Written by: Θεωρία Education

Εισαγωγή στους Intelligent Agents

Εισαγωγή στους Intelligent Agents 1

Μοιραστείτε το άρθρο

Μια Εισαγωγή στους Intelligent Agents

Τι Είναι οι Intelligent Agents

Οι Intelligent Agents (ευφυείς αντιπρόσωποι κατά το ελληνικό ή, πιο απλά, έξυπνα προγράμματα) είναι ειδικά προγράμματα υπολογιστών που χρησιμοποιούν τεχνικές Τεχνητής Νοημοσύνης (Artificial Intelligence) για να βοηθούν αποτελεσματικά τους χρήστες που εκτελούν εργασίες που γίνονται με τη βοήθεια υπολογιστή (computer-based tasks).

Οι agents αλλάζουν ριζικά τον τρόπο εργασίας των σημερινών χρηστών καθώς μπορούμε να τους φανταστούμε σαν ένα είδος προσωπικών βοηθών (personal assistants). Βασική αποστολή των intelligent agents είναι να μειώσουν τον φόρτο εργασίας και την υπερφόρτωση των πληροφοριών που παρατηρείται ολοένα και περισσότερο σήμερα σ’ όλους όσους θεωρούν απαραίτητη τη χρήση του υπολογιστή και του Internet στις καθημερινές τους ασχολίες.

Είναι τόσο ραγδαία η ανάπτυξη της επιστήμης της Πληροφορικής αλλά και η μεγάλη διείσδυση των υπολογιστών σ’ όλους τους τομείς εργασιών και υπηρεσιών της ανθρώπινης δραστηριότητας, ώστε είναι απαραίτητη μια αλλαγή στο στυλ αλληλεπίδρασης ανθρώπου-υπολογιστή (human-computer interaction), όπου τώρα πλέον ο υπολογιστής θα πρέπει να είναι ένας ευφυής (intelligent), ενεργός (active) και προσωπικός (personalized) συνεργάτης (collaborator) του ανθρώπου.

Ένας agent μπορεί να αποκτήσει τις ικανότητές του μαθαίνοντας από τις ενέργειες του χρήστη στον οποίο ανήκει καθώς και από την εμπειρία που έχουν αποκτήσει άλλοι agents που βοηθούν άλλους χρήστες. Για παράδειγμα, οι agents μπορούν να παρέχουν προσωπική βοήθεια στους χρήστες, σε θέματα όπως :

  • Προγραμματισμός συναντήσεων (meeting scheduling).
  • Χειρισμός ηλεκτρονικής αλληλογραφίας (electronic mail handling).
  • Φιλτράρισμα ειδήσεων (electronic news filtering).
  • Επιλογή διασκέδασης (selection of entertainment).

Τι Μπορούν να Κάνουν οι Agents για μας

Η απόκτηση και η συσσώρευση ειδήσεων και πληροφοριών, η διακίνηση της αλληλογραφίας (mail), κυρίως μέσω του Internet, οι κοινωνικές δραστηριότητες καθώς και η διασκέδαση γίνονται όλο και περισσότερο με τη βοήθεια υπολογιστή. Την ίδια στιγμή, ένας ολοένα αυξανόμενος αριθμός μη εκπαιδευμένων χρηστών έρχονται σ’ επαφή με υπολογιστές και αυτός ο αριθμός θα συνεχίσει να αυξάνει καθώς τεχνολογίες όπως οι φορητοί υπολογιστές και η αλληλεπιδραστική τηλεόραση (interactive television) θα γίνονται όλο και πιο δημοφιλείς.

Ο τρόπος επικοινωνίας (αλληλεπίδρασης) που κυριαρχεί σήμερα ανάμεσα στους ανθρώπους και στους υπολογιστές είναι αυτός της απευθείας διαχείρισης (direct manipulation), δηλ. ο ίδιος ο χρήστης πρέπει να εκκινήσει όλες ανεξαιρέτως τις εργασίες και να παρακολουθεί όλα τα συμβάντα. Αυτός ο τρόπος επικοινωνίας θα πρέπει να αλλάξει αν θέλουμε να κάνουμε μια πιο αποδοτική (αποτελεσματική) χρήση των υπολογιστών και των δικτύων του αύριο.

Έτσι, με τη βοήθεια των agents, αντί να υπάρχει αλληλεπίδραση που να προκαλείται από τον χρήστη (user-initiated interaction) μέσω δικών του εντολών ή ενεργειών, ο χρήστης συνεργάζεται με τους agents που έχει δημιουργήσει και στους οποίους έχει αναθέσει συγκεκριμένες εργασίες και προκαλούν από κοινού την επικοινωνία, παρακολουθούν συμβάντα και εκτελούν εργασίες.

Εισαγωγή στους Intelligent Agents 2

Μπορούμε να φανταστούμε έναν agent σαν έναν προσωπικό βοηθό (personal assistant) ο οποίος συνεργάζεται με τον χρήστη στο ίδιο περιβάλλον εργασίας. Αυτός ο βοηθός γίνεται ολοένα και πιο αποδοτικός καθώς μαθαίνει τα ενδιαφέροντα του χρήστη, τις συνήθειες και τις προτιμήσεις του. Πρέπει να έχουμε υπόψη μας ότι ο agent δεν αποτελεί απαραίτητα ένα μόνιμο interface ανάμεσα στον υπολογιστή και τον χρήστη. Στην πραγματικότητα, οι πιο πετυχημένοι interface agents είναι εκείνοι που δεν εμποδίζουν τον χρήστη από το να αναλαμβάνει πρωτοβουλίες και να ολοκληρώνει εργασίες προσωπικά ο ίδιος, παραβλέποντας τους δικούς του agents.

Οι agents μπορούν να βοηθήσουν τους χρήστες με πολλούς τρόπους :

  • Εκτελούν εργασίες κατ’ εντολή του χρήστη.
  • Μπορούν να εκπαιδεύσουν ή να διδάξουν τον χρήστη.
  • Βοηθούν διάφορους χρήστες να συνεργαστούν μεταξύ τους.
  • Παρακολουθούν συμβάντα και διαδικασίες.

Το σύνολο των εργασιών ή εφαρμογών με τις οποίες ένας agent μπορεί να βοηθήσει έναν χρήστη είναι στην ουσία απεριόριστο, όπως για παράδειγμα :

  • Φιλτράρισμα πληροφοριών (information filtering).
  • Ανάκτηση πληροφοριών (information retrieval).
  • Χειρισμός αλληλογραφίας (mail management).
  • Οργάνωση συναντήσεων (meeting scheduling).
  • Επιλογή βιβλίων, ταινιών, μουσικής κ.ά.

Προσεγγίσεις στην Κατασκευή των Agents

Δύο βασικά προβλήματα πρέπει να επιλυθούν κατά την κατασκευή (δημιουργία) των software agents. Το πρώτο πρόβλημα είναι αυτό της ικανότητας (competence): πώς αποκτά ένας agent τη γνώση που χρειάζεται για να αποφασίσει πότε πρέπει να βοηθήσει τον χρήστη και με ποιον τρόπο μπορεί να τον βοηθήσει; Το δεύτερο πρόβλημα είναι αυτό της εμπιστοσύνης (trust) : πώς μπορούμε να είμαστε σίγουροι ότι ο χρήστης αισθάνεται σίγουρος (άνετος) με το να αναθέτει εργασίες σ’ έναν agent;

Μπορούμε να διακρίνουμε δύο προσεγγίσεις για τη δημιουργία των interface agents, αλλά καμία απ’ αυτές δεν παρέχει μια ικανοποιητική λύση σ’ αυτά τα προβλήματα.

