TECHNOLOGIA TRAFNYCH OSĄDÓW

Transkrypt

1 TECHNOLOGIA TRAFNYCH OSĄDÓW Andrzej Skowron Uniwersytet Warszawski GLJI, Uniwersytet Opolski, 12 kwiecień, 2011

2 PLAN REFERATU Motywacja dla technologii trafnych osądów Interakcyjne obliczenia granularne (IRGC) Obliczenia granularne bazujące na zbiorach przybliżonych (RGC) Ogólny schemat interakcji Obliczenia interakcyjne agentów Obliczenia bazujące na percepcji (PBC) Reprezentacja granul Atrybuty percepcyjne: sensoryczne, akcji, decyzyjne Adaptacyjny osąd w interakcyjnych obliczeniach realizowanych przez agentów Interakcje z ekspertami dziedzinowymi Pozyskiwanie i aproksymacja ontologii dziedzinowej Przykłady zastosowań Podsumowanie i wnioski 3

3 MOTYWACJE Dokonanie postępu w konstruowaniu systemów inteligentnych o wysokiej jakości Przykłady: aproksymacja złożonych pojęć nieostrych (ang. vague) takich jak pojęcia warunkujące uruchomienie akcji czy wzorce zachowań 4

4 OMIJANIE PRZESZKÓD HELIKOPTER BEZZAŁOGOWY (UAV) GRY ROBOTÓW W PIŁKĘ NOŻNĄ (ROBO-CUP) 5

5 TECHNOLOGIA TRAFNYCH OSĄDÓW (ang. WISDOM TECHNOLOGY, WISTECH) Jankowski A., Skowron A.: Logic for artificial intelligence: The Rasiowa-Pawlak school perspective, In: Ehrenfeucht, A., Marek V., Srebrny M. (Eds.) Andrzej Mostowski and Foundational Studies, IOS Press, Amsterdam, 2008,

6 TECHNOLOGIA TRAFNYCH OSĄDÓW technologia trafnych osądów= interakcje + adaptacyjny osąd+ bazy wiedzy IRGC podstawa dla systemów bazujących na obliczeniach interakcyjnych realizowanych na granulach z zastosowaniem wiedzy dziedzinowej, eksploracji danych (np. wykrywania procesów i uczenia pojęć) oraz adaptacyjnego osądu 7

7 Plays a key role in implementation of the strategy of divide-andconquer in human problem-solving Lotfi Zadeh Zadeh, L. A. (1979) Fuzzy sets and information granularity. In: Gupta, M., Ragade, R., Yager, R. (eds.), Advances in Fuzzy Set Theory and Applications, Amsterdam: North-Holland Publishing Co.,

8 INFOGRANULE (GRANULE): OBIEKTY KONSTRUOWANE W PROCESACH GRANULACJI I DEGRANULACJI obiekty o złożonych typach, które też musza być odkryte z danych np. w poszukiwaniu aproksymacji dla złożonych pojęć 9

9 PRZYKŁADY GRANUL: OTOCZENIA OBIEKTÓW (GRANULE ELEMENTARNE) GRANULE GENEROWANE PRZEZ OPERACJE (np. agregacja, generalizacja, interakcja) SKUPISKA PRZESTRZENIE APROKSYMACYJNE KLASYFIKATORY ONTOLOGIE i ICH APROKSYMACJE WZORCE ZACHOWAŃ, MODELE PROCESÓW ADAPTACYJNE SCHEMATÓW AGENTÓW 10

10 GRANULE ELEMENTARNE a 1 a 2 a m d N(x)=(Inf A ) -1 (u) x 1 v 1 v 2 v m 1 x u=inf A (x) sygnatura x otoczenie x xind( A) y iff Inf ( x) Inf ( y) A A tolerancja lub podobieństwo 11

11 PRZESTRZENIE APROKSYMACYJNE A. Skowron, J. Stepaniuk, Generalized Approximation Spaces 1994 : AS N P( U : U ) ( U, N, P( U P( U ) ) ) funkcja otoczenia [0,1] funkcja zawierania przybliżonego x Inf ( x) N( x) Inf 1 ( Inf ( x)) X otocznie x 12

12 DOLNA I GÓRNA APROKSYMACJA BX { Y U / B : Y X } BX BX U U/B set X BX { Y U / B : Y X 0} 13

13 ZBIORY PRZYBLIŻONE (ang. rough sets) Zdzislaw Pawlak 14

14 INDUKCJA W jaki sposób rozszerzyć aproksymacje z próbek (zbiorów treningowych) na całe uniwersum obiektów? Rozszerzenia bazują na wersjach zasady minimalnego opisu (MDLminimal description length) 15

