ALF

Advanced Learning Framework

KompetenzzentrumInformation Retrieval and Machine Learning  
KontaktProf. Dr. Sahin Albayrak, Dipl.-Inf. Christian Scheel
Partner: Prof. Obermayer, NI, TU Berlin  

 

In ALF werden Ansätze zur verteilten, agentenbasierten Filterung von Informationen untersucht. Das wesentliche Merkmal der in ALF erarbeiteten Lösung ist die Nutzung von Filtergemeinschaften für verschiedene Datenbanken. Jede Filtergemeinschaft besteht aus diversen Filteragenten sowie einem Filter-Manager, der die Kooperation der Agenten steuert. Die Kooperation zwischen verschiedenen Filtergemeinschaften erfolgt durch Delegation von Aufgaben. Zusammen erfüllen der Koordinations- und Kooperationsmechanismus drei wesentliche Aufgaben: Zunächst wird die Aktivierung von Filteragenten, für die nicht genug Ressourcen zur Verfügung stehen, vermieden. Weiterhin lernt der Filter-Manager durch Benutzer-Feedback, welche Filteragenten für bestimmte Anfragen geeignet sind. Schließlich führt die Koordination mehrerer Filteragenten zu erhöhter Robustheit, da beim Ausfall eines ausgewählten Filteragenten ein alternativer Agent einspringt.

Ziele

  • Auf dem Framework JIAC IV aufbauend soll eine Software-Infrastruktur für die Ausführung von Manager- und Filter-Agenten und deren Kommunikation entwickelt werden.
  • Es sollen Strategien für Manager-Agenten entwickelt werden, um effiziente Gemeinschaften von Filter-Agenten zusammenzustellen, diesen Aufträge zuzuteilen und mit anderen Gemeinschaften zu kooperieren.
  • Ein Spektrum von Filter-Methoden soll als unterschiedliche Filter-Agenten-Typen implementiert werden. Insbesondere sollen für diese Methoden Prognosen der Qualität vor und nach einer Bearbeitung möglich sein. Ebenfalls sollen Abschätzungen des Ressourcen-Aufwands gegeben werden können.
  • Die Eigenschaften des Systems und verschiedener Manager-Strategien sollen untersucht werden. Empirische Untersuchungen werden nach der Implementierung mit synthetischen Daten und realen wissenschaftlichen Papieren durchgeführt.

Realisierung

Erfahrungen, die in den Projekten URLAUB und PIA des DAI-Labor gewonnen wurden, motivieren eine Erweiterung der Architekturen dieser Projekte, um die Flexibilität von Multi-Agenten-Systemen mit der Anpassungsfähigkeit von Verfahren des maschinellen Lernens zu kombinieren. Dazu werden in unterschiedlichen Filter-Agenten verschiedene Methoden des maschinellen Lernens implementiert, die einer an Benutzerbewertungen angepassten Filterung von Datenquellen dienen. Ein Manager-Agent stellt für eine Informationsquelle aus diesen Filter-Agenten eine Gruppe (Gemeinschaft) zusammen, entscheidet, welcher Filter-Agent seiner Gemeinschaft eine Anfrage bearbeitet, und kooperiert mit anderen Gemeinschaften. Filter-Agenten werden vordergründig aufgrund ihrer zu erwartenden Qualität der Filter-Ergebnisse ausgewählt. Eine hohe Skalierbarkeit des Systems soll dadurch erreicht werden, dass der Manager-Agent auch die Verfügbarkeit von Ressourcen wie Rechenzeit und Speicher in seinen Entscheidungen mit berücksichtigen kann. Dabei steht in diesem Projekt die Untersuchung der Frage, wann ein solches heterogenes und lernfähiges System gegenüber einem homogenen System Vorteile aufweist, im Vordergrund.