Η πρώτη προσέγγιση συνίσταται στο να μετατρέψουμε το πρόγραμμα του τελικού χρήστη σε interface agent. Για παράδειγμα, ένας χρήστης μπορεί να δημιουργήσει έναν agent για την ταξινόμηση της ηλεκτρονικής του αλληλογραφίας (electronic mail sorting agent), δημιουργώντας ένα σύνολο από κανονισμούς που επεξεργάζονται τα εισερχόμενα μηνύματα αλληλογραφίας και τα ταξινομούν (τοποθετούν) σε διάφορους φακέλους (folders).

Εφόσον δημιουργηθούν, αυτοί οι κανονισμοί εκτελούν εργασίες προς όφελος του χρήστη χωρίς να είναι απαραίτητο να επικαλούνται σαφώς από τον ίδιο τον χρήστη. Παρόμοια, μπορεί κάποιος να αγοράσει agents που να μπορούν να προγραμματισθούν από τον χρήστη για να παρέχουν υπηρεσίες φιλτραρίσματος πληροφοριών, όπως για παράδειγμα επιλογή ενός οποιουδήποτε καινούργιου άρθρου που αναφέρεται στο Πανεπιστήμιο Μακεδονίας κλπ.

Το κύριο πρόβλημα αυτής της προσέγγισης είναι ότι δεν ασχολείται σε ικανοποιητικό βαθμό με το κριτήριο ικανότητας. Απαιτεί πάρα πολύ διορατικότητα (insight), κατανόηση και προσπάθεια από τον τελικό χρήστη, εφόσον ο χρήστης πρέπει να :

  • Αναγνωρίσει την ευκαιρία απασχόλησης ενός agent.
  • Αναλάβει την πρωτοβουλία να δημιουργήσει έναν agent.
  • Προικίσει τον agent με σαφείς γνώσεις.
  • Προσαρμόσει τους κανονισμούς για τον agent με την πάροδο του χρόνου καθώς αλλάζουν οι συνήθειες εργασίας και τα ενδιαφέροντά του.

Η εμπιστοσύνη σ’ έναν agent αποτελεί ένα μικρότερο πρόβλημα σ’ αυτή την προσέγγιση, υπό τον όρο ότι ο χρήστης εμπιστεύεται τις δικές τους προγραμματιστικές ικανότητες. Όμως, τα προγράμματα που γράφουμε συνήθως συμπεριφέρονται διαφορετικά από το αναμενόμενο, ακόμα κι όταν εμείς οι ίδιοι εμπιστευόμαστε τις ικανότητές μας στον προγραμματισμό.

Η δεύτερη προσέγγιση, που αποκαλείται “knowledge-based approach”, δηλ. προσέγγιση που βασίζεται στη γνώση, συνίσταται στο να προικίσουμε έναν interface agent με εκτεταμένη γνώση υπόβαθρου που να είναι συγκεκριμένη σε κάποιον τομέα σχετικά με την εφαρμογή και τον χρήστη, που αποκαλούνται domain model και user model αντίστοιχα.

Αυτή η προσέγγιση έχει γίνει αποδεκτή από την πλειοψηφία των ανθρώπων που απασχολούνται στην Τεχνητή Νοημοσύνη σε θέματα σχετικά με intelligent user interfaces.

Αμφότερα τα κριτήρια ικανότητας και εμπιστοσύνης αποτελούν προβλήματα στην προσέγγιση που βασίζεται στη γνώση. Το πρώτο πρόβλημα που έχει να κάνει με την ικανότητα είναι ότι η προσέγγιση απαιτεί μια τεράστια εργασία από τον knowledge engineer. Μια μεγάλη ποσότητα γνώσης που να είναι συγκεκριμένη για την εφαρμογή (application-specific) και το πεδίο (domain-specific) πρέπει να καταχωρηθεί στη βάση γνώσεων (knowledge base) του agent. Λίγη απ’ αυτή τη γνώση ή την αρχιτεκτονική ελέγχου του agent μπορεί να χρησιμοποιηθεί όταν δημιουργούμε agents για άλλες εφαρμογές.

Το δεύτερο πρόβλημα είναι ότι η γνώση του agent είναι αμετάβλητη μια και έξω. Δεν μπορεί να προσαρμοστεί στις ατομικές συνήθειες και προτιμήσεις του χρήστη. Η δυνατότητα τού να μπορούμε να δώσουμε σ’ έναν agent όλη τη γνώση που χρειάζεται ώστε να κατανοεί πάντα τις μερικές φορές απρόβλεπτες ενέργειες του χρήστη, είναι αμφισβητήσιμη.

Εκτός από το πρόβλημα ικανότητας, υπάρχει επίσης ένα πρόβλημα με την εμπιστοσύνη. Δεν αποτελεί πιθανώς μια καλή ιδέα το να δώσουμε σ’ έναν χρήστη έναν interface agent που να είναι πολύ εξηζητημένος (sophisticated), προικισμένος (qualified) και αυτόνομος (autonomous) από το ξεκίνημα. Ένας τέτοιος agent θα δώσει στον χρήστη την αίσθηση της έλλειψης ελέγχου και κατανόησης. Εφόσον ο agent έχει προγραμματισθεί από κάποιον άλλον, ο χρήστης ίσως να μην έχει ένα καλό μοντέλο των περιορισμών του agent, του τρόπου με τον οποίο δουλεύει κλπ.

Εκπαιδεύοντας έναν Προσωπικό Ψηφιακό Βοηθό

Στην εργασία μας, εξερευνούμε μια εναλλακτική προσέγγιση στη δημιουργία interface agents που βασίζεται σε Machine Learning τεχνικές. Η υπόθεση που δοκιμάζεται είναι ότι, κάτω από συγκεκριμένες συνθήκες, ένας interface agent μπορεί να “προγραμματίσει τον εαυτό του”, δηλ. μπορεί να αποκτήσει τη γνώση που χρειάζεται για να βοηθήσει τον χρήστη του.

Στον agent δίνεται μια ελάχιστη γνώση υποβάθρου (background knowledge) και μαθαίνει την κατάλληλη “συμπεριφορά” από τον χρήστη στον οποίο ανήκει καθώς και από άλλους agents που ανήκουν σ’ άλλους χρήστες. Οι ιδιαίτερες συνθήκες που πρέπει να εκπληρωθούν είναι οι εξής :

  1. Η χρήση της εφαρμογής πρέπει να περιλαμβάνει μια ουσιαστική ποσότητα επαναληπτικής συμπεριφοράς (μέσα στις ενέργειες ενός χρήστη ή ανάμεσα στους χρήστες) και
  2. Αυτή η επαναληπτική συμπεριφορά είναι ενδεχομένως διαφορετική για διαφορετικούς χρήστες.

Αν δεν ικανοποιείται η δεύτερη συνθήκη, δηλ. η επαναληπτική συμπεριφορά που επιδεικνύεται από διαφορετικούς χρήστες είναι η ίδια, μια προσέγγιση που βασίζεται στη γνώση (knowledge-based) ίσως αποδειχθεί ότι παράγει αποτελέσματα ταχύτερα απ’ ό,τι μια προσέγγιση εκμάθησης (learning). Αν δεν ικανοποιείται η πρώτη συνθήκη, ένας learning agent δεν θα είναι ικανός να μάθει ο,τιδήποτε (επειδή δεν υπάρχουν καθόλου τακτικότητες στις ενέργειες του χρήστη από τις οποίες θα μπορέσει να μάθει).