15 INDUKCJA - przykłady Co zrobić jeśli Inf A (x o ) for x o U * - U jest różne od każdego Inf A (x) dla x U? Sprawdzić podobieństwo Inf A (x o ) do Inf A (x) U * U x o X Sprawdzić częściowe dopasowanie Inf A (x o ) do Inf A (x) 16

16 N : U * P( U * ) Inf A ( x ) { a 1, b 0, c o 2} a 1 b 0 c 2 U * U * x o X U 17

17 a 1 c 2 U * a 1 b 0 c 2 U U * * x o X a 1 b 0 U * U 18

18 N :U P(U ) P ( U * ) P k ( U * ) k 1 N :U * P (U * ) 19

19 : P(U ) P(U ) [ 0, 1] P ( U * ) k 1 P k ( U * ) : P (U * ) P (U * ) [ 01, ] 20

20 MEREOLOGIA PRZYBLIŻONA MEREOLOGIA St. LEŚNIEWSKI (1916) x jest_ częścią_y MEREOLOGIA PRZYBLIŻONA L. Polkowski and A. Skowron (1994- ) x jest_ częścią_ y_w stopniu L. Polkowski, A. Skowron, Rough mereology, ISMIS 94, LNAI 869, Springer, 1994, L. Polkowski, Reasonng by parts: An outline of rough mereology, Warszawa 2011

21 SYSTEMY INFORMACYJNE (tablice danych, przestrzenie Chu: klasyfikacje: J. Barwise- Information Flow) SĄ STOSOWANE DO REPRREZENTOWANIA GRANUL ICH WŁASNOŚCI ORAZ INFORMACJI O INTERAKCJACH 22

22 INTERAKCJE 23

23 Interaction is a fundamental dimension for modeling and engineering complex computational systems. More generally, interaction is a critical issue in the understanding of complex systems of any sorts: as such, it has emerged in several well-established scientific areas other than computer science, like biology, physics, social and organizational sciences. Andrea Omicini, Alessandro Ricci, and Mirko Viroli, The Multidisciplinary Patterns of Interaction from Sciences to Computer Science. In: D. Goldin, S. Smolka, P. Wagner (eds.): Interactive computation: The new paradigm, Springer

24 INTERAKCJE [ ] One of the fascinating goals of natural computing is to understand, in terms of information processing, the functioning of a living cell. An important step in this direction is understanding of interactions between biochemical reactions. the functioning of a living cell is determined by interactions of a huge number of biochemical reactions that take place in living cells. A human dendritic cell (blue pseudocolor) in close interaction with a lymphocyte (yellow pseudo-color). This contact may lead to the creation of an immunological synapse. The Immune Synapse by Olivier Schwartz and the Electron Microscopy Core Facility, Institut Pasteur Andrzej Ehrenfeucht, Grzegorz Rozenberg: Reaction Systems: A Model of Computation Inspired by Biochemistry, LNCS 6224, 1 3,

25 J.M. J.M. Bower, H.Bolouri: Computational Modeling of of Genetic and and Biochemical Newtorks, MIT MIT

26 RÓŻNORODNOŚĆ MODELI INTERAKCJI GRANUL E G automaty komórkowe równania różniczkowe aproksymacja zmian stanów MAS systemy wieloagentowe więzy współistnienia stanów lokalnych interakcje z ekspertami 27

27 OBLICZENIA IRGC Są realizowane na złożonych obiektach: granulach Uwzględniają niedoskonałość wiedzy, szumy oraz nieostrość pojęć Pozwalają operować na częściach (np. wzorcach) złożonych pojęć Są interakcyjne Realizowane przez wiele autonomicznych, pozostających w interakcji jednostek (agentów) Zależne od zmian w danych/wiedzy oraz od charakteru współpracy 28

28 OGÓLNY SCHEMAT INTERAKCJI s a (t) s e (t ) Inf Inf E(t ) A(t) delay delay ( s s RELACJA PRZEJŚCIA a a ( t), s ( t e ( t)) ), s e ( t ) Sel _ Int a Sel_ Int e intrastep interactions s 1 s 2 s 3 time s a ( t ) s a ( t ) I a I e s e ( t ) s e ( t ) interstep interactions Gurevich, Y.: Interactive Algorithms. In: D. Goldin, S. Smolka, P. Wagner (eds.): Interactive computation: The new paradigm, 29 Springer 2006

29 SYSTEMY INFORMACYJNE REPREZENTUJĄ GRANULE, ICH WŁASNOŚCI ORAZ INFORMACJE O INTERAKCJACH ATRYBUTY SENSORYCZNE ATRYBUTY AKCJI 30

30 OBLICZENIA POSTRZEGANE PRZEZ AGENTA i STEROWANIE INTERAKCJI ZA POMOCĄ AKCJI Inf A 1 Inf A 2 I a1 I a2 Optymalizacja względem pewnego okresu 31

