PRODIGY is an integrated cognitive architecture for complex planning and machine learning, developed originally by a research group of Jaime Carbonell, Steve Minton et al. (1989-91) at Carnegie Mellon University, Pittsburgh, PA, USA. and led now by Manuela Veloso.
(They are not maintaining this software any longer).
The Prodigy Homepage |
Alternative Prodigy Page | J. Carbonell’s Website
MANUELA M. VELOSO Herbert A. Simon Professor
Computer Science Department
School of Computer Science
Carnegie Mellon University, Pittsburgh, PA, USA
Email: Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.
Общие сведения
Когнитивная архитектура PRODIGY [Carbonell, Knoblock, & Minton, 1990] разработана в 1989-91 гг. исследовательской группой Х. Карбонелла (Jaime Carbonell), С. Минтона (Steve Minton) и др. в Университете Карнеги-Меллона (Carnegie Mellon University), Питтсбург, Пенсильвания, США и в настоящее время находящейся под руководством Мануэлы Велозу (Manuela Veloso). Дальнейшая разработка программного обеспечения по проекту не ведется.
PRODIGY - когнитивная архитектура, получившая широкое развитие с середины 1980-х до конца 1990-х. Эта архитектура включает в себя два основных вида знания. Правила предметной области (domain rules) кодируют условия, при которых действия имеют определенные последствия (effects), где последствия описываются как добавление или удаление выражений первого порядка. Они относятся как к физическим действиям, которые влияют на окружающую среду, так и к правилам вывода, которые являются чисто когнитивными. Напротив, правила управления указывают условия, при которых в процессе поиска эта архитектура должна выбрать, отвергнуть или предпочесть заданный оператор, набор операторов привязки (operator bindings), состояние задачи или цель.
Структуры краткосрочной памяти включают описания состояний и содержание стека целей. Решение задач включает анализ “средства-цели”, который неоднократно выбирает оператор, чтобы уменьшить различия между текущей целью и состоянием, пока не найдет последовательность, которая достигает цели верхнего уровня.
Базовый модуль решения задач архитектуры PRODIGY включает в себя поиск в пространстве задач, чтобы достичь одну или несколько целей, которые он также рассматривает как выражения первого порядка. Этот поиск опирается на анализ "средства-цели", выбирающий оператор, который уменьшает некоторую разницу между текущим состоянием и целью, что в свою очередь может привести к подзадачам с собственными текущими состояниями и целями. В каждом цикле PRODIGY использует свои правила управления, чтобы выбрать оператор, набор связей, состояние или цель, отвергнуть их или предпочесть одни другим. В отсутствие таких знаний управления, эта архитектура делает выбор случайным образом и производит поиск типа “сначала-вглубь” с возвратом при анализе "средства-цели".
Имеющийся в архитектуре PRODIGY модуль обучения анализирует следы решения задач и создает новые правила выбора, отклонения и предпочтения, чтобы уменьшить поиск в будущих задачах, на основе объяснений строит правила управления из опыта решения задач. Успешное достижение цели после поиска приводит к созданию правил выбора или предпочтения, связанных с той целью и теми операторами, которые были применены. Неудача в достижении цели приводит к созданию правил отказа выбора или предпочтения для операторов, целей и состояний, которые не привели к решению. Для создания этих правил управления PRODIGY вызывает метод обучения, который анализирует следы решения задач и доказывает причины (proves the reasons) успеха или неудачи. Эта архитектура также собирает статистику по правилам обучения и сохраняет только те, включение которых приводит со временем к более эффективному решению задач.
Кроме того, PRODIGY включает в себя отдельные модули для управления поиском по аналогии с более ранними решениями, для обучения описаний операторов, полученных от наблюдаемых решений или экспериментов, и для повышения качества решений.
Хотя большинство исследований в этих рамках посвящено исключительно планированию и решению задач, PRODIGY также легла в основу впечатляющей системы с перемежающимся планированием и выполнением для мобильного робота, который принимал асинхронные запросы от пользователей [Haigh & Veloso, 1996].
Integrated AI Architecture
The Prodigy is a modular architecture that stores its knowledge symbolically in a form of first-order predicate logic (FOPL) which is called the Prodigy Description Language (PDL). This language includes:
- Ground Atomic formulas: used in database to express current state of world,
- Operators: used to represent what actions effect which changes,
- Inference Rules: used to deduce added information about a state,
- Control Rules: used to guide search, and
- Meta-knowledge axioms: used to achieve self-reflection
All knowledge is therefore declarative, freely-inspectable, and uniformly represented and accessed by all modules.
Prodigy's planning approach is STRIPS-like in that it uses Means-Ends Analysis (MEA) and control rules to choose:
- which node to expand,
- which goal to work on,
- which operator to apply, and,
- which instatiation of an operator to select.
MEA and the control rules give Prodigy focused behavior. By default, Prodigy generates new goals in a depth-first manner.
One of the goals of Prodigy was to be a test-bed for learning mechanisms.
As such, Prodigy supports many learning methods. Among these are:
- EBL ,
- STATIC ,
- ANALOGY ,
- ALPINE ,
- EXPERIMENT and
- APPRENTICE
Currently, work on Prodigy includes explanation-based learning, partial evaluation, experimentation, graphical knowledge acquisition, automatic abstraction, mixed-initiative planning, case-based reasoning and a number of real-world domains.
Publications
Selected papers
Reports and papers
Selected_presentations:
Machine Learning & Data Mining Part 1: The Basics – Jaime Carbonell, with Tom Mitchell, Sebastian Thrun, and Yiming Yang – December 2008
Machine Learning Part 2: Intermediate and Active Sampling Methods – Jaime Carbonell, with Pinar Donmez and Jingrui He – December 2008
Proactive Learning: Cost-Sensitive Active Learning with Multiple Imperfect Oracles – Jaime Carbonell and Pinar Donmez – October 2008
Machine Translation & Automated Speech Recognition – Jaime Carbonell, with Richard Stern and Alex Rudnicky – February 2008
Carbonell, J. G., Knoblock, C. A., & Minton, S. (1990). PRODIGY: An integrated architecture for planning and learning. In K. Van Lehn (Ed.), Architectures for intelligence. Hillsdale, NJ: Lawrence Erlbaum.
Steven Minton, Jaime G. Carbonell, Craig A. Knoblock, Daniel R. Kuokka, Oren Etzioni, and Yolanda Gil. "Explanation-based learning: A problem solving perspective". Technical Report CMU-CS-89-103, Carnegie Mellon University, School of Computer Science, Pittsburgh, PA, 1989.