Η προσέγγιση machine learning εμπνέεται από την αλληγορία (metaphor) ενός προσωπικού βοηθού (personal assistant). Αρχικά, ένας προσωπικός βοηθός δεν είναι και πολύ εξοικειωμένος με τις συνήθειες και τις προτιμήσεις του εργοδότη του και ίσως να μην είναι και πολύ χρήσιμος. Ο βοηθός χρειάζεται κάποιον χρόνο για να εξοικειωθεί με τις ιδιαίτερες μεθόδους εργασίας του εργοδότη του και του οργανισμού στον οποίο ανήκει.

Όμως, με κάθε εμπειρία που αποκτά ο βοηθός μπορεί να μάθει, είτε παρατηρώντας πώς ο εργοδότης εκτελεί τις εργασίες, λαμβάνοντας εντολές από τον εργοδότη ή μαθαίνοντας από άλλους πιο έμπειρους βοηθούς μέσα στον οργανισμό. Σταδιακά, όλο και περισσότερες εργασίες που αρχικά εκτελούνταν απευθείας από τον εργοδότη μπορούν να αναληφθούν τώρα από τον βοηθό.

Ο στόχος της έρευνάς μας είναι να αποδείξει ότι ένας learning interface agent μπορεί, μ’ έναν παρόμοιο τρόπο, να γίνει σιγά-σιγά περισσότερο χρήσιμος και ικανός. Επιπλέον, προσπαθούμε να αποδείξουμε ότι η προσέγγιση learning παρουσιάζει επίσης μια ικανοποιητική λύση στο πρόβλημα της εμπιστοσύνης. Αν ο agent σταδιακά αναπτύξει τις ικανότητές του -όπως συμβαίνει στην προσέγγιση που εξετάζουμε- ο χρήστης θα έχει επίσης χρόνο για να δημιουργήσει βαθμιαία ένα μοντέλο για το πώς ο agent θα λαμβάνει αποφάσεις, η οποία αποτελεί μια από τις προϋποθέσεις για μια σχέση εμπιστοσύνης.

Εισαγωγή στους Intelligent Agents 3

Για παράδειγμα, “Νόμιζα ότι ίσως θέλατε να αναλάβετε αυτή την εργασία επειδή αυτή η κατάσταση είναι παρόμοια με την άλλη κατάσταση που είδαμε πριν, στην οποία επίσης αναλάβατε αυτή την εργασία” ή “επειδή ο βοηθός Υ του ατόμου Ζ εκτελεί επίσης εργασίες με τον ίδιο τρόπο και εσείς και ο Ζ φαίνεται ότι έχετε τις ίδιες συνήθειες εργασίας”.

Τελικά, πιστεύουμε ότι η προσέγγιση learning έχει αρκετά πλεονεκτήματα σε σχέση με τις δύο προηγούμενες προσεγγίσεις. Πρώτα απ’ όλα, απαιτεί λιγότερη εργασία από τον τελικό χρήστη και τον application developer. Δεύτερο, ο agent μπορεί να προσαρμοστεί ευκολότερα στον χρήστη με την πάροδο του χρόνου και να μάθει τις ατομικές και οργανωτικές του προτιμήσεις και συνήθειες. Τελικά, η προσέγγιση βοηθάει στη μεταφορά πληροφορίας, συνηθειών και τεχνογνωσίας (know-how) ανάμεσα στους διάφορους χρήστες μιας κοινότητας (community). Τα αποτελέσματα που περιγράφονται αργότερα υποστηρίζουν όλες τις παραπάνω υποθέσεις και προβλέψεις.

Ένας learning agent αποκτά την ικανότητά του από τέσσερις διαφορετικές πηγές. Πρώτα απ’ όλα, ο interface agent μαθαίνει συνεχώς “κοιτώντας πάνω από τον ώμο” του χρήστη καθώς ο χρήστης εκτελεί εργασίες. Ο interface agent μπορεί να παρακολουθεί τις δραστηριότητες του χρήστη, να καταγράφει όλες τις ενέργειές του σε μεγάλες χρονικές περιόδους (εβδομάδες ή μήνες), να βρίσκει κανονικότητες (regularities) και επαναλαμβανόμενα υποδείγματα και να προσφερθεί να τις αυτοματοποιήσει.

Για παράδειγμα, αν ένας electronic mail agent παρατηρήσει ότι ένας χρήστης σχεδόν πάντοτε αποθηκεύει στον φάκελο pattie:email:int-int.txt τα μηνύματα που στέλνονται στην mailing list “intelligent-interfaces”, τότε μπορεί να αναλάβει την πρωτοβουλία και να αυτοματοποιήσει αυτή την εργασία την επόμενη φορά που διαβαστεί ένα μήνυμα απ’ αυτή την mailing list. Παρόμοια, αν ένας news filtering agent εντοπίσει μερικά υποδείγματα στα άρθρα που διαβάζει ο χρήστης, μπορεί να παρουσιάσει παρόμοια άρθρα στον χρήστη όταν τα ανακαλύψει.

Μια δεύτερη πηγή εκμάθησης είναι η άμεση και έμμεση ανάδραση χρήστη (direct and indirect user feedback). Η έμμεση ανάδραση συμβαίνει όταν ο χρήστης αγνοεί την πρόταση του agent και αναλαμβάνει μια διαφορετική ενέργεια. Αυτό μπορεί να είναι τόσο subtle (επιδέξιο) όσο ο χρήστης αλλάζει τη σειρά με την οποία διαβάζει τα εισερχόμενα μηνύματα, μη διαβάζοντας μερικά άρθρα που προτείνει ο agent ή διαβάζοντας άρθρα που δεν προτείνει ο agent. Ο χρήστης μπορεί επίσης να δώσει μια σαφή αρνητική ανάδραση για ενέργειες που αυτοματοποιούνται από τον agent (“μην το ξανακάνεις αυτό” ή “δεν μου άρεσε αυτό το άρθρο”).

Τρίτο, ο agent μπορεί να μάθει από παραδείγματα που δίνονται με σαφήνεια από τον χρήστη. Ο χρήστης μπορεί να εκπαιδεύσει τον agent δίνοντάς του υποθετικά παραδείγματα για συμβάντα και καταστάσεις και λέγοντάς του τι να κάνει σ’ αυτές τις περιπτώσεις. Ο interface agent καταγράφει τις ενέργειες, παρακολουθεί τις συσχετίσεις ανάμεσα στα αντικείμενα και αλλάζει τη βάση παραδειγμάτων του για να ενσωματώσει το παράδειγμα που φαίνεται.

Για παράδειγμα, ο χρήστης μπορεί να διδάξει σ’ έναν mail clerk agent να αποθηκεύει όλα τα μηνύματα που στέλνονται από ένα συγκεκριμένο άτομο σ’ έναν συγκεκριμένο φάκελο (folder) δημιουργώντας ένα υποθετικό παράδειγμα ενός μηνύματος email (όπου τουλάχιστον το πεδίο αποστολέα πρέπει να είναι ορισμένο) και σέρνοντας αυτό το μήνυμα στον επιλεγμένο φάκελο. Παρόμοια, ο χρήστης μπορεί να καθοδηγήσει έναν news filtering agent δίνοντάς του παραδείγματα άρθρων, όπως για παράδειγμα “επέλεξε ένα οποιοδήποτε άρθρο όπου υπάρχει η λέξη ΜΙΤ”.