31 ADAPTACYJNY OSĄD System stosujący IRGC pozostaje w kontakcie z modelowaną rzeczywistością, której stany przewiduje. Jeśli z pewnych powodów podejmowane decyzje są sprzeczne w odniesieniu do rzeczywistości należy przeprowadzić adaptację osądu. 32

32 ADAPACYJNY OSĄD Poszukiwanie relewantnych przestrzeni aproksymacyjnych nowe cechy, selekcja cech indukcja reguł miary zawierania strategie rozwiązywania konfliktów Adaptacja miar bazująca na zasadzie minimalnego opisu: jakość aproksymacji vs długość opisu Wnioskowanie o zmianach Percepcja, np. selekcja atrybutów sensorycznych i akcji Adaptacja miar jakości w obliczeniach agentów Adaptacja struktury obiektów Strategie reprezentacji wiedzy i interakcji z bazami wiedzy Pozyskiwanie ontologii i ich aproksymacja Język współpracy i komunikowania oraz jego ewolucja

33 WNIOSKOWANIA O ZMIANACH 34

34 MODELE PROCESÓW I INTERAKCJE Przykład x (t 1) i x (t ) i f ( x i(t )) 1 d f ( x i(t )) 1 d Feng, J., Jost, J., Minping, Q. (eds): Network: From Biology to Theory, Springer, Berlin, 2007 i i j; j i j; j i ( ( f ( f ( x x j j (t )) (t )) ds dt de dt f (? f ( x (t i x (t i ))) ))) G( t, s( t), e( t)) H( t, s( t), e( t)) relacja sąsiedztwa? 35

35 APROKSYMACJA FUNKCJI 36

36 ODKRYWANIE MODELI PROCESÓW Z DANYCH: METHODY APROKSYMACJI FUNKCJI CHARAKTERYZUJĄCYCH ZMIANY POTRZEBA ODKRYWANIA HIERARCHICZNEGO TAKICH ATRYBUTÓW konfiguracje: aktualna i następna STANÓW Atrybuty istotne dla scharakteryzowania zmian (x,y) stopnie zmian a 1 a m d 37

37 DT- tablica decyzyjna Aproksymacyjne wnioskowanie Boolowskie PATzbiór wzorców (reguł) z małym wahaniem decyzji 38

38 Problem optymalizacyjny Proces kodowania Funkcja boolowska F Heurystyki generowania implikantów pierwszych Zbiór implikantów pierwszych F Proces dekodowania Rozwiązania dla 39

39 AWB 40

40 41

41 TRAJEKTORIE PRZYBLIŻONE GRANUL: ADAPTACJA Adaptacja w celu dostosowania modelu aproksymacji do zmian aktualna trajektoria P przewidywana trajektoria P należy zastosować adaptację aby model był adekwatny dla modelowanego procesu 42

42 INTERAKCJE GRANUL W APPROKSYMACJI TRAJEKTORII granula aktualnego stanu moduł interakcji 2: fuzja zmian lokalnych granula stanu następnego analogia do procesu fuzyfikacji moduł interakcji1 zmiany lokalne granuli stanu aktualnego analogia do procesu defuzyfikacji i rozstrzygania konfliktów składowe granularne aproksymacji funkcji zmian fragment aproksymowanej trajektorii 43

43 ADAPTAVYJNY OSĄD W INDUKCJI ZŁOŻONYCH GRANUL *** ODKRYWANIE MODELI WSPÓŁBIEŻNYCH Z DANYCH i WIEDZY DZIEDZINOWEJ 44

44 SPECIFIKACJA SYSTEMÓW WSPÓŁBIEŻNYCH PRZEZ SYSTYEMY INFORMACYJNE Pawlak, Z.: Concurrent versus sequential the rough sets perspective. Bulletin of the EATCS 48 (1992) Skowron, A., Suraj, Z.: Rough sets and concurrency. Bull. Acad. Polon. Sci. 41(3) (1993) Suraj, Z.: Rough set methods for the synthesis and analysis of concurrent processes. In: L. Polkowski, S. Tsumoto, T.Y. Lin (eds), Rough Set Methods and Applications Studies in Fuzziness and Soft Computing 56, Springer/Physica Verlag (2000)

45 PRZYKŁAD: STEROWANIE ŚWIATŁAMI b procesy lokalne a b c u a a c c u u stany globalne u 1, u 2, u 3 - stany a, b, c - kierunki ruchu 0, 1, 2 - kolor świateł (czerwone, zielone, strzałka zielona) 46

46 OD DANYCH DO SIECI PETRIEGO WE: A system informacyjny WY: PN sieć Petriego o zbiorze oznakowań identycznym z maksymalnym zbiorem niesprzecznym z Th(A) Th(A) zbiór reguł generowanych z A 47

