DOI: https://doi.org/10.20998/2522-9052.2020.4.16

Динамічна модель представлення пояснень для людино-машинного інтерфейсу

Serhii Chalyi, Volodymyr Leshchynskyi, Iryna Leshchynska

Анотація


Предметом вивчення в статті є процеси автоматизованої побудови пояснень щодо роботи інтелектуальної системи для використання у людино-машинному інтерфейсі. Метою є розробка динамічної моделі пояснення для людино-машинного інтерфейсу з використанням темпоральних знань щодо процесу функціонування інтелектуальної системи. Темпоральні знання дають можливість задати можливі послідовності дій з прийняття рішення в інтелектуальній системі на основі відомої темпоральної упорядкованості для пар таких дій. Завдання: розробка підходу до побудови пояснень щодо роботи інтелектуальної системи на основі використання темпоральниих знань; розробка трьохаспектної моделі пояснень з використанням темпоральних знань. Використовуваними підходами є: підходи до побудови представлення знань на основі темпоральних залежностей, підходи до побудови відповідей чатбота з використанням правил, а також із їх автоматичною генерацією. Отримані наступні результати. Виконано структуризацію аспектів пояснення з урахуванням можливостей їх опису за допомогою темпоральних знань; запропоновано темпоральний підхід до побудови пояснення; розроблено динамічну модель пояснення, що використовує темпоральні правила. Висновки. Наукова новизна отриманих результатів полягає в наступному. Запропоновано темпоральний підхід до побудови пояснень щодо роботи інтелектуальної системи. Підхід описує пояснення як процес, що складається із темпорально упорядкованої послідовності фактів. Порядок у часі для пар фактів задається темпоральними правилами. Такі правила можуть визначати процес пояснення із різним ступенем деталізації у часі, в залежності від запиту на пояснення. Детальні пояснення відображають модель предметної області і містять у собі  базові та альтернативні послідовності дій, що виконує інтелектуальна система. Пояснення базових патернів роботи інтелектуальної системи дає можливість інтерпретувати обмеження, які впливають на отримане рішення. Пояснення роботи системи в цілому забезпечує неявне відображення ключових причинно-наслідкових залежностей, що дозволяє отримати спрощену інтерпретацію результатів роботи інтелектуальної системи. Запропоновано динамічну модель опису пояснень на основі темпоральних знань для використання у людино-машинному  інтерфейсі. Модель враховує опис дій у предметної області, патерни цих дій, а також узагальнені причинно-наслідкових зв'язки між такими патернами. Модель забезпечує можливість представлення динаміки процесу функціонування інтелектуальної системи із необхідним ступенем деталізації, а також зміну рівня деталізації для уточнення пояснення за запитом користувача.

Ключові слова


інтелектуальний людино-машинний інтерфейс; інтелектуальна система; пояснення; знання, представлення знань; темпоральні правила

Повний текст:

PDF (English)

Посилання


Bansal, H. and Khan, R. (2018), “A review paper on human computer interaction”, International Journals of Advanced Research in Computer Science and Software Engineering, Vol. 8, pp. 53-56, DOI: https://doi.org/10.23956/ijarcsse.v8i4.630.

Jain, M, Kota, R., Kumar, P. and Patel, S. (2018), “Convey: Exploring the use of a context view for chatbots”, Proc. of the 2018 CHI Conference on Human Factors in Computing Systems, pp. CHI ’18, pp. 1-6, DOI:

https://doi.org/10.1145/3173574.3174042.

Hu, T., Xu, A., Liu, Z., You, O., Guo, Y., Sinha, V., Luo, J. and Akkiraju, R. (2018), “Touch your heart: A tone-aware chatbot for customer care on social media”, Proc. of the 2018 CHI Confe. on Human Factors in Computing Systems, pp. 1-12.

Cranshaw, J., Elwany, E., Newman, T., Kocielnik, R., Yu, B., Soni, S., Teevan, J. and Monroy-Hernández, A. (2017), “Calendar.help: Designing a workflow-based scheduling agent with humans in the loop”, Proc. of the 2017 CHI Conference on Human Factors in Computing Systems, pp. 2382–2393, DOI: https://doi.org/10.1145/3025453.3025780.