Τελικά, μια τέταρτη μέθοδος που χρησιμοποιείται από τον interface agent για να αποκτήσει ικανότητες είναι να ρωτάει για συμβουλές από agents που βοηθούν άλλους χρήστες οι οποίοι έχουν την ίδια εργασία και που είναι πιθανό να έχουν αποκτήσει περισσότερη εμπειρία. Αν ένας agent δεν γνωρίζει ο ίδιος ποια είναι η κατάλληλη ενέργεια σε μια συγκεκριμένη κατάσταση, μπορεί να παρουσιάσει αυτή την κατάσταση σ’ άλλους agents και να ρωτήσει “ποια ενέργεια προτείνουν αυτοί γι’ αυτή την κατάσταση”.

Για παράδειγμα, αν φθάσει ένα μήνυμα email που έχει σταλεί από τον Nicholas Negroponte (τον διευθυντή του Media Lab), τότε ο email agent μπορεί να ρωτήσει άλλους agents τι να κάνει μ’ αυτό το μήνυμα. Αν η πλειοψηφία των άλλων agents συστήνει ότι το μήνυμα είναι υψηλής προτεραιότητας και πρέπει να το διαβάσει αμέσως ο χρήστης, τότε ο agent μπορεί να προσφέρει αυτή τη σύσταση στον χρήστη του, ακόμη κι αν ο agent δεν έχει ποτέ πριν παρατηρήσει τον χρήστη να ασχολείται με μηνύματα από τον Nicholas Negroponte.

Αντί να λαμβάνει τον μέσο όρο των συστάσεων απ’ όλους τους άλλους agents που υπάρχουν στην κοινότητα (community), ο χρήστης μπορεί επίσης να πληροφορήσει τον δικό του agent να δέχεται προτάσεις από έναν ή περισσότερους συγκεκριμένους agents οι οποίοι βοηθούν συγκεκριμένους χρήστες.

Για παράδειγμα, αν ένα άτομο στο εργαστήριο είναι ειδικός (expert) στη χρήση ενός συγκεκριμένου λογισμικού, τότε οι άλλοι χρήστες μπορούν να καθοδηγήσουν τους δικούς τους agents ώστε να δέχονται συμβουλές γι’ αυτό το λογισμικό από τον agent αυτού του χρήστη.

Επιπλέον, ο agent μπορεί να μάθει από εμπειρία ποιοι agents αποτελούν καλές πηγές για προτάσεις. Μπορεί να μάθει να εμπιστεύεται agents οι οποίοι έχουν αποδείξει στο παρελθόν ότι συστήνουν ενέργειες που ο χρήστης έχει εκτιμήσει. Ο entertainment selection agent που αναφέρθηκε προηγουμένως χρησιμοποιεί αυτή την τεχνική για να μάθει ποιοι άλλοι agents έχουν προτιμήσεις διασκέδασης παρόμοιες με τις προτιμήσεις του χρήστη του και αποτελούν συνεπώς καλές πηγές προτάσεων.

Μερικά Παραδείγματα από Υπάρχοντες Agents

Θα εξετάσουμε τέσσερα παραδείγματα agents που έχουν δημιουργηθεί χρησιμοποιώντας την προσέγγιση learning που αναφέραμε πρωτύτερα :

  • Ένας agent για χειρισμό ηλεκτρονικής αλληλογραφίας (electronic mail handling).
  • Ένας agent για προγραμματισμό συναντήσεων (meeting scheduling).
  • Ένας agent για φιλτράρισμα ηλεκτρονικών ειδήσεων (electronic news filtering).
  • Ένας agent που επιλέγει και προτείνει βιβλία, μουσική ή άλλες μορφές διασκέδασης.

Σήμερα πολλές πολύτιμες ώρες σπαταλούνται με το να ασχολούμαστε με άχρηστα e-mail, προγραμματισμό και επαναπρογραμματισμό συναντήσεων, αναζήτηση σχετικών πληροφοριών ανάμεσα σε σωρούς άσχετων πληροφοριών και ψάξιμο ανάμεσα από λίστες βιβλίων, μουσικής και τηλεοπτικών προγραμμάτων για να βρούμε κάτι ενδιαφέρον.

Ο Electronic Mail Agent

Είναι ένας agent που βοηθάει τον χρήστη στον χειρισμό της ηλεκτρονικής του αλληλογραφίας. Μαθαίνει να ορίζει προτεραιότητες (prioritize), να διαγράφει (delete), να προωθεί (forward), να ταξινομεί (sort) και να αρχειοθετεί (archive) τα μηνύματα αλληλογραφίας κατ’ εντολή (εξ ονόματος) του χρήστη.

Ο agent συνεχώς “κοιτάει πάνω από τον ώμο” του χρήστη καθώς αυτός ασχολείται με την ηλεκτρονική του αλληλογραφία. Καθώς ο χρήστης εκτελεί εργασίες, ο agent μνημονεύει όλα τα ζευγάρια κατάστασης-ενέργειας (situation-action pairs) που δημιουργούνται.

Για παράδειγμα, αν ο χρήστης αποθηκεύει ένα συγκεκριμένο μήνυμα ηλεκτρονικής αλληλογραφίας αφού το έχει διαβάσει, ο mail agent προσθέτει μια περιγραφή αυτής της κατάστασης και της ενέργειας που έκανε ο χρήστης στη μνήμη παραδειγμάτων που διαθέτει. Ο agent παρακολουθεί (καταγράφει) τον αποστολέα (sender) και τον παραλήπτη (receiver) του μηνύματος, τη λίστα κοινοποίησης (Cc: list), τις λέξεις κλειδιά (keywords) του θέματος (Subject), το αν το μήνυμα έχει διαβασθεί ή όχι, το αν πρόκειται για απάντηση (reply) σ’ ένα προηγούμενο μήνυμα κοκ.

Όταν λαμβάνει χώρα μια νέα κατάσταση, η οποία μπορεί να οφείλεται σε κάποια ενέργεια του χρήστη ή σε κάποιο εξωτερικό συμβάν, όπως είναι η άφιξη ενός μηνύματος, ο agent θα προσπαθήσει να προβλέψει τις ενέργειες του χρήστη, βασιζόμενος στα παραδείγματα που είναι αποθηκευμένα στη μνήμη του. Ο agent συγκρίνει την καινούργια κατάσταση με τις αποθηκευμένες καταστάσεις και προσπαθεί να βρει τις πιο κοντινές.

Οι πιο παρόμοιες απ’ αυτές τις αποθηκευμένες καταστάσεις συνεισφέρουν στην απόφαση για το ποια ενέργεια πρέπει να ληφθεί. Η τεχνική distance metric που χρησιμοποιείται είναι ένα ζυγισμένο άθροισμα των διαφορών για τα χαρακτηριστικά (features) που αποτελούν μια κατάσταση. Μερικά χαρακτηριστικά έχουν μεγαλύτερη βαρύτητα από άλλα.

Η βαρύτητα ενός χαρακτηριστικού καθορίζεται από τον agent. Μερικές φορές, για παράδειγμα το βράδυ, ο agent αναλύει τη μνήμη του και καθορίζει τις συσχετίσεις (correlations) ανάμεσα στα χαρακτηριστικά και τις ενέργειες που αναλαμβάνονται. Για παράδειγμα, ο agent μπορεί να εντοπίσει ότι το πεδίο “from” ενός μηνύματος email έχει υψηλή συσχέτιση με το αν ο χρήστης του διαβάζει το μήνυμα, ενώ το πεδίο “date” δεν συσχετίζεται. Οι συσχετίσεις που εντοπίζονται αναφέρονται σαν βαρύτητες (weights) στο distance metric.

