Análise de pós-design para aplicações de planejamento em IA.

• Ano de defesa: 2011
• Autor(a) principal: Vaquero, Tiago Stegun
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Artificial Intelligence (planning); Design; Inteligência Artificial (planejamento); Knowledge representation; Mecatrônica; Mechatronics; Representação de conhecimento
• Link de acesso: http://www.teses.usp.br/teses/disponiveis/3/3152/tde-11042011-074633/

Desde o final da década de 1990 existe um interesse crescente na aplicação de técnicas de planejamento automático em IA para resolver problemas reais de engenharia. Além das características dos problemas acadêmicos, tais como a necessidade de raciocinar sobre as ações, problemas reais requerem elicitação, engenharia e gerenciamento detalhado do conhecimento do domínio. Para tais aplicações reais, um processo de design sistemático é necessário onde as ferramentas de Engenharia do Conhecimento e de Requisitons têm um papel fundamental. Esforços acadêmicos recentes na área da Engenharia do Conhecimento em planejamento automático vêm desenvolvido ferramentas e técnicas de apoio ao processo de design de modelos do conhecimento. Porém, dada a natural incompletude do conhecimento, experiência prática em aplicações reais, como por exemplo exploração do espaço, tem mostrado que, mesmo com um processo disciplinado de design, requisitos de pontos de vista diferente (por exemplo, especialistas, usuários e patrocinadores) ainda surgem após a análise, geração e execução de planos. A tese central deste texto é que uma fase de análise de pós-design para o desenvolvimento de aplicações de planejamento em IA resulta em modelos do conhecimento mais ricos e, conseqüentemente, aumenta a qualidade dos planos gerados e a performance dos planejadores automáticos. Neste texto, nós investigamos como os conhecimentos e requisitos ocultos podem ser adquiridos e reutilizados durante a fase de análise de plans (posterior ao design do modelo) e como estes conhecimentos afetam o desempenho do processo de planejamento automático. O texto descreve um framework de post-design chamado postDAM que combina (1) uma ferramenta de engenharia de conhecimento para a aquisição de requisitos e avaliação do plano, (2) um ambiente de prototipagem virtual para a análise e simulação de planos, (3) um sistema de banco de dados para armazenamento de avaliações de planos, e (4) um sistema de raciocínio ontológico para o re-uso e descoberta de conhecimento sobre o domínio. Com o framework postDAM demonstramos que a análise de pós-design auxilia a descoberta de requisitos ocultos e orienta o ciclo de refinamento do modelo. Este trabalho apresenta três estudos de caso com domínios conhecidos na literatura e oito planejadores do estado da arte. Nossos resultados demonstram que melhorias significativas na qualidade do plano e um aumento na velocidade dos planejadores de até três ordens de grandeza pode ser alcançada através de um processo disciplinado e cuidados de pós-design. Nós demonstramos também que rationales provenientes dos usuários capturados durante as avaliações de planos podem ser úteis e reutilizáveis em novas avaliações de plano e em novos projetos. Nós argumentamos que esse processo de pós-design é fundamental para a implantação da tecnologia de planejamento automático em aplicações do mundo real. Até onde sabemos, este é o primeiro trabalho que investiga a análise de pós-design em aplicações de planejamento automático da IA.