agentes de información

1

AGENTES DE INFORMACIÓN

Daniela Ramírez Chaves A34206Leonel Salazar Valverde A55165

2

AGENDA 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

3

INTRODUCCIÓN 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]

4

INTRODUCCIÓN (2) 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]

5

OBJETIVOS DE LOS AGENTES DE INFORMACIÓN

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]

6

FUNCIONES DE LOS AGENTES DE INFORMACIÓN

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

7

AGENTES DE INFORMACIÓN PERSONAL 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].

8

AGENTES DE INFORMACIÓN PERSONAL (2) 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]

9

AGENTES DE INFORMACIÓN PERSONAL (3) 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].

10

AGENTES WEB 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]

11

AGENTES WEB (2) 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]

12

AGENTES DE FILTRADO Y MINERÍA DE DATOS WEB

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.

13

AGENTES DE FILTRADO Y MINERÍA DE DATOS WEB (2)

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]

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.

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.

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.

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).

18

AGENTES DE RECUPERACIÓN DE INFORMACIÓN

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

19

AGENTES DE RECUPERACIÓN DE INFORMACIÓN (2)

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

20

AGENTES DE RECUPERACIÓN DE INFORMACIÓN (3): MOTOR DE BÚSQUEDA GENÉRICO

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]

21

AGENTES DE RECUPERACIÓN DE INFORMACIÓN (4): META MOTOR DE BÚSQUEDA

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]

22

AGENTES DE RECUPERACIÓN DE INFORMACIÓN (5): META MOTOR DE BÚSQUEDA

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]

23

AGENTES DE RECUPERACIÓN DE INFORMACIÓN (6): PROPUESTA SISTEMA MULTI-AGENTE

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]

24

AGENTES DE RECUPERACIÓN DE INFORMACIÓN (7)

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.

25

AGENTES DE RECUPERACIÓN DE INFORMACIÓN (8) 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.

26

AGENTES DE PERSONALIZACIÓN DE INFORMACIÓN

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]

27

AGENTES DE PERSONALIZACIÓN DE INFORMACIÓN (2)

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

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)

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.

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.

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.

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.

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]

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.

35

CONCLUSIONES 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.

36

CONCLUSIONES (2) 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.

37

REFERENCIAS BIBLIOGRÁFICAS [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

http://www.wired.com/wired/archive/5.12/maes_pr.html

38

REFERENCIAS BIBLIOGRÁFICAS (2) [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



agentes de información

Documents