Ο agent δεν προβλέπει μόνο ποια ενέργεια είναι κατάλληλη για την τρέχουσα κατάσταση. Μετράει επίσης την εμπιστοσύνη του σε κάθε πρόβλεψη. Το επίπεδο εμπιστοσύνης (confidence level) καθορίζεται από τα εξής :

  • Το αν όλες οι γειτονικές εκτιμήσεις έχουν προτείνει την ίδια ενέργεια ή όχι.
  • Πόσο κοντά/μακρυά βρίσκονται οι πιο κοντινές γειτονικές εκτιμήσεις.
  • Πόσα παραδείγματα έχει μνημονεύσει ο agent (ένα μέτρο της ακρίβειας των συσχετίσεων βαρύτητας).

Δύο κατώφλια (thresholds) καθορίζουν το πώς χρησιμοποιεί ο agent την πρόβλεψή του. Όταν το επίπεδο εμπιστοσύνης (confidence level) βρίσκεται πάνω από το κατώφλι “do-it”, τότε ο agent αυτόνομα αναλαμβάνει την ενέργεια εξ ονόματος (κατ’ εντολή) του χρήστη. Σ’ αυτή την περίπτωση, γράφει μια αναφορά (report) προς τον χρήστη σχετικά με την ενέργεια που ανέλαβε μόνος του. Ο χρήστης μπορεί να ζητήσει οποτεδήποτε από τον agent να του στείλει την αναφορά των αυτοματοποιημένων ενεργειών.

Αν το επίπεδο εμπιστοσύνης βρίσκεται πάνω από το κατώφλι “tell-me”, τότε ο agent θα κάνει την πρότασή του στον χρήστη, αλλά θα περιμένει την επιβεβαίωση του χρήστη για να αυτοματοποιήσει την ενέργεια. Ο χρήστης είναι υπεύθυνος στο να ορίσει τα κατώφλια “tell-me” και “do-it” για τις ενέργειες σε επίπεδα όπου ο χρήστης αισθάνεται πιο άνετος. Για παράδειγμα, αν ο χρήστης δεν αισθάνεται άνετα αν ο agent διαγράφει μηνύματα αυτόνομα, τότε ο χρήστης μπορεί να ορίσει το κατώφλι “do-it” γι’ αυτή την ενέργεια στο μέγιστο.

Ο agent ενημερώνει τον χρήστη για την εσωτερική του κατάσταση (internal state) με εκφράσεις προσώπου (facial expressions). Αυτές εμφανίζονται σ’ ένα μικρό παράθυρο στην οθόνη του χρήστη. Τα πρόσωπα έχουν έναν λειτουργικό σκοπό : κάνουν δυνατό για τον χρήστη το να έχει μια ενημέρωση για το τι κάνει ο agent με “το κλείσιμο ενός ματιού”. Υπάρχουν πρόσωπα για “σκεπτόμενος” (όπου ο agent συγκρίνει την τρέχουσα κατάσταση με τις μνημονευμένες καταστάσεις), “εργαζόμενος” (όπου ο agent αυτοματοποιεί μια ενέργεια), “προτείνων” (όπου ο agent έχει μια πρόταση να κάνει), “αβέβαιος” (όπου ο agent δεν έχει αρκετή εμπιστοσύνη στην πρόταση που θέλει να κάνει) κλπ.

Τα “χαρούμενα” και “θολωμένα” πρόσωπα βοηθούν τον χρήστη να αποκτά πληροφορίες για την ικανότητα του agent (αν ο agent ποτέ δεν κάνει δικές του προτάσεις αλλά πάντα δείχνει ένα χαρούμενο πρόσωπο αφού ο χρήστης αναλάβει μια ενέργεια, τότε προφανώς πρέπει να χαμηλώσει το κατώφλι “tell-me”). Όλοι οι agents σκόπιμα έχουν σχεδιαστεί σαν απλά πρόσωπα καρτούν, έτσι ώστε να μην ενθαρρυνθεί ένας αδικαιολόγητος προσδιορισμός νοημοσύνης ανθρώπινου επιπέδου.

Ο agent Maxims σταδιακά αποκτά ικανότητες παρατηρώντας τον χρήστη και συγκεντρώνοντας περισσότερα παραδείγματα. Για να μπορέσει να ασχοληθεί μ’ αυτό το αργό αρχικό πρόβλημα, υπάρχουν δύο επιπλέον σχήματα απόκτησης ικανότητας. Πρώτα απ’ όλα, είναι δυνατό για τον χρήστη να καθοδηγήσει τον agent με σαφήνεια. Αν ο χρήστης δεν θέλει να περιμένει να επιλέξει ο agent ένα συγκεκριμένο υπόδειγμα, τότε μπορεί ο χρήστης να δημιουργήσει μια υποθετική κατάσταση και να δείξει στον agent τι πρέπει να γίνει.

Αυτή η λειτουργικότητα πραγματοποιείται προσθέτοντας το παράδειγμα στη μνήμη του agent, περιλαμβάνοντας χαρακτήρες μπαλαντέρ (“wildcards”) για τα χαρακτηριστικά που δεν καθορίσθηκαν στην υποθετική κατάσταση. Για παράδειγμα, ο χρήστης μπορεί να δημιουργήσει ένα υποθετικό μήνυμα από τον Negroponte και να δείξει στον agent ότι αυτό το μήνυμα έχει υψηλή προτεραιότητα. Το νέο ζευγάρι κατάστασης-ενέργειας θα ταιριάξει μ’ όλες τις καταστάσεις στις οποίες έχει ληφθεί ένα μήνυμα e-mail από τον Negroponte. Μεταβάλλοντας τον τρόπο με τον οποίο αντιμετωπίζονται τέτοια υποθετικά παραδείγματα όταν επιλέγουμε μια ενέργεια και όταν μεταγλωττίζουμε στατιστικές, μπορούν να εφαρμοσθούν εξ ορισμού και hard-and-fast κανονισμοί μέσα στο memory-based learning framework [11].

Μια δεύτερη μέθοδος η οποία επιτρέπει στον agent να ξεκινήσει εντελώς από την αρχή είναι η συνεργασία πολλών agents (multi-agent collaboration). Όταν ο agent δεν έχει αρκετή εμπιστοσύνη στην πρόβλεψή του (δηλ. εμπιστοσύνη μικρότερη από το κατώφλι “tell-me”), ζητάει βοήθεια από άλλους agents οι οποίοι βοηθούν άλλους χρήστες στην ηλεκτρονική τους αλληλογραφία. Ο agent στέλνει ένα μέρος από την περιγραφή της κατάστασης σ’ άλλους agents μέσω e-mail και περιμένει τις απαντήσεις τους.

Για παράδειγμα, αν ένα νέο ζευγάρι χρήστη/agent στο Media Lab λάβει ένα μήνυμα από τον Negroponte, τότε αυτός ο agent θα ρωτήσει άλλους agents τι πρέπει να κάνει μ’ αυτό το μήνυμα. Μερικοί agents θα του συστήνουν ότι το μήνυμα είναι σημαντικό και πρέπει να παρουσιασθεί αμέσως στον χρήστη για ανάγνωση. Ο agent θα κάνει μια πρόβλεψη με βάση τις διαφορετικές προτάσεις (εισηγήσεις) που θα λάβει. Ο agent βαθμιαία μαθαίνει ποιοι από τους άλλους agents είναι εμπιστευτικές πηγές πληροφοριών για συγκεκριμένες κατηγορίες προβλημάτων. 

Ο κάθε agent δημιουργεί ένα μοντέλο (υπόδειγμα) για το πόσο πολύ εμπιστεύεται τις συμβουλές των άλλων agents. Το επίπεδο εμπιστοσύνης (trust level) αυξάνεται ή μειώνεται όταν η ενέργεια που τελικά θα αναλάβει ο χρήστης συγκριθεί με τις συστάσεις (και τα επίπεδα εμπιστοσύνης) των ομότιμων agents. Η επικοινωνία των πολλών agents είναι μια εξαιρετική μέθοδος για τη μεταφορά πληροφοριών και ικανοτήτων ανάμεσα σε διαφορετικούς χρήστες σε μια ομάδα εργασίας.

