Педагогические науки/ 4.Стратегические направления реформирова­ния

системы образования

 

к.т.н. Ларин С.Н., к.ф-м.н. Малков У.Х.

 

ФГБУН Центральный экономико-математический институт РАН, Россия

 

к.т.н. Лазарева Л.Ю.

 

АНО ДПО Институт международных стандартов учета и управления, Россия

 

Международный опыт применения инновационных

технологий организации образовательного процесса

на основе многоагентных банков знаний

 

В современный образовательный процесс активно внедряются новые методы обучения, передовые информационные технологии и основанные на знаниях прогрессивные интеллектуальные системы (Knowledge-Based Systems – KBS). Интеллектуальные учебные среды и интеллектуальные обучающие системы повышают эффективность труда преподавателей и способствуют росту качества подготовки квалифицированных специалистов. Сегодня к числу наиболее распространенных видов  интеллектуальных учебных сред относятся статические банки знаний (СБЗ) [1], инструментальный аппарат которых обеспечивает не только выполнение стандартных операций поиска знаний и обработки информации для удовлетворения запросов пользователей, но и представляет знания о моделируемых предметных областях (ПО) на основе использования специально создаваемых для этих целей фреймов-прототипов.

Инструментальный аппарат СБЗ в процессе обработки запросов пользователей формирует ответы с указанием допустимых значений основных характеристик изучаемых объектов, позволяет сравнивать и анализировать события, выявлять связи между ними, а так же разрабатывать планы решения задач подобного рода. При этом в результате запросов пользователей формируются спецификации свойств событий и их субъектов, а также вычисления каузальных, временных и других отношений на множестве событий и их субъектов, которые становятся частью плана решения той или иной задачи. Фреймы-прототипы используются для описания свойств исследуемых объектов и их состояний, а так же различных действий и событий с ними, которые можно представить в виде упорядоченных совокупностей событий и/или процессов, реализуемых при решении задач подобного рода.

В качестве теоретической основы реализации СБЗ можно воспользоваться многоагентным подходом, суть которого заключается в использовании для выполнения стандартных операций поиска знаний и обработки информации не одного интеллектуального агента программы, а сети из нескольких агентов [2, 3]. Многоагентный подход предполагает расчленение приложения на крупномасштабные и достаточно автономные служебные компоненты, взаимодействия между которыми управляются на основе сообщений при помощи специфицированных контрактов. Применение этого подхода для разработки СБЗ существенно облегчает обнаружение и устранение естественного параллелизма, который содержит контекстное описание ПО, и позволяет декомпозировать работы, которые можно одновременно выполнять на мультипроцессорных и мультикомпьютерных архитектурах. Тем самым при  разработке СБЗ на основе агентов основное внимание сосредоточено на корректном моделировании выполняемых ими задач, а не на управлении параллелизмом в программе.

Благодаря одновременному участию нескольких программных агентов и распределению выполняемых функций между ними при формировании ответов на запросы пользователей не только повышается производительность системы, но и расширяются возможности СБЗ по предоставлению пользователям систематизированной информации.

Развитием концепции СБЗ является концепция многоагентных банков знаний (МБЗ). Основное отличие МБЗ от СБЗ заключается в их многоагентной реализации на основе нейрологической модели [3, 4]. Благодаря использованию двух типов интеллектуальных агентов (когнитивных и реактивных) в нейрологической модели многоагентной системы интегрируются механизмы логического вывода и нейросетевые методы, что объединяет семиотический и коннекционистский подходы в искусственном интеллекте. Построенные на основе когнитивных и реактивных агентов МБЗ, могут использоваться для решения плохо формализуемых задач в открытых динамических проблемных областях, характерными особенностями которых являются неполнота, противоречивость, неточность и неопределенность данных и знаний, описывающих сущности и связи. Для моделирования указанных факторов в механизм немонотонного вывода когнитивных агентов, а также в структуру нейронных сетей реактивных агентов дополнительно вводятся механизмы, использующие методы нечеткой логики [4].

