Wiedza w grach, gry z celem tworzenia wiedzy

Wiedza w grach, gry z celem tworzenia wiedzy dr inż. Agnieszka Ławrynowicz Instytut Informatyki Politechniki Poznańskiej ZTG 2013

Kim jestem? Adiunkt w Instytucie Informatyki Politechniki Poznańskiej Zainteresowania: sztuczna inteligencja, głównie reprezentacja i inżynieria wiedzy (ontologie), odkrywanie wiedzy i technologie semantyczne (Seman&c Web) hop://www.cs.put.poznan.pl/alawrynowicz/

LeoLOD LeoLOD - Learning and Evolving Ontologies from Linked Open Data (2013-2015) Projekt realizowany w ramach programu POMOST Fundacji na Rzecz Nauki Polskiej Tworzenie wiedzy: metody automatyczne (uczenie maszynowe) Walidacja wyników: crowd- sourcing (mikro- zadania) Strona projektu: hop://www.cs.put.poznan.pl/alawrynowicz/leolod/

WIEDZA W GRACH

Jeopardy! Jeopardy! to amerykański quiz show (odpowiednik polskiego Va Banque!) 1964 do dzisiaj format odpowiedź- i- pytanie Przykład: Kategoria: Nauka ogólnie Wskazówka: W zderzeniu z elektronami, fosfor wydziela energię elektromagnetyczną w tej formie Odpowiedź: Czym jest światło? dla ludzi, wyzwaniem jest znajomość odpowiedzi dla maszyn, wyzwaniem jest zrozumienie pytania

IBM Watson Watson system komputerowy stworzony przez IBM do odpowiadania na pytania zadawane w języku naturalnym Watson wystąpił w Jeopardy! w trzydniowej rozgrywce (2011)

IBM Watson przeciwnikami IBM Watsona byli: Brad RuOer do tej pory wygrał najwięcej pieniędzy, Ken Jennings był najdłużej niepokonanym mistrzem IBM Watson zajął pierwsze miejsce

IBM Watson DeepQA (Watson) generuje i ocenia wiele hipotez wykorzystując kolekcję metod z dziedziny przetwarzania języka naturalnego, uczenia maszynowego, reprezentacji wiedzy i wnioskowania; gromadzą one i ważą dowody pochodzące ze źródeł danych niestrukturalnych i strukturalnych (np. otwartych powiązanych danych) aby ustalić odpowiedź o najwyższej pewności na podstawie odpowiedzi wielu (setek) metod NER JĘZYK NATURALNY parsowanie wyszukiwanie informacji uczenie maszynowe crowd technologie semantyczne ZADANIE

IBM Watson DeepQA (Watson) generuje i ocenia wiele hipotez wykorzystując kolekcję metod z dziedziny przetwarzania języka naturalnego, uczenia maszynowego, reprezentacji wiedzy i wnioskowania; gromadzą one i ważą dowody pochodzące ze źródeł danych niestrukturalnych i strukturalnych (np. otwartych powiązanych danych) aby ustalić odpowiedź o najwyższej pewności na podstawie odpowiedzi wielu (setek) metod NER JĘZYK NATURALNY parsowanie wyszukiwanie informacji uczenie maszynowe crowd technologie semantyczne ZADANIE

GRY Z CELEM TWORZENIA WIEDZY

Tworzenie wiedzy wykwalifikowany zespół ludzi metody (pół)- automatyczne społecznościowe (crowd- sourcing)

Tworzenie wiedzy wykwalifikowany zespół ludzi metody (pół)- automatyczne społecznościowe (crowd- sourcing): Gry z celem tworzenia wiedzy

Motywacje w tworzeniu treści przez społeczność Obopólna korzyść (tagowanie) Reputacja, sława (Wikipedia) Rywalizacja Przystosowanie się do grupy Altruizm Poczucie własnej wartości i nauka Zabawa i osobista przyjemność Domniemana obietnica przyszłych nagród Nagrody (Amazon Mechanical Turk)

Gry z celem Games with a purpose (GWAP): Technika oparta na obliczeniach wykonywanych przez ludzi (human- based computa&on) Proces obliczeniowy wykonywany jest poprzez zlecanie niektórych czynności ludziom do wykonania w zabawny, zajmujący sposób GWAP wykorzystuje różnice w umiejętnościach i kosztach pracy ludzi i metod informatycznych w celu osiągnięcia symbiotycznej interakcji człowiek- komputer

Gry z celem Luis Von Ahn (2006) Główna motywacja: nie leży w rozwiązaniu instancji problemu obliczeniowego, jest to ludzkie pragnienie zabawy W GWAP ludzie wykonują pożyteczne obliczenia jako efekt uboczny przyjemnej rozrywki Miarą użyteczności GWAP jest kombinacja wygenerowanych wyników i przyjemności rozgrywki

Kluczowe elementy GWAP

Gry z celem tworzenia treści, wiedzy Adnotacja tekstu/audio/obrazów/video Konstrukcja ontologii Mapowanie ontologii Tworzenie linków między zasobami Wyścigi Wiki