Liao, Q., Mas-ud Hussain, M., Chandar, P., Davis, M., Khazaeni, Y., Crasso, M.P., Wang, D., Muller, M., Shami, S.N. and Geyer, W. (2018), “All work and no play?”, Proc. of the 2018 CHI Conference on Human Factors in Computing Systems, CHI ’18, pp. 1–3.

Turing, A.M. (1950), “Computing machinery and intelligence”, Mind, Vol. LIX, Is. 236 pp. 433-460. DOI:

https://doi.org/10.1093/mind/LIX.236.433.

Hingston, P. (2009), “A Turing test for computer game bots”, IEEE Transactions on Computational Intelligence and AI in Games, Vol. 1, no. 3, pp. 169-186, DOI: https://doi.org/10.1109/TCIAIG.2009.2032534.

Ranoliya, B.R., Raghuwanshi, N. and Singh, S. (2017), “Chatbot for university related FAQs”, International Conference on Advances in Computing, Communications and Informatics (ICACCI), UDUPI, pp. 1525–1530. DOI:

https://doi.org/10.1109/ICACCI.2017.8126057.

Higashinaka, R., Imamura, K., Meguro, T., Miyazaki, C., Kobayashi, N., Sugiyama, H., Hirano, T., Makino, T. and Matsuo, Y. (2014), “Towards an open domain conversational system fully based on natural language processing”, Proceedings of COLING 2014, the 25th International Conference on Computational Linguistics: Technical Papers, pp. 928–939.

Da Costa, P.C.F. (2018), “Conversing with personal digital assistants: on gender and artificial intelligence”, Journal of Science and Technology of the Arts, Vol. 10(3), pp. 59-72, DOI: https://doi.org/10.7559/citarj.v10i3.563

Mesnil, G., Dauphin, Y., Yao, K., Bengio, Y., Deng, L., Hakkani-Tur, D., He, X., Heck, L., Tur, G., Yu, D. and Zweig, G. (2015), “Using recurrent neural networks for slot filling in spoken language understanding”, IEEE/ACM Transactions on Audio, Speech, and Language Processing, 23(3), pp. 530-539.

Song, Y., Li, C., Nie, J., Zhang, M., Zhao, D., and Yan, R. (2018), “An ensemble of retrieval-based and generation-based human-computer conversation systems”, Proc. of the Twenty-Seventh International Joint Conference on Artificial Intelligence, pp. 4382-4388.

Serban, I. V., Sordoni, A., Bengio, Y., Courville, A. and Pineau, J. (2016), “Building end-to-end dialogue systems using generative hierarchical neural network models”, Proc. of the Thirtieth AAAI Conference on Artificial Intelligence, AAAI’16, pp. 3776-3783.

Chala, O. (2018), “Logical-probabilistic representation of casual dependencies between events in business-process management”, Advanced information systems, Vol. 2, No. 2, pp. 40-44, DOI: https://doi.org/10.20998/2522-9052.2018.2.07

Levykin, V. and Chala, O. (2018), “Method of automated construction and expansion of the knowledge base of the business process management system”, EUREKA: Physics and Engineering, Vol. 4(17), pp. 29-35, DOI: http://dx.doi.org/10.21303/ 2461-4262. 2018.00676.

Levykin, V and Chala, O. (2018), “Development of a method of probabilistic inference of sequences of business process activities to support business process management”, Eastern-European Journal of Enterprise Technologies, Vol. 5/3(95), pp. 16-24, DOI: https://doi.org/10.15587/1729-4061.2018.142664.

Chalyi, S. and Leshchynskyi, V. (2020), “Method of constructing explanations for recommender systems based on the temporal dynamics of user preferences”, EUREKA: Physics and Engineering. Vol. 3, pp. 43-50.

Chalyi, S., Leshchynskyi, V. and Leshchynska, I. (2019), “Method of forming recommendations using temporal constraints in a situation of cyclic cold start of the recommender system”, EUREKA: Physics and Engineering, Vol. 4, pp. 34-40.

Chalyi, S., Leshchynskyi, V. and Leshchynska, I. (2019), “Designing explanations in the recommender systems based on the principle of a black box”, Advanced Information Systems, Vol. 3, No. 2, pp. 47-51, DOI: https://doi.org/10.20998/2522-9052.2019.2.08.




Copyright (c) 2021 Serhii Chalyi, Volodymyr Leshchynskyi, Iryna Leshchynska