47 ZALETY Złożone sieci Petriego mogą być generowane automatycznie z ich tablicowych specyfikacji Sieci Petriego mogą być modyfikowane adaptacyjnie ze zmianą danych 48

48 TEORETYCZNE ASPEKTY DOTYCZĄCE GENEROWANYCH ZIORÓW REGUŁ I MAKSYMALNIE NIESPRZECZNYCH ZBIORÓW STANÓW Z TEORIĄ DANYCH 49

49 KONTYNUACJA Jakie rodzaje reguł zastosować (np. niedeterministyczne, probabilistyczne, czasowe, czasowo-przestrzenne)? W jakie sposób scharakteryzować semantykę różnych zbiorów reguł? W jaki sposób rozszerzyć podejście przez dodanie informacji o relacji przejścia lub temporalnych zależnościach? Z. Suraj z zespolem oraz M. Moshkov and A. Skowron, 50

50 ODKRYWANIE STRUKTURY INTERAKCJI G zbiór ścieżek interakcji P 1 i P 2 PN generująca (niesprzeczna z) G PN 1 generująca (niesprzeczna z) G 1 PN 2 generująca (niesprzeczna z) G 2 G 1 zbiór ścieżek procesu P 1 G 2 zbiór ścieżek procesu P 2 W jaki sposób PN powstaje z PN1 i PN2? 51

51 W KIERUNKU KONTROLOWANYCH E G 2 G 1 G 3 G 4 WZORCÓW EMERGENTNYCH (ang. emergence patterns) ORAZ SAMOORGANZACJI G k Fuzja granul: koalicjag 1, G k z funkcjonalnościami określającymi interakcje z E i członkami koalicji 52

52 PERCEPCJA Wilhelm Maximilian Wundt ( ) Structuralizm Percepcja jest wynikiem asocjacji bazowych sensorycznych atomów w pamięci poprzez powtarzalne, uprzednie łączne ich współwystępowanie. 53 (z prezentacji: A. Efros, CMU 2006)

53 PERCEPCJA Max Wertheimer ( ) Wolfgang Köhler ( ) Kurt Koffka ( ) Gestaltyzm Percepcja jest wynikiem interakcji wewnętrznej struktury bodźca z wewnętrzną strukturą mózgu. (z prezentacji: A. Efros, CMU 2006) 54

54 PERCEPCJA Hermann von Helmholtz ( ) Konstruktywizm Percepcja jest wynikiem nieświadomych wnioskowań o scenie najprawdopodobniej wywołującej powstanie obrazu na siatkówce lub zdarzenia. (z prezentacji: A. Efros, CMU 2006) 55

55 PERCEPCJA James J. Gibson ( ) Optyka Ekologiczna Percepcja jest procesem prowadzącym do bezpośredniego zrozumienia widzialnego środowiska poprzez ekstrahowanie niezmienników dynamicznych strukturalnych wzorców światła otaczających postrzegającego ze wszystkich kierunków (ang. dynamic ambient optic array) oraz afordancji (ang. affordances) obiektów. 56 (z prezentacji: A. Efros, CMU 2006)

56 PERCEPCJA = ZROZUMIENIE INFORMACJI SENSORYCZNEJ 57

57 OBIEKTY STRUKTURALNE POSZUKIWANIE CECH ISTOTNYCH 58

58 ADAPTACYJNY OSĄD: ODKRYWANIE OBIEKTÓW STRUKTURALNYCH I ICH WŁASNOŚCI niezmienniki klas tolerancji (por. podejście Gibsona) x y a v 1 w 1 W r v w v ( v1,..., vm ); w ( w1,..., w v r w iff v r w for i 1,... m i i r( v) { w : v r w} r( v) { w : w r( v)} i m ) GENERALIZACJA v do r(v) 59

59 GRANULE REPREZENTUJĄCE OBIEKTY STRUKTURALNE własności okien czasowych OKNA CZASOWE t t T a 1 x i mod(i,t) V 1,i v 1 v j v T 1 j T V i =(v 1,i,,v m,i ) 60

60 ADAPTACYJNY OSĄD: ODKRYWANIE OBIEKTÓW STRUKTURALNYCH a b c e f g a 1.75 r c e

61 ADAPTACYJNY OSĄD: ODKRYWANIE OBIEKTÓW STRUKTURALNYCH I ICH EWOLUCJI W CZASIE t a b c e f g c e r a struktura relacyjna w chwili zmiany struktur relacyjnych w czasie 62

62 The main idea of this book is that perceiving is a way of acting. It is something we do. Think of a blind person tap-tapping his or her way around a cluttered space, perceiving that space by touch, not all at once, but through time, by skillful probing and movement. This is or ought to be, our paradigm of what perceiving is. Alva Noë: Action in Perception, MIT Press