Расширение практики внедрения информационно-коммуникационных технологий (ИКТ) в сферу образования предопределило необходимость перехода от локальных интеллектуальных систем к активной разработке распределенных интеллектуальных систем, с обеспечением возможности их функционирования в среде Интернет. Разработка МЗБ на основе грид-платформы делает возможным эффективное использование интеллектуальных агентов в открытых распределенных системах и обеспечивает децентрализацию и индивидуальность работы обучаемых на основе реально существующих взаимоотношений между ними и предоставления возможности автономного и распределенного выполнения учебно-методических задач [7]. Дальнейшим развитием технологии распределенных автоматизированных образовательных систем является концепция МБЗ, в которой используются модели и методы параллельного и распределенного искусственного интеллекта (Parallel & Distributed Artificial Intelligence).

Концепция МБЗ позволяет одновременно реализовать функции учебных сред (подобно СБЗ) и технологию интеллектуальных образовательных систем (ИОС). В ее состав включены общие и специальные знания о ПО, моделях процесса обучения и обучаемого, которые ассоциированы с интеллектуальными программными агентами (реактивными и когнитивными). Такой подход позволяет выполнять обработку представленных знаний и формировать рациональные стратегии обучения с учетом индивидуальных особенностей усвоения знаний обучаемыми. В отличие от СБЗ, успешное функционирование которых во многом зависит от мотивации и самодисциплины обучаемых, в МБЗ приобретенные обучаемыми навыки и умения в процессе обучения периодически проверяются посредством использования динамичной обратной связи и оценки уровня знаний. В качестве персональных программных агентов обычно используются: начальный уровень знаний обучаемого, его индивидуальные способности усвоения информации и закрепления навыков, конечная цель обучения, а так же возможности учета других индивидуальных особенностей обучаемых. Учитывая указанные факторы, можно сделать вывод о том, что концепция МБЗ позволяет на практике обеспечить индивидуальный подход к каждому обучаемому.

Использование при реализации сложных систем концепции программных агентов стало возможным благодаря появлению объектно-ориентированной парадигмы, повышению мощности технологических платформ и уровня формализации знаний. Совокупность этих факторов лежит в основе разработки нового класса приложений – многоагентных систем (МАС, MAS – MultiAgent Systems) [2, 3, 6]. Подобно сервисно-ориентированным служебным архитектурам (SOA – Service-Oriented Architecture), агентный подход позволяет разбивать программные приложения на ряд укрупненных компонентов, функциональные возможности которых значительно больше по сравнению с мелкими и средними программными модулями (функциями, классами) [9÷11].

Повышение уровня формализации знаний облегчает разработку программного обеспечения за счет ограничения области абстракций и объема контроля разработки его отдельных частей. Негибкие абстракции формализованных знаний (например, электронные библиотеки) полностью реализуют решения и совершенно не прозрачны для пользователя. Настройка таких абстракций под конкретного пользователя осуществляется через установку значений тех или иных параметров. Для обеспечения максимальной гибкости абстракции формализованных знаний они должны иметь механизмы, которые обеспечивают их открытость и возможности для расширения. Для описания компонентов программного обеспечения в концепции МБЗ используются такие понятия, как уровень абстракции знаний, функциональные возможности агентов, цели их использования, а так же протоколы взаимодействия пользователя и системы. При этом абстракция формализованных знаний может быть представлена либо исходным кодом для полной реализации конкретной задачи, который пользователь может дополнить или модифицировать, либо визуальным редактором, в котором пользователь может конфигурировать искомое решение с последующей генерацией исходного кода, созданием библиотечных классов и их соответствующими настройками.

