A neural-symbolic BDI-agent as a Multi-Context System

Abstract

Sistemas inteligentes estão sendo implantados em diversos campos, como por exemplo: saúde, educação, automações e jurídico. Tradicionalmente, esses sistemas são implementados através de dois métodos de Inteligência Artificial: simbólica e conexionista. A IA simbólica opera através da realização de uma sequência de etapas de raciocínio lógico sobre símbolos que consistem em representações semelhantes à linguagem. A IA conexionista refere-se à adição de conhecimento por meio da atribuição de condutividades numéricas ou pesos às conexões dentro de uma rede. Um problema fundamental na ciência da computação é definir como conciliar a natureza estatística da aprendizagem com a natureza lógica do raciocínio, visando construir modelos computacionais robustos que integrem a aquisição e a manipulação de conceitos. Inicialmente, um Mapeamento Sistemático da Literatura (MSL) foi realizado para investigar como diferentes trabalhos combinam redes neurais e agentes inteligentes para desenvolver sistemas inteligentes. Os principais resultados desse mapeamento mostraram que a maioria dos estudos não integram a aprendizagem ao ciclo de raciocínio do agente, concentrando-se principalmente no uso de redes neurais para definir uma política de recompensa para agentes de aprendizagem por reforço. Com o objetivo de obter o melhor de ambos os métodos, o campo de estudo do neuro-simbólico busca construir sistemas modulares que possam aprender através de interações com o ambiente e raciocinar a partir do que foi aprendido. Desta forma, este trabalho propõe a utilização de agentes-BDI neuro-simbólico baseados em Sistemas Multi-Contexto (SMC). Os SMC permitem a representação da troca de informações entre fontes heterogêneas. Os agentes BDI fornecem um comportamento robusto e flexível, um desenvolvimento rápido e modular, e propriedades de inteligibilidade e verificabilidade. Para avaliar o agente proposto, um estudo de caso e dois experimentos são executados. Nos estudos de caso, descreve-se os detalhes do método de integração e como os agentes são desenvolvidos no framework Sigon. O Sigon permite o desenvolvimento de agentes SMC, nos quais os contextos podem ser integrados com os existentes a nível de linguagem de programação. Os resultados do primeiro experimento mostraram que o agente proposto adaptou-se a diferentes situações e atingiu o valor máximo da função de utilidade. Porém, a execução da rede neural em todos os ciclos de raciocínio pode não ser adequada em cenários que exigem respostas rápidas. No segundo experimento, comparado à versão de referência, que alcançou acurácia de 84.6\%, o agente neuro-simbólico atingiu 84.4\% e foi 48\% mais rápido durante a fase de treinamento. Como última etapa desta pesquisa, um novo MSL foi executado. Esse MSL concentrou-se em estudar como diferentes trabalhos modelaram, desenvolveram, avaliaram e implantaram agentes neuro-simbólicos. Com base nas atividades realizadas, as contribuições desta pesquisa são as seguintes: (i) modelagem de uma integração de métodos conexionistas como parte da tomada de decisão do agente, possibilitando o desenvolvimento de agentes de forma modular e flexível; (ii) implementação prática do método de integração proposto; (iii) o método de integração pode mitigar a necessidade de regras codificadas e elaboradas manualmente; e (iv) um agente neural-simbólico capaz de melhorar sua tomada de decisão através da otimização do desempenho da rede neural.

Abstract: Intelligent systems have been deployed in several fields (e.g., medicine, education, automation, or legal), providing relevant tools to assist with our daily tasks. Traditionally, two categories can separate AI methods: symbolic and connectionist. \rev{Conciliating the statistical nature of learning with the logical nature of reasoning, aiming to integrate concept acquisition and manipulation, has been identified as a key research challenge and fundamental problem in computer science}. Initially, we performed a Systematic Literature Mapping (SLM) to investigate how different works combine neural networks and intelligent agents to develop intelligent systems. Our findings show that most studies did not integrate learning into the agent's reasoning cycle; they mainly focused on using neural networks to define a policy for reinforcement learning agents. \rev{Aiming to bring the best of both methods, a field of study called neural-symbolic seeks to build modular systems that can learn from the environment and reason from what was learned}. \rev{To integrate these two methods, this research proposes a neural-symbolic BDI (Beliefs, Desires, and Intentions)-agent based on Multi-Context Systems (MCS)}. MCSs allow the modular representation of information exchange among heterogeneous sources. BDI-agents offer robust and flexible behavior, rapid and modular development, intelligibility, and verifiability. We present case studies and two experiments to evaluate the proposed agent model. The case studies describe the integration method and how the proposed agents can be developed in the Sigon framework. Sigon enables the development of MCS agents in which different contexts can be integrated at a programming language level. The results from the first experiment showed that the proposed agent adapted to different situations and achieved the maximum utility value. However, executing the neural network in every reasoning cycle could not be adequate in some scenarios that require rapid responses. In the second experiment, compared to the baseline version, which achieved an accuracy of 84.6\%, the neural-symbolic agent achieved 84.4\% and was 48\% faster during the training phase. As the last step of this research, we executed a new SLM, which focuses on how different studies modeled, developed, evaluated, and deployed neural-symbolic agents. \rev{Based on the results, the contributions of this research are: (i) integration of connectionist methods as part of the agent's decision-making; (ii) practical implementation of the integration method; (iii) the proposed integration method can mitigate the necessity of hard-coded and hand-crafted rules; and (iv) a neural-symbolic agent that improves the neural network's performance, thus enhancing the intelligent systems' decision-making.