63 historia pomiarów sensorycznych i wybranych akcji niższego poziomu w pewnym okresie czasu czas a 1 ac 1 cechy historii w czasie akcje wyższego rzędu x 1 1 x

64 INTERAKCJE Z EKSPERTAMI DZIEDZINOWYMI APROKSYMACJA ZOŻONYCH POJĘĆ NIEOSTRYCH (ang. VAGUE CONCEPTS) Z ZASTOSOWANIEM ONTOLOGII DZIEDZINOWYCH 65

65 when you have a technical description x of the object and have some impression x* about this object you have two forms of description: a formal description and a holistic description or Gestalt description. Using both descriptions during training can help to find a better decision function. This technique remains master-class learning, like musicians training in master classes. The teacher does not show exactly how to play. He talks to students and gives some images transmitting some hidden information - and this helps. So, the challenge is to create an algorithm which using additional information, will generalize better than classical algorithms. Vladimir Vapnik (2008): 66

66 I believe that understanding human experience will be a driving challenge for work in AI in the years to come, and that the work that will result will profoundly impact our knowledge of how we live and interact with the world and with each other. Henry Kautz (2005) Artificial Intelligence: The Next Twenty-Five Years, AI Magazine, 26(4): Winter 2005,

67 DALSZY POSTĘP W UCZENIU HIERARCHICZNYM ZALEŻEĆ BĘDZIE OD ZROZUMIENIA ORGANIZACJI I PODSTAW ZŁOŻONYCH FUNKCJI MÓZGU Organization of cortex for instance visual cortex is strongly hierarchical. Hierarchical learning systems show superior performance in several engineering applications. This is just one of several possible connections, still to be characterized, between learning theory and the ultimate problem in natural science the organization and the principles of higher brain functions. T. Poggio, S. Smale: The Mathematics of Learning: Dealing with Data, Notices AMS, Vol.50, May

68 APPROKSYMACJA ONTOLOGII BAZUJĄCA NA ZBIORACH PRZYBLIŻONYCH Przestrzeń cech (atrybutów) L d L E Percepcja eksperta Transfer wiedzy od eksperta z zastosowaniem pozytywnych i negatywnych przykładów 69

69 UAV 70

70 APROKSYMACJA ZŁOŻONYCH POJĘĆ f C1 f C2 f C3 d 71

71 PRZYKŁAD GRAFU ZACHOWAŃ DLA POJEDYNCZEGO POJAZDU Acceleration on the right lane Acceleration and changing lanes from right to left Acceleration on the left lane Stable speed and changing lanes from right to left Stable speed on the right lane Stable speed on the left lane Stable speed and changing lanes from left to right Deceleration on the right lane Deceleration and changing lanes from left to right Deceleration on the left lane 72

72 GRAF ZACHOWEAŃ DLA GRUPY POJAZDÓW ( DWA POJAZDY: MANEWR WYPRZEDZANIA) 1. Vehicle A is behind B on the right lane 6. Vehicle A is before B on the right lane 3. Vehicle A is moving back to the right lane, vehicle B is driving on the right lane 2. Vehicle A is changing lanes from right to left, vehicle B is driving on the right lane 5. Vehicle A is changing lanes from left to right, vehicle B is driving on the right lane 4. Vehicle A is driving on the left lane and A is passing B (B is driving on the right lane) 73

73 WYNIKI EKSPERYMENTÓW DLA POJĘCIA: Czy pojazd jedzie bezpiecznie? Klasa decyzyjna Metoda Jakość Pokrycie Faktyczna jakość TAK RS RS NIE RS RS OBIE KLASY (TAK+NIE) RS1 RS Faktyczna jakość = Jakość * Pokrycie 74

74 SYMULATOR RUCHU DROGOWEGO Paweł Gora: 75

75 Summary The data mining challenge, IEEE ICDM Contest: TomTom Traffic Prediction for Intelligent GPS Navigation, is over now. It attracted 575 participating teams, of whom over 100 submitted solutions, most of them many times: the total number of solutions was close to Best algorithms achieved nearly 3-fold improvement over baseline solutions in predicting traffic congestion and jams. We thank all participants for their effort and congratulate the winners! We also thank TomTom company and the President of Warsaw for their support of the contest. The Winners Traffic: Alexander Groznetsky, Ukraine Carlos J. Gil Bellosta, Datanalytics, Spain Benjamin Hamner, Duke University, USA Jams: Łukasz Romaszko, University of Warsaw, Poland (lukasz ) Jingrui He, Qing He, Grzegorz Swirszcz, Yiannis Kamarianakis, Rick Lawrence, Wei Shen and Laura Wynter, IBM T.J. Watson Research Center, USA (trafficlab) Kenneth Shirley, Carlos Scheidegger, Ji Meng Loh and Suhris Balakrishnan, AT&T Labs Research, USA (regress) GPS: Benjamin Hamner, Duke University, USA Wei Shen, Yiannis Kamarianakis, Jingrui He, Qing He, Rick Lawrence, Grzegorz Swirszcz and Laura Wynter, IBM T.J. Watson Research Center, USA Andrzej Janusz, University of Warsaw, Poland

