Εξόρυξη δεδομένων για τη δυναμική ενσωμάτωση γνώσης σε πολυπρακτορικά συστήματα

Abstract

The task-oriented nature of Data Mining has already been dealt successfully with the employment of Intelligent Agent systems that distribute tasks, collaborate and synchronize in order to reach their ultimate goal, the extraction of knowledge. A number of sophisticated multi-agent systems that perform data mining have been developed, proving that Agent Technology can indeed be used in order to solve data mining problems. Looking into the opposite direction though, knowledge extracted through data mining has not yet been exploited on multi-agent systems. The inductive nature of data mining imposes logic limitations and hinders the application of the extracted knowledge on such kind of deductive systems. If these limitations are overcome, the synergy of the technologies may become feasible. Within the context of this thesis, a unified methodology for building agents and multi-agent systems is presented. Agents and agent systems developed following the proposed methodology have the ability of dynamically incorporating knowledge, extracted by the use of data mining techniques on application and agent data. Three types of knowledge are identified: a) knowledge extracted by the use of data mining techniques on historical application data, b) knowledge extracted by the use of data mining techniques on agent behavior data and, c) knowledge extracted by the use of evolutionary data mining techniques on multi-agent communities. The four dominant data mining techniques are studied, in order to investigate their applicability potential: Clustering for grouping, Classification for categorization and prediction, Association Rule Extraction for correlation discovery and Genetic algorithms for self-organization. In order to prove the validity of the proposed approach, Data Miner, a tool for embedding knowledge extracted by the use of data mining techniques has been developed and is presented (Chapter 4). For each knowledge type identified, a representative test case has been developed and is described in detail (Chapters 5–7). The presented thesis also deals with retraining, the improvement of the reasoning models of agents, by the application of data mining on new, up-to-date data (Chapter 8). Finally, conclusions drawn and future work are summarized in Chapter 9.

Η κατανεμημένη φύση της τεχνολογίας Εξόρυξης Δεδομένων έχει στο παρελθόν αντιμετωπιστεί επιτυχώς με τη χρήση και αξιοποίηση της τεχνολογίας των Πρακτόρων Λογισμικού, οι οποίοι καταμερίζουν τις εργασίες, συνεργάζονται και συγχρονίζονται έτσι ώστε να φτάσουν στον τελικό τους στόχο, την εξαγωγή χρήσιμης γνώσης. Μια σειρά από εξελιγμένα εργαλεία Εξόρυξης Δεδομένων έχουν ήδη αναπτυχθεί, αποδεικνύοντας ότι η Πολυπρακτορική Τεχνολογία μπορεί πράγματι να χρησιμοποιηθεί για να επιλύσει τέτοιου είδους προβλήματα. Αντιστρέφοντας τους ρόλους του σκοπού και του μέσου, όμως, γνώση η οποία εξάγεται με τη χρήση τεχνικών Εξόρυξης Δεδομένων δεν έχει χρησιμοποιηθεί για τη βελτίωση Πολυπρακτορικών Συστημάτων. Περιορισμοί οι οποίοι σχετίζονται με τη διαφορετική φύση της λογικής που υιοθετούν οι δυο εμπλεκόμενες τεχνολογίες (επαγωγική για την Εξόρυξη Δεδομένων και συμπερασματική για τα Πολυπρακτορικά Συστήματα), εμποδίζουν την απρόσκοπτη εφαρμογή της εξαγόμενης γνώσης στο λογικό μοντέλο των πρακτόρων. Εάν αυτοί οι περιορισμοί υπερκεραστούν, τότε ο συγκερασμός των δυο τεχνολογιών θα καταστεί εφικτός. Στα πλαίσια της διατριβής αυτής παρουσιάζεται μια ενοποιημένη μεθοδολογία, η οποία επιτρέπει την εφαρμογή δυναμικών, σύνθετων και ανανεώσιμων κανόνων σε πολυπρακτορικά συστήματα. Οι κανόνες αυτοί εξάγονται με τη χρήση τεχνικών Εξόρυξης Δεδομένων, σε πράκτορες και πολυπρακτορικά συστήματα. Η μεθοδολογία αυτή αναγνωρίζει τρεις διαφορετικούς τύπους γνώσης, η οποία προέρχεται από την εφαρμογή τεχνικών Εξόρυξης Δεδομένων, και ανάλογα διαφοροποιεί το μοντέλο διάχυσής της. Οι τρεις αυτοί τύποι γνώσης είναι: α) γνώση η οποία εξάγεται με τη χρήση τεχνικών Εξόρυξης Δεδομένων στα ιστορικά δεδομένα μιας εφαρμογής, β) γνώση η οποία εξάγεται με τη χρήση τεχνικών Εξόρυξης Δεδομένων στα ιστορικά δεδομένα των συμπεριφορών των πρακτόρων μιας εφαρμογής και, γ) γνώση η οποία εξάγεται με τη χρήση εξελικτικών τεχνικών Εξόρυξης Δεδομένων σε πολυπρακτορικές κοινωνίες. Στη διατριβή αυτή μελετάται η δυνατότητα εφαρμογής των τεσσάρωνκυρίαρχων τεχνικών Εξόρυξης Δεδομένων σε πολυπρακτορικά συστήματα: Ομαδοποίηση για διαχωρισμό, Ταξινόμηση για κατηγοριοποίηση και πρόβλεψη, εξαγωγή Κανόνων Συσχέτισης για ανακάλυψη συσχετισμών και Γενετικοί αλγόριθμοι για αυτό-οργάνωση. Για την υλοποίηση και επίδειξη της δυναμικής ενσωμάτωσης γνώσης σε πράκτορες αναπτύχθηκε ο Data Miner, ένα εργαλείο που περιγράφεται στο Κεφάλαιο 4. Για κάθε έναν από τους τρεις διαφορετικούς τύπους γνώσης αναπτύχθηκε και ένα αντιπροσωπευτικό Πολυπρακτορικό Σύστημα, του οποίου και γίνεται εκτενής παρουσίαση (Κεφάλαια 5-7). Τέλος, η παρούσα διατριβή πραγματεύεται και το θέμα της βελτίωσης του γνωσιακού μοντέλου των πρακτόρων, με την επανάληψη της διαδικασίας χρήσης τεχνικών Εξόρυξης Δεδομένων πάνω σε σύγχρονα και ενημερωμένα δεδομένα (Επανεκπαίδευση – Κεφάλαιο 8). Τα συμπεράσματα από την εκπόνηση της διατριβής και πιθανές μελλοντικές επεκτάσεις συνοψίζονται στο Κεφάλαιο 9.