“Técnicas de optimización para el problema de grounding en planning clásico”

26 Mayo 2020 - Google Meet -UNC

Defensa de tesis para optar al grado de Doctor en Ciencias de la Computación del Lic. Facundo José Bustos. Dirigida por el Dr. Carlos Areces y codirigida por el Dr. Martín Ariel Domínguez

Resumen: Planning es una de las áreas centrales dentro de la Inteligencia Artificial. En ella, se estudia la generación automática de acciones por parte de agentes inteligentes con el objetivo de alcanzar una meta a partir de una situación inicial. Los planificadores -algoritmos que computan el comportamiento de los agentes a partir de una descripción detallada de los mismos y su entorno- trabajan en una representación de bajo nivel del problema. Esta representación es computada a partir de una representación de más alto nivel que permite modelar el problema en forma compacta y flexible. Esta compilación recibe el nombre de “proceso de grounding” y ha demostrado ser un obstáculo importante, sobre todo en aquellos problemas, donde la dimensión de la representación de bajo nivel agota los recursos computacionales del planificador. En este trabajo se presentan dos técnicas para optimizar el proceso de grounding, con el fin de conseguir una representación de bajo nivel más eficiente del problema. La primer técnica “Action Schema Splitting” opera directamente en la representación de más alto nivel y consiste en dividir cada esquema de acción en sub-esquemas con el objetivo de reducir el tamaño de las interfaces. Esta operación no es trivial si queremos que las soluciones sean preservadas en una relación uno a uno. La técnica constituye un compromiso entre la distancia a la meta y la cantidad de acciones generadas por el grounding. La segunda técnica “Subdominización” es una modificación del algoritmo de grounding. La idea se basa en generar únicamente aquellas acciones que son realmente necesarias para alcanzar la meta, descartando el resto. Por lo tanto, el éxito de esta técnica radica en la precisión para discriminar acciones que son verdaderamente relevantes. Para ello, construimos modelos basados en aprendizaje automático que estiman el nivel de relevancia de las acciones y con alta velocidad de respuesta. Nuestros experimentos demuestran que ambas técnicas pueden convertirse en herramientas muy valiosas dentro del área por ser algoritmos concretos que logran, en muchas ocasiones, reducir considerablemente la cantidad de acciones generadas por el grounding. Además, a nuestro entender, son técnicas valiosas desde un punto de vista teórico, en el sentido de que el proceso de grounding nunca antes había sido exhaustivamente estudiado por la comunidad de planning. Es por eso que consideramos que este trabajo suple esta carencia. En definitiva, pretendemos que este trabajo sea un punto de partida para nuevas preguntas e interrogantes sobre cómo abordar el problema de grounding en los planificadores modernos..

Para participar, deben observarse las siguientes instrucciones.