Akıllı Ajan Modelleme  – Eğitim – Essay – Ödev – Tez – Makale – Çeviri – Tez Yazdırma -Tez Yazdırma Fiyatları

PES’in Uygulanması

Multi-Agents System (MAS) platformlarından Smart Platform, Smart Space için bir yazılım altyapısıdır. Gevşek bağlı altyapısı, hibrit ağ iletişimi için iyi desteği ve hafif özelliği nedeniyle, yedi kişiselleştirilmiş aracının (PEA) paralel olarak çalıştığı PES uygulamasının altyapısı olarak benimsiyoruz.

Akıllı Platformun çalışma zamanı sistemi gösterilmektedir. Akıllı Platformu oluşturan her katılımcı bilgisayar, o ana bilgisayarda bulunan aracılar için yerel bir çalışma zamanı ortamı sağlayan bir kapsayıcı bileşeni barındırır.

Global olarak, bir DS (Dizin Hizmeti) bileşeni, aracı kaydı, ileti gönderimi ve sistem yönetiminden sorumludur. Smart Platform’daki aracılar, bazı mesaj gruplarına mesaj yayınlayarak ve alınan mesajları geri arama yöntemlerinde işleyerek birbirleriyle iletişim kurarlar.

PES’teki Teslimat Aracısı, yalnızca web sunucusu rolünü oynamakla kalmaz, aynı zamanda üzerinde çalışması için diğer aracılara kullanıcının isteklerini iletir ve sonuçları kullanıcıya iletir. Diğer ajanlar, ya belirli görevleri yerine getirmek için hizmet sağlar ya da diğer ajanların ihtiyaç duyduğu bilgileri sağlar, web sunucusunun yükünü kendi aralarında dağıtmaya hizmet eder.

Bu yazıda, Kişiselleştirilmiş Eğitim Sisteminin (PES) işlevsel modelini sunduk ve belirli bir aracı tabanlı PES tasarımı verdik ve bunu tipik bir MAS sistemi olan Akıllı Platform üzerinde uyguladık.

PES’te kullanılan yedi temel Kişiselleştirilmiş Eğitim Aracısı (PEA) için işlevsel rolleri ve mesaj yollarını tanımladık. Bu aracılar paralel olarak çalışır ve kişiselleştirilmiş çalışma planı, arama, öneri ve iletişim hizmetleri sağlamak ve sistemin genel hedefine Kişiselleştirilmiş Eğitim sağlamak için birbirleriyle işbirliği yapar.

AMPLIA Öğrenme Ortamı Mimarisi

AMPLIA, tıp eğitimi için tasarlanmış olasılıklı çok etmenli bir öğrenme ortamıdır. Bu Öğrenme Ortamı, temel olarak Piaget’nin bilinç sürecini kavramak olan yapılandırmacı teoriye dayanmaktadır.

Etmen odaklı yaklaşım, müzakere edilmiş işbirliğine odaklanır ve pedagojik müzakere, pedagojik profilli stratejiler kullanarak bir öğretme-öğrenme ortamında yer alan ajanlar arasında meydana gelebilecek çatışmaların çözümü olarak tanımlanır.

Ajanlar arasındaki etkileşim için ortak bir kimliğe ihtiyaç vardır. Sosyal yönler, aralarında tek bir ontolojinin kullanılmasıyla sağlanır. Aracılar ve insanlar arasında paylaşılan bilişsel yönler, Bayes Ağları (BN) kullanılarak tek bir bilgi temsil yöntemiyle sağlanır.

BN’nin olasılıksal akıl yürütmesinin insan akıl yürütme kalıplarına benzer olduğuna dair ampirik kanıtlar vardır ve literatür, bir doktorun teşhis koyarken örtük olarak olasılıksal akıl yürütmeyi kullandığını gösterir. Dolayısıyla bu ağlar, öğrenciler tarafından teşhis hipotezlerinin inşası için kullanılır.

Çoklu Etmen Mimarisi

AMPLIA’nın çoklu etmen mimarisi gösterilmektedir: LearnerAgent, öğrenciyi temsil eder, öğrenme sürecinin durumu hakkında tüm somut kanıtları toplar ve sistemin öğrenci üzerindeki güvenilirliğini (beklentisini) çıkarmaya çalışır.

Bu temsilci, öğrencinin beyan ettiği özgüven düzeyini de kayıt altına alır. DomainAgent ve MediatorAgent, öğretmenin rolünü paylaşır. DomainAgent, etki alanı bilgisini depolar ve öğrencinin modellediği bilgiyi değerlendirir. MediatorAgent, bu sürecin çatışmalarını çözmek için gereken müzakere mekanizmalarını içerir.

LearnerAgent ve DomainAgent arasındaki etkileşimler, çatışmaların MediatorAgent tarafından öğretim pedagojik stratejileri kullanılarak çözüldüğü bir pedagojik müzakere süreci olarak görülür. Bu stratejiler güven düzeyi, inanılırlık ve öğrencinin ağ değerlendirmesine göre seçilir.

