Simplificando problemas de Planning con ayuda de Machine Learning

Fecha y Horario: miércoles 9 de setiembre a las 11am
Expositores: Dr. Facundo Bustos y Dr. Martín Ariel Domínguez (FaMaF - UNC)
Enlace al evento: Clic aquí

Resumen:

La Planificación Automática (Planning) es una de las áreas centrales dentro de la Inteligencia Artificial. En ella se estudia la generación automática de soluciones a partir de una descripción lógica de un problema. Los planificadores --algoritmos que computan automáticamente dichas soluciones-- trabajan en una representación de bajo nivel del problema. Esta representación de bajo nivel es computada a partir de una representación de más alto nivel que permite al usuario modelar el problema en forma simple y flexible. Esta compilación dentro del área recibe el nombre de “proceso de grounding” y ha demostrado ser un obstáculo para utilizar los planificadores en la obtención de soluciones a problemas de la vida real, tales como ciberseguridad, tecnología espacial, procesamiento de lenguaje natural, modelado de reacciones químicas, etc. Esto sucede debido a que el tamaño de la representación de bajo nivel es exponencial con respecto a la representación de alto nivel dada por el usuario.

En este seminario nos enfocaremos en cómo nos valemos de técnicas de Machine Learning para optimizar el proceso de grounding del planificador, con el afán de conseguir una representación de bajo nivel del problema más compacta.

Gracias a nuestras técnicas hemos logrado resolver, en muchos casos, problemas cuya magnitud resultaba imposible de tratar por los planificadores actuales del área.

[1] D. Gnad, A. Torralba, M. A. Dominguez, C. Areces, F. Bustos. Learning How to Ground a Plan - Partial Grounding in Classical Planning. In Pascal Van Hentenryck and Zhi-Hua Zhou editors Proceedings of the 33nd AAAI Conference on Artificial Intelligence (AAAI’19). AAAI Press, January 2019.