Adnotacja obrazów: Google Image Labeler Dwuosobowa gra internetowa (online: 2006 2011, wcześniej ESP Game) Cel: przypisanie etykiet do obrazka; dane wprowadzone przez graczy wspomagały wyszukiwarkę grafik Google Zasady: punkty za podanie zgodnych etykiet obiektów na obrazku. Często podawane etykiety umieszczane na czarnej liście, niepunktowane. Dane wyjściowe : adnotacje opisujące obiekty na obrazkach Walidacja: konsensus, większość

ESP Game Źródło: hop://www.idolhands.com/contact/

Adnotacja audio: HerdIt Wieloosobowa gra Cel: adnotacja audio Zasady: kilka mini- gier dotyczących części utworu muzycznego; wszyscy gracze słuchają tego samego fragmentu audio i odpowiadają na pytania. Punkty przyznawane za podobieństwo odpowiedzi do tych udzielonych przez innych graczy. Dane wyjściowe: adnotacja plików audio Walidacja: konsensus, większość

Ontologia w pigułce An ontology is a formal specification ] maszynowa interpretacja of a shared ] grupa osób, konsensus conceptualization ] abstrakcyjny model zjawisk, pojęcia of a domain of interest ] wiedza dziedzinowa (Gruber 93) ontologia = formalna specyfikacja pojęć z danej dziedziny

Konstrukcja ontologii: OntoPronto (Ontogame) Dwuosobowa gra quizowa Cel: budowa ontologii dziedzinowej będącej rozszerzeniem ontologii Proton Zasady: Gracze czytają streszczenie losowo wybranego artykułu z Wikipedii i odpowiadają na zapytania o relacji tego artykułu w stosunku do ontologii Proton. Dane wyjściowe: Ontologia dziedzinowa ufundowana na ontologii Proton Walidacja: konsensus, większość

OntoPronto (Ontogame)

Mapowanie ontologii: SpotTheLink Dwuosobowa gra quizowa Cel: uzgadnianie ontologii, np. Dbpedia i Proton Zasady: Graczom prezentowane jest pojęcie z jednej ontologii. Pierwszy krok: zgadzają się co do odpowiadającego mu pojęcia w drugiej ontologii. Krok drugi: zgadzają się co do relacji wiążącej te dwa pojęcia. Dane wyjściowe: Odwzorowanie (w języku SKOS) pomiędzy pojęciami w ontologiach Walidacja: konsensus, większość

SpotTheLink

Otwarte powiązane dane w pigułce Projekt społecznościowy ze wsparciem W3C Publikowanie zbiorów danych jako otwarte i powiązane ze sobą dane grafowe (sieci semantyczne) Główna idea: wziąć istniejące (otwarte) zbiory danych i uczynić je dostępnymi w sieci WWW w formacie RDF (sieci semantyczne) Raz opublikowane w RDF, połączyć je linkami z innymi zbiorami danych Przykładowy link RDF: hop://dbpedia.org/resource/berlin [Identyfikator Berlina w DBPedia] owl:sameas hop://sws.geonames.org/2950159 [Identyfikator Berlina w Geonames].

Tworzenie linków między zasobami: VeriLinks Cel: walidacja linków w arbitralnym zbiorze danych Zasady: Zgoda graczy co do poprawności linku jest nagradzana monetami, które są następnie wykorzystywane do zwalczania najeźdźców w grze polegającej na obronie wieży. Dane wyjściowe: zwalidowane linki

VeriLinks

Wyścigi Wiki : Wikispeedia Podążanie za linkami w Wikipedii Cel: obliczanie semantycznej odległości pomiędzy dwoma artykułami Wikipedii. Zasady: Gracze muszą znaleźć jak najkrótszą ścieżkę między dwoma hasłami. Dane wyjściowe: semantyczna odległość pomiędzy dwoma artykułami Walidacja: Większość

Wikispeedia Spróbuj: Game - > Astronomy, Game- >Potato

Dalsze uwagi Nie każde zadanie da się łatwo przerobić na GWAP (wymóg dekompozycji na mikro- zadania) Tworzenie niektórych ontologii wymaga bardzo specjalistycznej wiedzy To co powstaje w wyniku GWAP jest raczej płytkim modelem GWAP wymaga strategii zapobiegania oszustwom

Więcej informacji LeoLOD: hop://www.cs.put.poznan.pl/alawrynowicz/leolod IBM Watson (The DeepQA Project): hop://researcher.ibm.com/researcher/view_project.php?id=2099 GWAP: 1. Luis von Ahn (2006). "Games With A Purpose" (PDF). IEEE Computer Magazine: 96 98. 2. Luis von Ahn, Laura Dabbish (2008). "Designing Games With A Purpose" (PDF). Communica&ons of the ACM 51 (08/08). Semanc Games: 1. Elena Simperl, Roberta Cuel, Marn Stein, Incenve- Centric Semanc Web Applicaon Engineering, Morgan & Claypool Publishers (2013) 2. hop://semancgames.org/