Использование в архитектуре МАС механизмов объединения программных агентов делает возможным извлечение знаний из данных, выявление закономерностей в данных и их обобщение, формирование правил вывода данных непосредственно в процессе обучения, взаимодействие с другими агентами через диалог, а также рациональное поведение в условиях неопределённой и динамично изменяющейся среды. Кроме того, на каждом уровне в архитектуре МАС установлена ответственность каждого агента за локальное планирование, восприятие и исполнение действий, направленных на обучение. При этом функционирование каждого агента происходит в соответствии с обязательствами, которые возложены на него другими агентами МАС. Организация рационального поведения агентов в ходе их взаимодействия основывается на методах кооперации, предполагающих не только интеграцию опыта отдельных агентов и обмен знаниями между ними, но и координацию их совместных действий.

Принципиальным преимуществом архитектуры МАС является контрактная основа и установление требований к используемым агентами интерфейсам через спецификации с последующей их реализацией через протоколы взаимодействия, предусматривающие возможности реализации мобильных процессов, коммуникации между которыми могут быть прерваны и восстановлены. Реализация мобильных программных агентов дает возможность динамически перераспределять вычислительную нагрузку в зависимости от состояния сети. Если выполнение вычислений на одном из узлов стало не эффективным, то программный агент может приостановить свою работу, переместиться на менее загруженный компьютер и продолжить свою работу на нем. Таким образом, мобильные агенты должны поддерживать сильную (strong mobility) модель, при которой вместе с сегментом кода переносится также сегмент исполнения, что позволяет работающему процессу после приостановки и перенесения на другую машину продолжить его выполнение с того места, на котором этот процесс был приостановлен. Мобильный агент может последовательно посещать интересующие его вычислительные узлы либо клонировать множество дочерних агентов, которые будут выполнять свои функции параллельно [3].

При наличии на промежуточных уровнях вычислений специального программного обеспечения, так называемых агентных платформ, мобильные агенты могут работать на разных аппаратных платформах под управлением различных операционных систем. Агентная платформа отвечает за обеспечение жизнедеятельности агентов в составе МАС и представляет собой систему промежуточного уровня (middleware), которая находится между агентами и операционной системой. Основные функции агентной платформы состоят в управлении агентами, обеспечении передачи сообщений между агентами, в поиске агентов и данных о них внутри системы, поддержке онтологий [4]. Она существенно упрощает передачу, прием, регистрацию агентов, повышает безопасность узла и его устойчивость, и, тем самым способствует восстановлению исходного состояния агентов после аварийного завершения работы программы.

В настоящее время для поддержки процессов проектирования и реализации многоагентных систем разработано достаточно большое количество пакетов прикладных программ, которые в большинстве случаев ориентированы либо на реализацию спецификаций стандарта Международного Фонда интеллектуальных физических агентов (Foundation for Intelligent Physical Agents, FIPA [9]), например, JADE (Telecom Italia Lab), Agent Factory (PRISM Laboratory), FIPA-OS (Emorphia), Jack (AOS Group), Zeus (British Telecommunication), Agent Development Kit (Tryllian BV), Grasshopper (IKV technologies AG), либо спецификаций стандарта MASIF ассоциации OMG (Object Management Group), реализующих системы мобильных агентов и обеспечивающих интероперабельность между различными архитектурами (например, Aglets SDK (IBM), Odyssey (GenMagic), D'Agents (Dartmouth college), а также Grasshopper). Многие из этих систем позиционируются, как проекты с открытым исходным кодом (JADE, ZEUS, FIPA-OS, AgentFactory, Tryllian ADK) [9÷11].

Фонд FIPA унифицирует архитектуру платформ агентов, необходимых для управления ими операций и способов взаимодействия с программным обеспечением, в котором не используется агентная технология. Согласно FIPA система агентов содержит подсистему управления агентами (Agent Management System), службу каталога (Directory Facilitator), канал связи агентов (Agent Communication Channel) и менеджер безопасности платформы агентов (Agent Platform Security Manager). Данные компоненты включают сервисы по созданию, удалению, деактивации, возобновлению работы и миграции агентов, службы маршрутизации сообщений и управления жизненным циклом, службы каталога (с описанием агентов и услуг, которые они предоставляют), а также сервисы по осуществлению политики безопасности на уровне передачи информации. Стандарт OMG MASIF (Mobile Agent System Interoperability Facilities) также унифицирует синтаксис и правила выполнения операций, связанных с созданием, удалением, перемещением и идентификацией агентов, приостановкой и возобновлением их работы, получением агентом информации о типе платформы [9].