76 KLASYFIKACJA PLAM NA SŁOŃCU Son Nguyen et al solar image close-up (hi-res) 77

77 NIETYPOWE PRZYKŁADY N. Trung Nguyen 78

78 WSPOMAGANIE DIAGNOZY I TERAPII NIEWYDOLNOŚĆ ODDECHOWA Współpraca z Polsko-Amerykańskim Instytutem Pediatrii, Uniwersytet Jagielloński, Collegium Medicum, Kraków 79

79 PRZYKŁAD GRAFU ZACHOWAŃ (prosty model zachowania pacjenta w sepsie) Sepsis is not present (multi-organ failure is not detected) Progression of multi-organ failure in sepsis on level 3 Progression of multi-organ failure in sepsis on level Sepsis without multi-organ failure 4 Progression of multi-organ failure in sepsis on level 1 Progression of multi-organ failure in sepsis on level 2 6 nodes and 17 connections Four possibilities of transition from the node: Sepsis without multi-organ failure 80

80 NIEWYDOLNOŚĆ ODDECHOWA JAKO ZŁOŻONY PROCES The respiratory failure Sepsis (generalized reaction on infection leading to multiorgan failure) Ureaplasma lung infection (acquired during pregnancy or birth) PDA (patent ductus arteriosus) RDS (respiratory distress syndrome) 81

81 GRAF ZACHOWANIA JAKO WZORZEC ZACHOWAŃ (wzorzec ryzyka śmierci spowodowanej niewydolnością oddechową) Wizualizacja zachowania noworodka poprzez ścieżkę w grafie zachowań. Graf zachowań (wzorzec zachowań) jako klasyfikator Stabile and mild respiratory failure in sepsis Exacerbation of respiratory failure from mild to moderate in sepsis Stabile and moderate respiratory failure in sepsis Exacerbation of respiratory failure from moderate to severe in sepsis Stabile and moderate respiratory failure in RDS and PDA Exacerbation of respiratory failure from moderate to severe in RDS and PDA Stabile and severe respiratory failure in RDS and PDA Stabile and severe respiratory failure in RDS Exacerbation of respiratory failure from mild to severe in sepsis Stabile and severe respiratory failure in sepsis Stabile and moderate respiratory failure in sepsis, RDS and PDA Exacerbation of respiratory failure from moderate to severe in sepsis, RDS and PDA Stabile and severe respiratory failure in sepsis, RDS and PDA Stabile and severe respiratory failure in sepsis and PDA Stabile and severe respiratory failure in PDA Stabile and severe respiratory failure in sepsis and RDS 82

82 PROBLEM PORÓWNANIA PLANÓW Plan 1: (np. zaproponowany przez ekspertów) Plan 2: (np. generowany automatycznie przez system komputerowy) s 1 a 1 s 2 a 2 s 3 a 3 s 4 t 1 b 1 t 2 b 2 t 3 b 3 t 4 Problem: W jaki sposób porównac Plan 1 i Plan 2? Rozwiazanie: Metoda estymacji podobieństwa planów 83

83 PRZYKŁAD MEDYCZNEJ ONTOLOGII DLA ESTYMACJI PODOBIEŃSTWA PLANÓW TERAPII NOWORODKÓW Z NIEWYDOLNOŚCIĄ ODDECHOWĄ General similarity in the approach to the respiratory failure treatment Similarity in treatment of Ureaplasma Similarity in treatment of sepsis Similarity in treatment of RDS Similarity in use of macrolide antibiotics in treatment of Ureaplasma infection 16 pojęć i 18 powiazań Similarity in treatment of PDA Similarity of a causal treatment of sepsis Similarity of antibiotics use Similarity of anti-mycotic agents use Similarity of sucralfat administration Similarity of a symptom treatment of sepsis Similarity of PDA closing procedure Similarity of mechanical v entilation mode Pojęcia reprezentują różne aspekty podobieństwa między planami terapii medycznej Similarity of corticosteroid use Similarity of catecholamin use Similarity of hemostatic agents use 84

84 PODSTAWY TEORETYCZNE RoughICE Podstawy teoretyczne środowiska RoughICE zostały opisane w pracy habilitacyjnej, która została wydana jako rozdział: Bazan,. J., G.: Hierarchical Classifiers for Complex Spatio-temporal Concepts, Lecture Notes in Computer Science 5390, Transactions on Rough Sets IX, , Berlin, Heidelberg: Springer-Verlag (2008).

