Daniela Ramírez Chaves A34206 Leonel Salazar Valverde A55165 1.

Presentación del tema: "Daniela Ramírez Chaves A34206 Leonel Salazar Valverde A55165 1."— Transcripción de la presentación:

1 Daniela Ramírez Chaves A34206 Leonel Salazar Valverde A55165 1

2  Introducción  Objetivos de los agentes de información  Funciones de los agentes de información  Agentes de información personal  Agentes Web  Agentes de filtrado y minería de datos Web  Agentes de recuperación de información  Agentes de personalización de información  Conclusiones  Referencias bibliográficas 2

3  La existencia de amplias fuentes de información distribuida y semi-estructurada, tales como la Web, poseen un gran potencial, pero presentan problemas como la sobrecarga de información. [1]  Los agentes inteligentes se han propuesto como una solución a este problema. [1] 3

4  Un agente de información es un agente inteligente que tiene acceso a muchas posibles fuentes de información o al menos una. [1]  Un agente de información es capaz de combinar y manipular esta información para contestar a consultas de usuarios y de otros agentes de información. [1]  Las fuentes de información pueden tener cualquier forma, desde bases de datos hasta otros agentes de información. [1] 4

5  Los objetivos de los agentes de información se pueden resumir en dos:  Disminuir la sobrecarga de información para los usuarios. [1]  Proveer a los usuarios un valor agregado sobre la información que consumen. [1][2] 5

6  Diversos autores proponen distintas funciones para los agentes de información, entre ellas destacan:  Agentes de información personal  Agentes Web  Agentes de filtrado y minería de datos Web  Agentes de recuperación de información  Agentes de personalización de información 6

7  Este tipo de agente de información convive con su usuario y aprende de él, ya sea observándolo o por medio de reglas que el usuario le da.  Un ejemplo concreto es el software MAXIMS creado por Pattie Maes del MIT en 1994.  MAXIMS es un agente que “ve por encima del hombro del usuario”[1]. 7

8  MAXIMS observa como el usuario interactúa con sus emails, y con ello aprende reglas de la forma: situación -> acción.  El agente aprende a borrar correos, ignorarlos o darles prioridad automáticamente basado en lo que eligió el usuario en el pasado.  Entre los factores que el agente toma en cuenta están: quien envió el email, quienes son los destinatarios, el asunto del email y las palabras clave del email. [1] 8

9  MAXIMS actúa en comunidad también. Cuando llega un correo del que no tiene conocimiento previo, le consulta a otros agentes de la oficina.  Esto originó el filtrado colaborativo, en vez de que el agente aprenda todo únicamente de las preferencias de sus usuarios, aprende de otros agentes, reaccionando mejor a situaciones desconocidas [3]. 9

10  Se piensa que los siguientes son algunos tipos de agentes de información que podrían emerger de la Web:  Agentes guías: son agentes que aprenderían de las preferencias del usuario (tal como MAXIMS) y le sugerirían a donde ir luego, mientras el usuario navega por Internet.  Agentes indexadores: son agentes que proveerían una capa extra por encima de los motores de búsqueda, utilizarían las metas y preferencias del usuario para proveer un servicio personalizado. [1] 10

11  Buscadores de FAQs: la idea de este tipo de agentes es dirigir a los usuarios a documentos de tipo FAQ (Preguntas frecuentes) para responder a preguntas específicas.  Buscadores de experiencia: son buscadores que tratan de entender lo que el usuario quiso decir de manera que puedan encontrar un mejor servicio proveedor de información. [1] 11

12  La explosión en el incremento de información disponible para los usuarios del Web ha creado una oportunidad para que los agentes inteligentes ayuden a los usuarios a realizar tareas complejas relacionadas a la Web. [4]  Según [4] hay 3 enfoques para la construcción de agentes inteligentes para el Web. 12

13 1. Integración de agentes inteligentes en los motores de búsqueda: El agente utilizaría reglas predefinidas con las cuales tomaría decisiones para filtrar la información. 2. Con base a reglas: se requiere un ingeniero de conocimiento que recoja las reglas y conocimientos que se le dan al agente respecto a la aplicación. 3. Por entrenamiento: se entrena al agente para que aprenda las preferencias y acciones del usuario. [4] 13