Несмотря на то, что агентно-ориентированное проектирование и объектно-ориентированный подход во многом схожи, в архитектуре МАС существуют значительно более сложные сущности (агенты) и более высокие уровни абстракции, чем при объектно-ориентированном подходе. Все это предъявляет особые требования к инструментальным средствам разработки прикладных МАС. Агенты, как специфичные абстракции, содержат больше знаний о ПО, что требует от разработчика меньше знаний для решения проблемы. Однако чем больше знаний сконцентрировано в абстракции, тем уже ее область приложения. Чтобы быть многократно используемой, высокоуровневая абстракция формализованных знаний должна допускать их адаптацию.

Ключевой идеей создания МАС и МБЗ является возможность систематического повторного использования разработок, а так же создания различных моделей их сборки и управления ими в процессе разработки. Использование управляемых моделей среды позволяет существенно упростить процесс создания формализованных знаний и сборки агентов, а так же обеспечить на основе спецификации автоматическую генерацию в случае частичной или полной реализации. Для фиксации в высокоуровневых управляемых моделях различных форм интерпретации формализованных знаний необходимо использовать доменно-специфичные языки, позволяющие описывать программное обеспечение с определенной точки зрения.

При разработке доменно-специфичных языков для проблемных областей знаний используются средства расширяемости, предоставляемые современными интегрированными средами разработки (Integrated Development Environment, IDE). Разработка подключаемых модулей специального назначения для существующих IDE, например, таких как мультиплатформенные Eclipse (Eclipse Foundation) или NetBeans (NetBeans Community), облегчает построение специализированных инструментальных средств, нацеленных на проектирование прикладных МАС, и обеспечивает высокий уровень и автоматизации. Наличие плагинов в модулях  Eclipse и NetBeans позволяет в дальнейшем расширять и представлять пользователям последовательные и цельные интегрированные среды их разработки [10].

Практическая реализация концепции МБЗ требует не только наличия опыта проектирования, но и необходимости разработки технических решений в таких областях как представление и обработка знаний, сетевые коммуникации и протоколы взаимодействия, нейронные сети и нечеткая логика. Для поддержки процесса реализация концепции МБЗ, базирующихся на нейрологической модели, целесообразно использовать проблемно-ориентированную инструментальную среду АgentITS, позволяющую решать новые задачи обучения.

Среда АgentITS включает инструментарий для разработки МБЗ, а также агентную платформу, обеспечивающую жизнедеятельность агентов. Этот инструментарий состоит из интерактивных агентов, набор свойств которых оптимизирован для создания интеллектуальных образовательных систем и позволяет осуществлять адаптивное обучение с использованием персональных обучающих агентов. Персонализация в обучении достигается за счет представления в МБЗ метазнаний для проведения индивидуального подбора и формирования дидактического контента. Непосредственный доступ к нему осуществляют агенты обучающих ресурсов. Технология МЗБ позволяет перемещать этих агентов к удаленным ресурсам и выполнять анализ полученной информации параллельно на нескольких вычислительных узлах [11].

Агентно-ориентированный подход к разработке банков знаний основан на нейрологической модели, в которой для решения сложных задач задействуются реактивные и когнитивные агенты. В МБЗ эти интеллектуальные агенты используются для решения задач обучения. При создании МБЗ осуществляется интеграция технологии интеллектуальных систем, базирующихся на знаниях, использующих логическую обработку информации для формирования ответов на запросы пользователей и оценки действий обучаемых, механизмов адаптивного обучения и тренинга, а также применяемой в учебных средах парадигмы гипертекста. Система гипертекста предоставляет пользователю возможность эффективно работать с большими объемами справочной и разъясняющей информации, что обеспечивает оптимальный переход от учения к самообучению.