85 86

86 87

87 PODSUMOWANIE Omówione zostały interakcyjne obliczenia granularne, z elementami percepcji bazującej na adaptacyjnym osądzie oraz z wykorzystaniem metod zbiorów przybliżonych. Jest to krok w realizacji programu WisTech. 88

88 Dlaczego Wistech? Aristotle's man of practical wisdom, the phronimos, is observant of principles and, at the same time, open to their modification. He begins with nomoi established law - and employs practical wisdom to determine how it should be applied in particular situations and when departures are warranted. Rules provide the guideposts for inquiry and critical reflection. L. P. Thiele. The Heart of Judgment: Practical Wisdom, Neuroscience, and Narrative. Cambridge Univ. Press, p.5. 89

89 Dlaczego Wistech? Marzec 10, 2011: Leslie Valiant z Uniwersytetu Harvarda otrzymal nagrodę Turinga za rok 2010 za prace dotyczące rozwoju obliczeniowej teorii uczenia (ang. computational learning theory) Current research of Professor Valiant A fundamental question for artificial intelligence is to characterize the computational building blocks that are necessary for cognition. A specific challenge is to build on the success of machine learning so as to cover broader issues in intelligence. This requires, in particular a reconciliation between two contradictory characteristics--the apparent logical nature of reasoning and the statistical nature of learning. Professor Valiant has developed a formal system, called robust logics, that aims to achieve such a reconciliation. 90

90 DZIĘKUJĘ! 91

91 APPENDIX

92 WYBRANE PRACE Bazan, J., Peters, J.F., Skowron, A.: Behavioral pattern identification through rough set modelling. In: Szelak, D., Szczuka, M., Duentsch, I., Yao, Y.Y. (Eds.), Proceedings of the Tenth International Conference on Rough Sets, Fuzzy Sets, Data Mining, and Granular Computing (RSFDGrC 2005), Regina, Canada, September Springer, Berlin, LNAI 3642 (2005) Bazan, J., Skowron, A.: Classifiers based on approximate reasoning schemes. In: Dunin-Keplicz, B., Jankowski, A., Skowron, A., Szczuka, M. (Eds.), Monitoring, Security, and Rescue Techniques in Multiagent Systems, Advances in Soft Computing, Springer, Heidelberg (2005) Bazan, J., Skowron, A.: On-line elimination of non-relevant parts of complex objects in behavioral pattern identification. In: Pal, S.K., Bandoyopadhay, S., Biswas, S. (Eds.). Proceedings of the First International Conference on Pattern Recognition and Machine Intelligence (PReMI'05), Indian Statistical Institute, December 18-22, 2005, LNAI Springer, Heidelberg (2005) Bazan, J., Kruczek, P., Bazan-Socha, S., Skowron, A., Pietrzyk, J.J.: Automatic planning of treatment of infants with respiratory failure through rough set modeling. In: Greco, S., Hata, Y., Hirano, S., Inuiguchi, M., Miyamoto, S., Nguyen, H.S., Slowinski. R. (Eds.), Fifth International Conference on Rough Sets and Current Trends in Computing (RSCTC 2006), Kobe, Japan, November 6-8, LNAI 4259 Springer, Heidelberg (2006)

93 WYBRANE PRACE Bazan, J., Kruczek, P., Bazan-Socha, S., Skowron, A., Pietrzyk, J.J.: Risk pattern identification in the treatment of infants with respiratory failure through rough set modeling. In: Proceedings of Information Processing and Management under Uncertainty in Knowledge-Based Systems (IPMU'2006), Paris, France, July 2-7, 2006, no. 3. Editions E.D.K., Paris (2006) Bazan, J., Skowron, A., Swiniarski., R.: Rough sets and vague concept approximation: From sample approximation to adaptive learning. Transactions on Rough Sets V LNCS 4100 (2006) Bazan, J.: Hierarchical classifiers for complex spatio-temporal concepts. Transactions on Rough Sets IX, LNCS 5390 (2008) Nguyen, S.H., Bazan, J., Skowron, A., Nguyen, H.S.: Layered learning for concept synthesis. Transactions on Rough Sets I LNCS 3100 (2004) Nguyen, H.S., Jankowski, A., Peters, J.F., Skowron, A., Stepaniuk, J., Szczuka, M.: Discovery of process models from data and domain knowledge: A rough-granular approach. In: J.T. Yao (ed.) Novel Developments In Granular Computing: Applications for Advanced Human Reasoning and Soft Computation. IGI Global, Hershey PA (2010) Jankowski A., Skowron A.: Logic for artificial intelligence: The Rasiowa- Pawlak school perspective, In: Ehrenfeucht, A., Marek V., Srebrny M. (Eds.) Andrzej Mostowski and Foundational Studies, IOS Press, Amsterdam, 2008,