Ο Meeting Scheduling Agent

Ο agent αυτός μπορεί να βοηθήσει έναν χρήστη στην οργάνωση των συναντήσεών του (αποδοχή/απόρριψη, χρονοδιάγραμμα, διαπραγμάτευση ωρών συνάντησης κ.ά.).

Η οργάνωση συναντήσεων αποτελεί ένα ακόμη παράδειγμα μιας εργασίας η οποία εκπληρώνει τα κριτήρια για τους learning interface agents : η συμπεριφορά των χρηστών είναι επαναλαμβανόμενη αλλά παρ’ όλα αυτά πολύ διαφορετική για τον κάθε χρήστη ατομικά. Μερικοί προτιμούν συναντήσεις το πρωί, ενώ άλλοι το απόγευμα. Μερικοί θέλουν να ομαδοποιούν τις συναντήσεις, ενώ άλλοι να τις απλώνουν.

Διαφορετικοί άνθρωποι χρησιμοποιούν διαφορετικά κριτήρια για το ποιες συναντήσεις είναι σημαντικές, ποιοι απ’ αυτούς που τις οργανώνουν είναι σημαντικοί κλπ. Η προσέγγιση του learning interface agent είναι ιδανική για να βοηθάει τον χρήστη μ’ έναν πολύ προσωπικό τρόπο αυτοματοποιώντας τον χρονοπρογραμματισμό εργασιών σύμφωνα με τις μοναδικές συνήθειες του χρήστη.

Ο News Filtering Agent

Πιθανώς ένα από τους πιο χρήσιμους agents είναι ένας agent που βοηθάει τον χρήστη να επιλέξει άρθρα από μια συνεχή ροή ειδήσεων (news). Καθώς όλο και περισσότερες πληροφορίες γινονται διαθέσιμες στο Internet, οι χρήστες όλο και περισσότερο ψάχνουν απεγνωσμένα κάποια εργαλεία που θα τους βοηθήσουν να φιλτράρουν αυτή τη ροή των πληροφοριών και να βρουν άρθρα που να τους ενδιαφέρουν. Το NewT είναι ένα σύστημα που βοηθάει τους χρήστες να φιλτράρουν το Usenet Netnews.

Ένας χρήστης μπορεί να δημιουργήσει έναν ή πολλούς “agents ειδήσεων” (“news agents”) και να τους εκπαιδεύσει με παραδείγματα άρθρων που πρέπει ή δεν πρέπει να επιλεγούν. Για παράδειγμα, το σχήμα 8 δείχνει τέσσερις agents (και εικόνες) που έχουν δημιουργηθεί από έναν χρήστη : έναν για επιχειρηματικές ειδήσεις, έναν για πολιτικές ειδήσεις, έναν για ειδήσεις υπολογιστών και έναν για αθλητικές ειδήσεις. Ένας agent αρχικοποιείται δίνοντάς του μερικά θετικά και αρνητικά παραδείγματα άρθρων που πρέπει να ανακτηθούν.

Ο agent κάνει μια πλήρη ανάλυση κειμένου για να ανακτήσει τις λέξεις του κειμένου που μπορεί να είναι σχετικές. Θυμάται επίσης τις δομημένες πληροφορίες του άρθρου, όπως είναι ο συγγραφέας, η πηγή (source), οι αλφαβητικοί κατάλογοι (indices) κλπ. Ο χρήστης μπορεί επίσης να προγραμματίσει τον agent με σαφήνεια και να γεμίσει ένα σύνολο προτύπων άρθρων (templates of articles) που πρέπει να επιλεγούν, όπως για παράδειγμα επέλεξε όλα τα άρθρα ενός δημοσιογράφου από την εφημερίδα «Η Καθημερινή».

Αφότου ένας agent γίνει αυτοδύμανος, θα αρχίσει να συστήνει άρθρα στον χρήστη. Ο χρήστης μπορεί να τού δώσει θετική ή αρνητική ανάδραση (feedback) για άρθρα ή κομμάτια άρθρων που του έχει συστήσει. Για παράδειγμα, ο χρήστης μπορεί να τονίσει (highlight) μια λέξη ή παράγραφο και να δώσει επιλεκτικά θετική ή αρνητική ανάδραση. Ο χρήστης μπορεί επίσης να επιλέξει τον συγγραφέα ή την πηγή και να δώσει θετική και αρνητική ανάδραση. Αυτό θα αυξήσει ή θα μειώσει την πιθανότητα ότι ο agent θα συστήσει παρόμοια άρθρα στο μέλλον.

Οι agents είναι ικανοί να συστήσουν άρθρα στον χρήστη που αφορούν θέματα (ή συγγραφείς ή πηγές) στα οποία ο χρήστης έχει δείξει ένα συνεχές ενδιαφέρον. Ο χρήστης είναι πάντα υπεύθυνος στο να ψάχνει τις πηγές των ειδήσεων για να βρει λιγότερο προβλέψιμα ενδιαφέροντα άρθρα.

Εφόσον βρεθούν τέτοια άρθρα, ο χρήστης μπορεί να εκπαιδεύσει τον agent στο να επιλέγει αυτά τα είδη των άρθρων στο μέλλον. Οι χρήστες άρεσαν τη χρήση του συστήματος και το βρήκαν πολύ χρήσιμο. Ο κύριος περιορισμός του συστήματος είναι ότι είναι αυστηρά περιορισμένο μόνο σε λέξεις κλειδιά.

Όμως, αν γίνει διαθέσιμη μια μέθοδος για βαθύτερη semantic analysis των κειμένων, για παράδειγμα σαν αποτέλεσμα μιας αναζήτησης της κατανόησης της φυσικής γλώσσας, αυτή η βαθύτερη εκπροσώπηση μπορεί να μαθευτεί χρησιμοποιώντας τις ίδιες στατιστικές τεχνικές εμκάθησης όπως χρησιμοποιούνται επί του παρόντος για σχετικές λέξεις κλειδιά.

Ο Entertainment Selection Agent

Μια τέταρτη και τελευταία περιοχή εφαρμογής είναι η επιλογή διασκέδασης (entertainment selection). Δεν υπάρχουν ακόμα μηχανισμοί που να βοηθούν τους ανθρώπους να επιλέγουν ταινίες, βιβλία, προγράμματα τηλεόρασης και ραδιοφώνου που να στηρίζονται στις προσωπικές τους προτιμήσεις (γούστα).

Όμως, μόλις η διασκέδαση γίνει πιο αλληλεπιδραστική, οι agents μπορούν να προσφέρουν προσωπικές συστάσεις και κριτικές. Οι agents σ’ αυτά τα συστήματα χρησιμοποιούν “κοινωνικό φιλτράρισμα” (“social filtering”). Δεν προσπαθούν να συσχετίσουν τα ενδιαφέροντα του χρήστη με τα περιεχόμενα των στοιχείων που συστήνονται. Αντίθετα, βασίζονται αποκλειστικά σε συσχετίσεις ανάμεσα σε διαφορετικούς χρήστες.

Σ’ αυτά τα συστήματα, ο κάθε χρήστης διαθέτει έναν agent ο οποίος απομνημονεύει ποια βιβλία ή μουσικά άλμπουμς έχει αποτιμήσει ο χρήστης του και πόσο πολύ τα άρεσε ο χρήστης. Μετά, οι agents κάνουν συγκρίσεις μ’ άλλους agents. Ένας agent βρίσκει άλλους agents που είναι συσχετισμένοι, δηλαδή, agents που έχουν τιμές για παρόμοια στοιχεία και οι τιμές των οποίων είναι θετικά συσχετισμένες με τις τιμές αυτού του agent. Οι agents δέχονται συστάσεις από άλλους συσχετισμένους agents.