Свобода и гибкость обычных гипертекстовых учебных сред не способствует фокусированию внимания пользователя на главной цели, постоянно уводя его случайными ссылками в сторону. Успех обучения в такой среде целиком зависит от самодисциплины обучаемого. Поскольку процесс обучение подразумевает не просто представление и передачу информации, то в его ходе необходимо организовать проверку действий обучаемого и периодическую оценку приобретенных им знаний. Системы, основанные на знаниях, позволяют четко разделить знания и их обработку, предоставляя тем самым возможности для многократного повторения этого процесса.

Практическая реализация концепции МБЗ значительно упрощается при использовании специальных инструментальных средств, поддерживающих процесс создания экземпляров и сборки агентов, обеспечивающих автоматическую генерацию частично или полностью формализованных знаний на основе спецификации. Инструментальные средства разработки многоагентных образовательных систем, подобные проблемно-ориентированной среде АgentITS, позволяют поддерживать разработку высокоуровневых абстракций, а также реализуют стандартные низкоуровневые механизмы агентных платформ, такие как создание сетевых соединений между агентами и поиск нужных агентов. Использование в образовательном процессе МЗБ повышает эффективность обучения, приближая качество обучения к уровню индивидуальных занятий с преподавателями.

Исследование выполнено при финансовой поддержке Российского гуманитарного научного фонда, проект №14-06-00023а «Методологические основы внедрения и практического применения инновационных технологий, методов и форм организации образовательного процесса в  высших учебных заведениях».

Литература

1. Миронов А.С. Статические банки знаний как программы учебного назначения // Материалы 14-й международной конференции «Современное образование: содержание, технологии, качество». В 2-х.т. – СПпб.: Изд-во СПбГЭТУ «ЛЭТИ», 2008. – Т.1. – С. 90 - 92.

2. Рассел С., Норвиг П. Искусственный интеллект: современный подход. – М.: Вильямс, 2006. – 1408с.

3. Зайцев Е.И. Многоагентные системы: проектирование и реализация. // Материалы III Международной научно-технической конференции «Информационные технологии в науке, образовании и производстве». – Орел: ОрелГТУ, 2008. – Т1. – С.95-100.

4. Зайцев Е.И. Об агентно-ориентированном подходе к разработке параллельных интеллектуальных систем // Вестник компьютерных и информационных технологий, 2006, №7. – С.26-35.

5. Зайцев Е.И. Распределенная интеллектуальная система на базе программных агентов с нечёткими знаниями // Информационные технологии, №9. – 2006.

6. Городецкий В.И., Грушинский М.С., Хабалов А.В. Многоагентные системы // Новости искусственного интеллекта, №2, 1998.

7. Zaytsev E.I. About integration of the approaches developed in the Grid-technologies and in the area of intelligent multi-agent systems: Proc. of Int. Conference «Distributed Computing and Grid-Technologies in Science and Education», 2006, Dubna, Russia. Р.134-136.

8. Hassler V. Online Collaboration Products. // Computer, 2004, №37(11). – P. 106-109.

9. Kendall E.A., Malkoun M.T., Chong J. The application of object-oriented analysis to agent-based systems. J. of Object-Oriented Programming, 1997, №9,  Р.56-65.

10. Odell // Ciancarini and M. Wooldridge, editors, Agent-Oriented Software Engineering, Springer, Berlin, 2001. – P.91-103.

11. Pavon J. The INGENIAS Methodology and Tools / J. Pavon, J. Gomez-Sanz Ruben Fuentes // Agent-Oriented Methodologies, Brian Henderson-Sellers & Paolo Giorgini (eds.), Idea Group Publishing, 2005. – P.236-276.