Ajan tabanlı MODELLEME
Etmen Tabanlı MODELLEME
Etmen TABANLI SİMÜLASYON

İletişim sunucusu, ComSERVER, bir kullanıcının profilini kaydetmek ve sürdürmek ve bir konu hakkındaki bilgilere İnternet üzerinden göz atmak için UPA (Kullanıcı Profili Aracısı) ve SEARCH aracılarını kullanarak hizmet sağlayan PMA3 gibi diğer öğretim platformları ile AMPLIA ortamını bütünleştirir. 

AMPLIA’nın genel dahili iletişimi ve harici aracılarla iletişimi, FIPA-ACL Arayüz Kitaplığı (FACIL – UFRGS’den AI grubu tarafından geliştirilen FIPA standartlarına uyumlu küçük iletişim kitaplığı) kullanılarak FIPA dillerine ve protokollerine dayanmaktadır.

Akıllı Ajan Modelleme

Her aracıyı oluşturmak için üç farklı düzeye ayrılmış genel bir organizasyon kullanılır:

Karar düzeyi: Yapay ajanlardan veya öğrencilerden alınan kanıtlara göre ajanın karar süreçlerini modellemektedir; b) Operasyonel seviye: bu seviye, karar almak için gerekli kanıtları ve bilgileri toplamaktan/düzenlemekten sorumludur; ve bu kararlar çevrede gerçek eylemlere ve operasyonlara dönüştürülür. c) Etkileşim düzeyi: Aracılar arasındaki, aracılar ve dış dünya arasındaki etkileşimden ve aracılar arasında mesaj gönderip/almaktan ve ayrıca kullanıcılarla etkileşimden sorumludur.

Ajanların ontolojisi, organizasyonumuzdaki her ajanın bir modülüne veya belirli bir dahili bileşenine dönüştürülmez, ancak bunların nasıl tasarlanmaları ve inşa edilmeleri gerektiğini ana hatlarıyla belirtir.

Dolayısıyla, belirli bir mesaja anlam ve format atayarak, ontoloji (a) etkileşim seviyesinin nasıl inşa edilmesi gerektiğini (mesaj formatı, etkileşim protokolleri, vb.) belirler; (b) operasyonel seviyenin yönlerini (mesajlardan hangi bilgilerin çıkarılması/sınıflandırılması gerektiği, hangi eylemlerin yapılması gerektiği vb.) yönlendirir; ve (c) bir mesajın getirdiği bilgilere ve içeriğine dayanarak, bu bilgilerin anlamı hakkında bir karar sürecini tetikler.

AMPLIA’da, bir olasılıksal çıkarım süreci, her bir etmen türü için belirli bir olasılıksal ağ çalıştıran SEAMED çıkarım mekanizmasını kullanarak Karar düzeyini modeller. Operasyonel düzeyde, her aracının, o aracının belirli görevleriyle ilgili farklı modüller veya yazılım bileşenleri vardır.

Etkileşim düzeyi, tüm aracılar için özel ihtiyaçlarına göre her biri için özelleştirilmiş temel bir iletişim modülüne (COMClient) sahiptir. Kullanıcılarla etkileşim, uzmanlar için DomainAgent’a ve öğrenciler için LearnerAgent’a eklenen bir BN grafik düzenleyicisi aracılığıyla yapılır.

Tartışma ve Sonuçlar

Ajanların uygulanmasının ve AMPLIA ortamının sonuçları, Hospital de Clínicas de Porto Alegre, Brasil’de tıp profesörlerine sunulan bir seminerde gözlemleniyor.

Seminer iki aşamaya ayrılmıştır: (a) pedagojik kaynakların ve belirsiz alanlar, olasılık ağları ve bilgi temsili hakkındaki teorik kavramların tartışılması; (b) her uzmanlık, Etki Alanı Aracısı tarafından uzmanın ağları olarak kullanılacak olan kendi etki alanı alanlarında BN modelleri oluşturur. Daha sonra, bir grup öğrenci, AMPLIA’yı bilgi temsili ve hastalık vaka çalışmalarının muhakemesi için kullanacak.

Bir öğrencinin öğrenme süreci gösterilir. Soldaki sütun Güven’i ve sağdaki sütun Güvenilirliği temsil eder. Sütunların önündeki çizgi, öğrencinin ağının kalitesini temsil eder.

Öğrenci, BN modelini düşük Özgüven ve Güvenilirlik ile oluşturmaya başlar ve bu yanlıştır. Arabulucu Temsilci, öğrencinin BN modelini test etmesini önerir. İkinci aşamada, öğrenci BN modelini kolayca düzeltir (BN, yüksek güvenilirlikle potansiyel hale gelir) ve orta güven düzeyi beyan eder.

Arabulucu Temsilci, ağda eksik olan bazı düğümler olduğunu onaylar, bu nedenle daha fazla tartışma için malzeme sağlar. Öğrenci BN modelini geliştirmeye çalışır, ancak üçüncü döngüdeki denemelerinde gördüğümüz gibi çok emin değildir.