Βασικά, αυτό σημαίνει ότι, αν ο χρήστης Α και ο χρήστης Β έχουν παρόμοια μουσικά γούστα και ο Α έχει αποτιμήσει θετικά ένα άλμπουμ το οποίο ο Β δεν έχει ακόμα αποτιμήσει, τότε αυτό το άλμπουμ συστήνεται στον χρήστη Β. Ο πραγματικός αλγόριθμος είναι λίγο περισσότερο πολύπλοκος με την έννοια ότι οι agents συνδυάζουν τις συστάσεις από πολλούς σχετικούς agents, παρά έναν μόνο σχετικό agent.

Εισαγωγή στους Intelligent Agents 4
Εισαγωγή στους Intelligent Agents 4

Ένα πρόβλημα μ’ αυτή την εκκίνηση είναι πώς να εκκινήσει αυτόματα όλο το σύστημα, έτσι ώστε αρκετά δεδομένα να είναι διαθέσιμα για τους agents για να αρχίσουν να αντιλαμβάνονται τους συσχετισμούς και να κάνουν συστάσεις. Ένα δεύτερο πρόβλημα είναι ότι οι χρήστες μπορεί να σταματήσουν να βασίζονται πάρα πολύ στο σύστημα σύστασης και ίσως να μην εισάγουν στο σύστημα καινούργια στοιχεία που ανακάλυψαν οι ίδιοι.

Για να αντιμετωπιστούν και τα δύο αυτά προβλήματα, δημιουργούνται “εικονικοί χρήστες” (“virtual users”) οι οποίοι αντιπροσωπεύουν μια συγκεριμένη προτίμηση, για παράδειγμα ένας εικονικός “Madonna fan” χρήστης, που έχει υψηλή εκτίμηση γι’ όλα τα άλμπουμς της Madonna και καθόλου άλλες εκτιμήσεις ή ένας εικονικός “cyberspace fan” χρήστης, που έχει υψηλή εκτίμηση (βαθμολογία) γι’ όλα τα βιβλία του κυβερνοχώρου και καθόλου άλλες εκτιμήσεις.

Παρόμοια, μπορεί να δημιουργηθεί ένας εικονικός χρήστης για μια εκδοτική εταιρεία, όπως ο “MIT Press fan” ο οποίος έχει υψηλή βαθμολογία γι’ όλα τα βιβλία της MIT Press. Καταχωρώντας τέτοια εικονικά στοιχεία χρηστών στο σύστημα, το σύστημα των agents μπορεί να εκκινήσει αυτόματα και οι agents για τους αληθινούς χρήστες μπορούν να συσχετιστούν με τους εικονικούς χρήστες.

Χρήση των Agents σε Δημόσια Υπηρεσία

Θα δούμε ένα παράδειγμα χρήσης των intelligent agents για την οργάνωση και αυτόματη διεκπεραίωση της ηλεκτρονικής αλληλογραφίας μιας δημόσιας υπηρεσίας και πιο συγκεκριμένα της Διεύθυνσης Δευτεροβάθμιας Εκπαίδευσης του Ν. Φλώρινας.

Στη Δευτεροβάθμια Εκπαίδευση του Ν. Φλώρινας υπάρχουν οι εξής τρεις περιοχές ευθύνης :

  • Α’ Περιοχή, που περιλαμβάνει τα σχολεία μέσα στην πόλη της Φλώρινας και έχει 3 Γυμνάσια, 3 Ενιαία Λύκεια, 3 ΤΕΕ και 1 Γυμνάσιο με Λυκειακές Τάξεις.
  • Β’ Περιοχή, που περιλαμβάνει τα σχολεία στην Επαρχία της Φλώρινας και εκτός της πόλης της Φλώρινας και έχει 7 Γυμνάσια.
  • Γ’ Περιοχή, που περιλαμβάνει τα σχολεία στην ευρύτερη περιοχή του Αμυνταίου και έχει 4 Γυμνάσια, 1 Ενιαίο Λύκειο, 1 ΤΕΕ και 1 Γυμνάσιο με Λυκειακές Τάξεις.

Η ηλεκτρονική αλληλογραφία που διακινείται στην Διεύθυνση Δευτεροβάθμιας Εκπαίδευσης του Ν. Φλώρινας χωρίζεται στην εξερχόμενη και στην εισερχόμενη αλληλογραφία. Η χρήση των agents έχει νόημα όταν ο φόρτος των εξερχομένων και εισερχομένων εγγράφων είναι μεγάλος και θεωρείται απαραίτητη η βοήθεια των agents για να χειριστούν αυτόματα την προώθηση και την ταξινόμηση των εγγράφων αυτών.

Τα στοιχεία ενός εγγράφου που ενδιαφέρουν έναν agent είναι τα εξής :

  • Θέμα
  • Σχετικά
  • Κύριοι Αποδέκτες (Προς)
  • Αποδέκτες Κοινοποίησης (Κοιν.)
  • Ημερομηνία
  • Αριθμός Πρωτοκόλλου
  • Επείγον
  • E-mail υπαλλήλου που το χειρίστηκε

Ο agent της εξερχόμενης αλληλογραφίας θα πρέπει να είναι ικανός να επιτελεί τις εξής εργασίες :

  • Να διακινεί αυτόματα τα έγγραφα στα σχολεία στα οποία πρέπει να πάνε, στηριζόμενος στο πεδίο Προς.
  • Να κοινοποιεί αυτόματα τα έγγραφα στα σχολεία στα οποία πρέπει να πάνε, στηριζόμενος στο πεδίο Κοιν.
  • Αν στο πεδίο Προς υπάρχει η καταχώρηση «Προς Όλα τα Σχολεία του Ν. Φλώρινας», θα πρέπει να διακινήσει τα έγγραφα προς όλα ανεξαιρέτως τα σχολεία και των τριών Περιοχών.
  • Αν στο πεδίο Προς υπάρχει η καταχώρηση «Προς Όλα τα Σχολεία της Α’ Περιοχής του Ν. Φλώρινας», θα πρέπει να διακινήσει τα έγγραφα μόνο προς τα σχολεία της Α’ Περιοχής.
  • Αν στο πεδίο Προς υπάρχει η καταχώρηση «Προς Όλα τα Γυμνάσια του Ν. Φλώρινας», θα πρέπει να διακινήσει τα έγγραφα μόνο προς τα Γυμνάσια του Νομού Φλώρινας.
  • Αν στο πεδίο Προς υπάρχει η καταχώρηση «Προς Όλα τα Ενιαία Λύκεια του Ν. Φλώρινας», θα πρέπει να διακινήσει τα έγγραφα μόνο προς τα Ενιαία Λύκεια αλλά και τα Γυμνάσια που διαθέτουν Ενιαίες Λυκειακές Τάξεις.
  • Αν στο πεδίο Προς υπάρχει η καταχώρηση «Προς Όλα τα Γυμνάσια της Α’ Περιοχής του Ν. Φλώρινας», θα πρέπει να διακινήσει τα έγγραφα μόνο προς τα Γυμνάσια της Α’ Περιοχής του Νομού Φλώρινας.
  • Να προσθέτει την ένδειξη Επείγον όταν χρειάζεται.
  • Να ενημερώνει τον αρμόδιο υπάλληλο αν κάποια από τα έγγραφά του δεν κοινοποιήθηκαν.
  • Να στέλνει συνημμένα τα αντίστοιχα έγγραφα όταν υπάρχει καταχώρηση στο πεδίο Σχετικό.
  • Να ταξινομεί (τοποθετεί) αυτόματα ένα εξερχόμενο έγγραφο στον αντίστοιχο φάκελλο αφού γίνει η διεκπεραίωσή του, δηλ. στον φάκελο Γυμνάσια αν πρόκειται για έγγραφο που αφοράν μόνο όλα τα Γυμνάσια.
  • Αν ο χρήστης, λόγω ύπαρξης πολλών εγγράφων, αναγκαστεί να δημιουργήσει ξεχωριστούς φακέλους για το κάθε Γυμνάσιο, θα πρέπει ο agent να είναι ικανός από μόνος του να καταχωρεί στον αντίστοιχο φάκελο τα έγγραφα που αφορούν το κάθε Γυμνάσιο ξεχωριστά.
  • Αν υπάρχουν έγγραφα που αφορούν περισσότερα από ένα Γυμνάσια, αλλά όχι όλα τα Γυμνάσια, θα πρέπει ο agent να είναι ικανός από μόνος του να δημιουργεί αντίγραφα του εγγράφου και να τα καταχωρεί σ’ όλους φακέλους απαιτείται.
  • Ένα έγγραφο που αφορά Ενιαία Λύκεια θα πρέπει να κοινοποιείται αυτόματα και στα Γυμνάσια που διαθέτουν Ενιαίες Λυκειακές Τάξεις.