14  [4] presenta una investigación en la cual utiliza agentes inteligentes para recuperar información de la web.  Su enfoque se basa en combinar los agentes inteligentes con algoritmos genéticos y lógica difusa para filtrar los resultados de una consulta obtenidos de un conjuntos de motores de búsqueda. 14

15  Primero divide la consulta en palabras clave que los motores de búsqueda comprendan.  Luego toma los primeros 600 resultados de cada motor y los agrupa como una población para el algoritmo genético.  Con lógica difusa evalúa que tan relevante es cada página según la frecuencia y posición de las palabras clave y la cantidad de links de la página. 15

16  Como en todo algoritmo genético recombina a la población y realiza mutaciones para crear la población de la siguiente generación, favoreciendo a los mejores resultados para que tengan mayor probabilidad de sobrevivir.  Cuando obtiene un conjunto satisfactorio de resultados o se crearon un máximo de 200 generaciones, el algoritmo se detiene.  Finalmente, se le muestran al usuario los resultados. 16

17  Los resultados de las simulaciones mostraron que para los usuarios de prueba, en el 70% de las ocasiones los resultados entregados por este enfoque fueron muy satisfactorios.  Este enfoque provee a los usuarios de un valor agregado al darles más resultados relevantes y reducir considerablemente la cantidad de enlaces que el usuario debe revisar (a 200 o menos). 17

18  Usualmente las fuentes de información son pasivas, solo entregan la información cuando se les es consultada.  Por esta razón, un enfoque común para hacerlas “inteligentes” es dotarlas de capacidades de agentes.  Una forma de ver este tipo de sistemas es la Figura 1 18

19  En un sistema así, cada agente es experto en un repositorio de información.  Existen agentes intermedios o brokers.  Los agentes utilizan a los intermedios para encontrar a los agentes de información adecuados para las necesidades del usuario. [1] Figura 1: Sistema multiagente de recuperación de información 19

20  Entregan muchos resultados de búsqueda. (Precisión baja)  No brindan una respuesta inteligente.  Operan sobre grandes bases de datos realizando búsquedas sobre palabras claves.  Ninguna base de datos cubre toda la Web.  Arañan la Web e indexan los documentos. Figura 2: Motor de Búsqueda Genérico [5] 20

21  Envían la solicitud a diferentes motores de búsqueda.  Integran los resultados que entregan estos motores en una lista.  Mejoran la precisión al integrar las múltiples calificaciones dadas por los diferentes motores de búsqueda. Figura 3: Meta Motor de Búsqueda Genérico [5] 21

22  Mucho tiempo se pierde en las interacciones HTTP, por lo que la precisión se sacrifica para dar resultados rápidamente. [5]  Aún así la precisión es mejor que la de los motores clásicos. [5]  Además, de forma trivial maximizan el tiempo de refrescamiento y, la profundidad y ancho del arañado de la Web. [5] 22

23  Se divide en diferentes agentes especializados.  Los agentes cooperaran entre sí para llevar a cabo las tareas.  Tipos Agente:  Agentes Interfaz  Agentes de búsqueda  Agentes de modelo de usuario.  Agentes actualizadores de URLs.  Agente maestro Figura 4: Propuesta de un sistema multi- agente para búsquedas inteligentes[5] 23

24  Agente Maestro: Organiza las solicitudes que provienen de los agentes interfaz y crea un plan que debe ser ejecutado por otros agentes.  Agentes Interfaz: Reciben las solicitudes del usuario.  Agentes de búsqueda: Interactúan con los diferentes motores de búsqueda. 24

25  Agentes de modelo de usuario:  Procesan los sitios favoritos del usuario y la página de inicio.  Los buenos resultados retornados por las búsquedas realizadas se almacenan en el modelo de usuario.  El usuario podrá evaluar los resultados de búsqueda lo cual actualiza el modelo del usuario.  El usuario puede proveer un URL como retroalimentación buena o mala.  Se crea un modelo de usuario colaborativo tomado de perfiles de usuarios similares.  Agentes actualizadores de URLs (Daemon):  Actualizan los URL que se encuentran en la base de datos para que el sistema tenga mayor precisión.  Ingresa información que los agentes de búsqueda retornan. 25

26  Un sistema de personalización de información es aquel que personaliza la información a las necesidades e intereses de su usuarios.  Funcionan proactivamente al continuamente buscar recursos apropiados, analizar y comparar contenido, seleccionar información relevante y finalmente, presentarla de forma visual en un formato limpio al usuario. [2] 26

