungen z.B. Suchen leicht als „Agent“ zu

formulieren

Vorsicht: engl. agent ≠ dt. Agent

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Künstliche Intelligenz im WebSE

NLP

Agenten

Interessante Agententypen

Definition

Agententypen

MAS inkl. Beispiel

Reiz-Reaktions-Agent (Subsumptionsarchitektur)

Rationaler Agent (korrekt, Leistungsfunktionsmaximierung)

Modellbasierter Agent (inneres Abbild der hypothetischen

Welt)

Zielbasierter Agent (abstrahiert von einfachen Regeln zur

Strategie)

Lernender Agent (lernt, bewertet welche Aktion am

günstigsten ist)

Logische Agenten (Wissensbasis, Inferenzfähigkeit)

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Künstliche Intelligenz im WebSE

NLP

Agenten

Logikbasierte Agenten

Definition

Agententypen

MAS inkl. Beispiel

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Künstliche Intelligenz im WebSE

NLP

Agenten

MAS — Multiagentensysteme

Definition

Agententypen

MAS inkl. Beispiel

Eigenschaft von Agenten: Interaktivität

MAS häufig als Applikation

MAS ist verteiltes KI System (Distributed AI)

Gesellschaftsystem regelt Zusammenspiel (zusätzlich zu

Protokollen)

Einfache Gesellschaftssysteme:

Kooperative Gemeinschaft, Auktionsgesellschaft, . . .

Kommunikation auf Basis von Ontologien

OOP Methoden zum Topologieentwurf brauchbar

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Künstliche Intelligenz im WebSE

NLP

Agenten

Definition

Agententypen

MAS inkl. Beispiel

A 4 Adaptive Agenten-Anwendungen und Autonomie

Projekt aus DFG SPP 1083

„Intelligente Agenten und betriebswirtschaftliche

Anwendungsszenarien“

Prototyp implementiert Agentenbasiertes Tracking und

Tracing einer Wertschöpfungskette

MAS auf der Basis der JADE Middleware

Zwei Ontologien stellen eine semantisch eindeutige

Kommunikationsgrundlage

Visualisierungsbehaviour (autonom!, Informationen über

laufendes MAS)

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Künstliche Intelligenz im WebSE

NLP

Agenten

Visualisierung des A 4 MAS

Definition

Agententypen

MAS inkl. Beispiel

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Künstliche Intelligenz im WebSE

NLP

Agenten

Definition

Agententypen

MAS inkl. Beispiel

Visualisierung des A 4 MAS — Groupview

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Nächste Woche:

Künstliche Intelligenz im WebSE

NLP

Agenten

Definition

Agententypen

MAS inkl. Beispiel

Gastvortrag: G. Held, TOP-IT Services

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Literatur & Links

Künstliche Intelligenz im WebSE

NLP

Agenten

Definition

Agententypen

MAS inkl. Beispiel

Metasystem Transition Theory:

http://pespmc1.vub.ac.be/MST.html

KI allgemein: Stuart Russel, Peter Norvig: Künstliche

Intelligenz, Prentice Hall

KI allgemein: Günther Görz (Hrsg.): Künstliche Intelligenz,

Addison-Wesley

Sprachverarbeitung: James Allen: Natural Language

Understanding, Redwood City

Agenten: Gehard Weiß, Ralf Jakob: Agentenorientierte

Softwareentwicklung, Springer

DFG SPP Anwendungsszenario:

http://www.agententerprise.net

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Künstliche Intelligenz im WebSE

NLP

Agenten

Zusammenfassung

Definition

Agententypen

MAS inkl. Beispiel

1 Künstliche Intelligenz im WebSE

Definition

KI & Semantic Web

KI-Anwendungen

2 NLP

Natural Language Processing

NLP im Web

3 Agenten

Definition

Agententypen

MAS inkl. Beispiel

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)


Vielen Dank

Künstliche Intelligenz im WebSE

NLP

Agenten

Definition

Agententypen

MAS inkl. Beispiel

Für Ihre Aufmerksamkeit!

Fragen

P. Reiß, B. Schiemann Web (Site) Engineering (WebSE)

Weitere Magazine dieses Users
Ähnliche Magazine