Ο agent της εισερχόμενης αλληλογραφίας θα πρέπει να είναι ικανός να επιτελεί τις εξής εργασίες :

  • Να ταξινομεί (τοποθετεί) αυτόματα ένα εισερχόμενο έγγραφο στον αντίστοιχο φάκελο, δηλ. στον φάκελο Γυμνάσια αν πρόκειται για έγγραφο που ήρθε από ένα Γυμνάσιο.
  • Αν ο χρήστης, λόγω ύπαρξης πολλών εγγράφων, αναγκαστεί να δημιουργήσει ξεχωριστούς φακέλους για το κάθε Γυμνάσιο, θα πρέπει ο agent να είναι ικανός από μόνος του να καταχωρεί στον αντίστοιχο φάκελο τα έγγραφα που αφορούν το κάθε Γυμνάσιο ξεχωριστά.
  • Να δημιουργεί ένα αντίγραφο του εισερχομένου εγγράφου και να το τοποθετεί στον φάκελο του αρμόδιου υπαλλήλου. Για παράδειγμα, στον φάκελο ΠΛΗΝΕΤ αν πρόκειται για έγγραφο που αφορά θέματα πληροφορικής. Αν το έγγραφο δεν έχει σαφή παραλήπτη, θα πρέπει να είναι ικανός ο agent να καταλάβει τον αποδέκτη του εγγράφου από το κείμενο που υπάρχει στο πεδίο Θέμα του εγγράφου.
  • Αν ο agent δεν είναι σε θέση να καταλάβει σε ποιον απευθύνεται το έγγραφο, θα πρέπει να είναι ικανός να το τοποθετήσει στον φάκελο Γραμματεία.
  • Αν το εισερχόμενο έγγραφο έχει στο πεδίο Σχετικό μια αναφορά σε έγγραφο το οποίο δεν μπόρεσε να εντοπίσει ο agent, θα πρέπει να είναι ικανός ο agent να στείλει μόνος του ένα μήνυμα στο σχολείο και να ζητήσει το σχετικό έγγραφο.

Συμπεράσματα

Καθώς οι υπολογιστές χρησιμοποιούνται όλο και πιο πολύ σε πολλές εργασίες και εισάγονται σε πολλές υπηρεσίες, οι χρήστες θα χρειαστούν βοήθεια για να αντιμετωπίσουν αυτή την υπερφόρτωση πληροφοριών και εργασίας. Οι interface agents αλλάζουν ριζικά το στυλ της αλληλεπίδρασης ανθρώπου-μηχανής (human-computer interaction). Ο χρήστης μεταβιβάζει μια ομάδα εργασιών σε προσωπικούς agents οι οποίοι μπορούν να ενεργούν κατ’ εντολή του χρήστη. Έχουμε μοντελοποιήσει έναν interface agent με τηξ αλληγορία του προσωπικού βοηθού (personal assistant). Ο agent σταδιακά μαθαίνει πώς να βοηθάει καλύτερα τον χρήστη :

  • Παρατηρώντας και μιμούμενος τον χρήστη.
  • Λαμβάνοντας θετική και αρνητική ανάδραση από τον χρήστη.
  • Λαμβάνοντας σαφείς οδηγίες από τον χρήστη.
  • Ρωτώντας άλλους agents για συμβουλές.

Αυτοί οι agents έχει δείξει ότι αντιμετωπίζουν δύο από τα δυσκολότερα προβλήματα που εμπλέκονται κατά τη δημιουγία των interface agents. Οι agents είναι ικανοί : γίνονται πιο χρήσιμοι καθώς συσσωρεύουν γνώσεις για το πώς χειρίζεται συγκεκριμένες καταστάσεις ο χρήστης. Μπορούμε να τους εμπιστευθούμε : ο χρήστης είναι ικανός να δημιουργήσει σταδιακά ένα μοντέλο των ικανοτήτων και των περιορισμών του agent.

Ακόμη κι αν τα αποτελέσματα απ’ αυτή την πρώτη γενιά των agents είναι ενθαρρυντικά, παραμένουν πολλές ανοικτές ερωτήσεις για μελλοντική έρευνα. Μερικές απ’ αυτές είναι θέματα σχετικά με την διεπαφή (interface) του χρήστη :

  • Πρέπει να υπάρχουν ένας ή πολλοί agents;
  • Πρέπει οι agents να χρησιμοποιούν εκφράσεις προσώπου και άλλα μέσα προσωποποίησης;
  • Ποια είναι η καλύτερη αλληγορία (μεταφορά) για τους interface agents;

Άλλες ερωτήσεις είναι πιο αλγοριθμικές και τεχνικές :

  • Πώς μπορούμε να εγγυηθούμε την ιδιωτικότητα του χρήστη, ιδιαίτερα αν οι agents επικοινωνούν μεταξύ τους για θέματα που αφορούν τους χρήστες τους;
  • Πώς μπορούν ετερογενείς agents, κατασκευασμένοι από διαφορετικούς κατασκευαστές και χρησιμοποιώντας διαφορετικές τεχνικές, να συνεργαστούν;
  • Πώς μπορεί να επινοηθεί ένα σύστημα από κίνητρα, έτσι ώστε οι χρήστες να παρακινούνται να μοιράζονται τις γνώσεις που έχουν αποκτήσει οι έμπειροι agents που διαθέτουν;
  • Σπουδαιότερο απ’ όλα, από μια νομική σκοπιά, πρέπει ένας χρήστης να θεωρείται υπεύθυνος για τις ενέργειες και τις συναλλαγές του agent που διαθέτει;

Πηγή:

ΠΛΗ.ΝΕ.Τ

Αν βρήκατε το άρθρο μας χρήσιμο, θέλετε να μείνετε ενημερωμένοι για όλα τα νέα στο τομέα της τεχνολογίας καθώς και σε χρηστικά άρθρα, βοηθήστε μας κάνοντας like στην σελίδα μας στο Facebook πατώντας εδώ

(Visited 183 times, 1 visits today)

Μοιραστείτε το άρθρο

Ετικέτες: , Last modified: 03/12/2019