27  Un ejemplo de problema que se puede resolver con un sistema de personalización de información es el de consejería académica por medio de software.  La consejería como tal, busca:  Guiar a los estudiantes en los requerimientos educativos de la Universidad.  Dar asistencia para crear horarios con los cursos más apropiados  Dar asistencia en el desarrollo de la carrera 27

28  Dar asistencia a los estudiantes en terminar su carrera a tiempo.  Ayudar a los estudiantes a encontrar maneras en que su experiencia educativa sea personalmente relevante [2].  Entre los recursos que se requieren para realizar esta consejería están:  Los intereses del estudiante (que pueden cambiar frecuentemente) 28

29  Los cursos que ya el estudiante cursó.  Los cursos ofrecidos en el semestre (también cambian frecuentemente)  Experiencia  Detalles y reglamentaciones respectivas a los cursos, programas y currículos (cambia poco)  Conocimientos de un experto humano (heurísticas, estrategias, meta-conocimiento)  Se gana a través de un proceso de aprendizaje. 29

30  Los recursos necesarios son dinámicos y pueden estar distribuidos:  El contenido puede cambiar: ocurre frecuentemente, a principio de semestre algunos cursos ofrecidos se cierran y se abren otros nuevos. Los perfiles de los estudiantes también cambian de acuerdo a las notas obtenidas en el semestre anterior. Asimismo, sus intereses por cursos cambian al desear matricular con amigos. 30

31  La forma y estructura puede cambiar: pueden estar contenidos en un agente inteligente, un sitio Web, una base de datos, un sistema legado, etc.  La ubicación puede cambiar: Los recursos existentes pueden ser movidos y otros se pueden agregar. 31

32  Dadas estas condiciones, un sistema multi-agente de personalización de información ofrece las siguientes ventajas:  Reducción del alcance de los cambios: no es necesario cambiar todo el sistema, solo al agente afectado.  Fácil incorporación de nuevos recursos: solo un agente se necesita por cada nuevo recurso.  Fácil extensión y mejoramiento del sistema: cuando se identifica un nuevo recurso se identifica, se envuelve con un agente apropiado. 32

33  En [2] se experimenta con la implementación de MASACAD, un sistema que aconseja a los estudiantes respecto a que cursos deben llevar durante el semestre.  Su arquitectura se puede ver en la Figura 5 Figura 5: Arquitectura de MASACAD [5] 33

34  El experimento se realizó con 20 estudiantes, de los cuales 15 llevaron todos los cursos aconsejados por el sistema multi-agente.  Los otros 5 estudiantes cambiaron parte de su selección debido a diversas razones, no por un mal consejo del sistema.  De acuerdo a [2], MASACAD demuestra la factibilidad de usar un sistema multi-agente para proveer información personalizada y con valor agregado para el usuario. 34

35  El valor principal de un agente de información es elegir de manera inteligente, de acuerdo al perfil del usuario, la información que puede ser relevante para el mismo.  Es muy deseable que el agente de información sea proactivo y entregue al usuario la información que puede requerir en una situación dada, aún antes de que la haya solicitado.  Hay muchas posiciones respecto a lo que puede hacer un agente de información. 35

36  La principal tendencia es hacia reducir la sobrecarga de información al filtrar los resultados entregados por múltiples motores de búsqueda.  Dependiendo del tipo y tamaño del problema, los agentes de información pueden ser colaborativos o no. 36

37  [1] Woolridge, Michael. An Introduction to Multiagent Systems. John Wiley & Sons, Ltd. 2002  [2] Sugumaran, Vijayan. Intelligent Information Technologies and Applications. IGI Global. 2008.  [3] Holloway, Margaret. Pattie. Wired Magazine. URL: http://www.wired.com/wired/archive/5.12/maes_ pr.html. Visitado el 30 de octubre, 2010. http://www.wired.com/wired/archive/5.12/maes_ pr.html 37

38  [4] Mohammadian, Masoud. Intelligent Agents for Data Mining and Information Retrieval. IGI Global. 2004.  [5] Müller, Martin E. An Intelligent Multi-Agent Architecture for Information Retrieval from the Internet. URL: http://citeseerx.ist.psu.edu/viewdoc/download ?doi=10.1.1.44.4174&rep=rep1&type=pdf http://citeseerx.ist.psu.edu/viewdoc/download ?doi=10.1.1.44.4174&rep=rep1&type=pdf 38