94 WYBRANE PRACE Jankowski, A., Skowron, A., Szczuka. M.: Interactive granular computing in rightly judging systems. In: Wen, P., Li, Y., Polkowski, L., Yao, Y.Y., Tsumoto, S., Wang, G. (Eds.) RSKT 2009, Gold Coast, Australia, July 14-16, 2009 LNCS 5589, Sprinter, Heidelberg (2009) 1-16 Jankowski, J., Skowron, A.: Wisdom technology: A Rough-granular approach. In: M. Marciniak, A. Mykowiecka (Eds.), Bolc Festschrift. LNCS 5070 (2009) Pawlak, Z., Skowron, A.: Rudiments of rough sets. Information Science 177 (2007) 3-27; Rough sets: Some extensions. Information Science 177 (2007) 28-40; Rough sets and boolean reasoning. Information Science 177 (2007) Pedrycz, W., Skowron, A., Kreinovich, V. (Eds.): Handbook of Granular Computing. John Wiley & Sons (2008) Nguyen, T.T., Skowron, A.: Rough-granular computing in human-centric information processing. In; Bargiela, A., Pedrycz, W. (eds.), Human-Centric Information Processing Through Granular Modelling, Springer, Heidelberg (2009) 1-30 Skowron, A.: Perception logic in intelligent systems (plenary talk). In: Blair, S. et al (Eds.), Proceedings of the 8th Joint Conference on Information Sciences (JCIS 2005), July 21-26, 2005, Salt Lake City, Utah, USA, X-CD Technologies: A Conference & Management Company, ISBN , Toronto, Ontario, Canada, 2005

95 WYBRANE PRACE Skowron, A.: Rough sets in perception-based computing (keynote talk). In: S.K. Pal, S. Bandoyopadhay, and S.Biswas (Eds.), First International Conference on Pattern Recognition and Machine Intelligence (PReMI'05) December 18-22, 2005, Indian Statistical Institute, Kolkata, LNCS 3776, Springer, Heidelberg, Skowron, A., Stepaniuk, J., Swiniarski, R.: Approximation spaces in roughgranular computing. Fundamenta Informaticae 100 (1-4) (2010) Skowron, A., Szczuka, M.: Toward interactive computations: A roughgranular approach. In: Koronacki, J., Ras, Z.W., Wierzchon, S.T., Kacprzyk, J. (Eds.) Advances in Machine Learning II, Dedicated to the Memory of Professor Ryszard S. Michalski. Studies in Computational Intelligence 263, Sprinter, Heidelberg (2010) Skowron, A., Wasilewski, P.: Information systems in modeling interactive computations on granules. In: M. Szczuka, M. Kryszkiewicz, S. Ramanna, R. Jensen, Q. Hu (Eds.) Proceedings of RSCTC LNAI 6086 Springer, Heidelberg (2010) Skowron, A., Wasilewski, P.: An Introduction to perception based computing. FGIT 2010, Korea, Jeju, December 13-15, LNAI 6485, Springer, Heidelberg (2010) Skowron, A., Wasilewski, P.: Information systems in modeling interactive computations on granules. accepted to the special issue of Theoretical Computer Science: Theory of Natural Computing

96 HYBRYDYZACJA METOD ZBIORÓW PRZYBLIŻONYCH Z INNYMI METODAMI OBLICZEŃ ELASTYCZNYCH, W SZCZEGÓLNOŚCI Z METODAMI ZBIORÓW ROZMYTYCH S. K. Pal and A. Skowron (Eds.: Rough-Fuzzy Hybridization: A New Trend in Decision Making. Springer, Singapore, 1999 S.K. Pal, J. F. Peters (Eds.)Rough Fuzzy Image Analysis. Chapman & Hall/CRC, Boca Raton, Florida, 2010 OBLICZENIA BAZUJĄCE NA PERCEPCJI PODEJŚCIE ZBIORÓW ROZMYTYCH L.A. Zadeh: Precisiated natural language (PNL). AI Magazine 25(3) (2004) L.A. Zadeh: A new direction in AI: Toward a computational theory of perceptions. AI Magazine 22(1) (2001)

97 TUNEDIT Automated evaluation of machine-learning and datamining algorithms Generation of reproducible experimental results for high-quality research papers Collaboration between researchers: sharing of algorithms, datasets, experimental results and other resources Benchmarks of algorithms: currently stores performance data for nearly 100 algorithms tested on several tens of datasets. Included: Weka, Rseslib algorithms, UCI 98 datasets