CALO

CALO представлял собой проект искусственного интеллекта, в котором была предпринята попытка интегрировать многочисленные технологии ИИ в когнитивного помощника. CALO - это аббревиатура от «Когнитивный помощник, который учится и организует ». Название было навеяно латинским словом «Кало», что означает «солдатский слуга». Проект стартовал в мае 2003 года и длился пять лет, закончив в 2008 году.

Проект CALO имел много важных побочных результатов, в первую очередь Siri интеллектуальный программный помощник, которая теперь является частью Apple iOS начиная с iOS 5, поставляемой на нескольких телефонах и планшетах; Social Kinetics, социальное приложение, которое изучало индивидуальные стратегии вмешательства и лечения для пациентов с хроническими заболеваниями, было продано RedBrick Health ; проект Trapit, который представляет собой веб-парсер и агрегатор новостей, который делает интеллектуальный выбор веб-контента на основе предпочтений пользователя; Tempo AI, умный календарь; Desti, персонализированный путеводитель; и Kuato Studios, стартап по разработке игр.

CALO финансировался Агентством перспективных исследовательских проектов Министерства обороны (DARPA ) в рамках его программы «Персонализированный помощник, который учится» (PAL). Пятилетний контракт DARPA объединил более 300 исследователей из 25 ведущих университетских и коммерческих исследовательских институтов с целью создания нового поколения когнитивных помощников, которые могут рассуждать, учиться на опыте, получать указания, что делать, объяснять, что они из себя представляют. делайте, размышляйте над их опытом и решительно отвечайте на удивление. SRI International была ведущим интегратором, ответственным за координацию усилий по созданию помощника, который мог бы жить со своими пользователями и учиться у них, приносить им пользу, а затем проходить ежегодную оценку, измеряющую, насколько хорошо система усвоила делать свою работу.

• 1 Функции
• 2 Оценка
• 3 Структура
• 4 Избранные публикации
• 5 Ссылки
• 6 Внешние ссылки

CALO помогает своему пользователю с шестью высокоуровневыми функциями:

1. Организация и приоритезация информации: поскольку пользователь работает с электронной почтой, встречами, веб-страницами, файлами и т. д., CALO использует алгоритмы машинного обучения для построения модели с возможностью запроса того, кто над какими проектами работает какую роль они играют, насколько они важны, как документы и результаты связаны с этим и т. д.
2. Подготовка информационных артефактов: CALO может помочь своему пользователю собрать новые документы, такие как презентации PowerPoint, используя знания о структуре и контент из предыдущих документов, к которым осуществлялся доступ в прошлом.
3. Посредничество в человеческих коммуникациях: CALO оказывает помощь, поскольку его пользователь взаимодействует с другими людьми, как на электронных форумах (например, по электронной почте), так и на личных встречах. Если предоставляется доступ для участия в собрании, CALO автоматически генерирует стенограмму собрания, отслеживает назначения элементов действий, определяет роли участников и т. Д. CALO также может составить «PrepPak» для встречи, содержащий информацию, которую нужно прочитать заранее или иметь под рукой в ​​ходе встречи.
4. Управление задачами: CALO может автоматизировать рутинные задачи для вас (например, разрешение на поездку), и его можно обучить новым процедурам и задачам, наблюдая за пользователем и взаимодействуя с ним.
5. Планирование и рассуждение во времени: CALO может узнать ваши предпочтения, когда вам нужно что-то сделать, и помочь вам управлять своим плотным графиком ( PTIME опубликовано в ACM TIST).
6. Распределение ресурсов: В рамках управления задачами CALO может научиться приобретать новые ресурсы (электронные услуги и реальных людей), чтобы помочь выполнить работу.

Ежегодно система CALO, прожившая со своим пользователем в течение определенного периода времени, получает тест в стиле достижений, состоящий из 153 вопросов «помощника администратора», в основном сосредоточенных на том, что она узнала о жизни пользователя. Оценщики измеряют, насколько эффективность CALO по этим вопросам улучшается из года в год, и насколько эффективность CALO связана с «обучением в дикой природе» (новыми знаниями, задачами и выводами, которые он смог получить самостоятельно, поскольку в отличие от функции или знаний, встроенных в систему разработчиком).

SRI International сделала коллекцию успешных технологий машинного обучения и рассуждений, разработанных в программе PAL, в первую очередь из проекта CALO, доступной в Интернете. Доступные технологии включают как универсальные методы обучения, так и более специализированные обучающие приложения. Программное обеспечение PAL и соответствующие публикации доступны на веб-сайте PAL Framework.

Возможности PAL были разделены на модули, упакованы и адаптированы к отраслевым стандартам, чтобы облегчить их включение в целевые приложения. Для упрощения взаимодействия с технологиями доступны различные компоненты инфраструктуры и API. Возможности PAL были интегрированы в систему управления и контроля CPOF армии США и в 2010 году были отправлены в Ирак.

Доступные технологии были разработаны исследовательскими группами в SRI International, Университет Карнеги-Меллона, Массачусетский университет в Амхерсте, Рочестерский университет, Институт познания человека и машины, Университет штата Орегон, Университет Южной Калифорнии, Xerox PARC и Стэнфордский университет.

В первых четырех За годы проекта исследования, финансируемые CALO, привели к более чем пятистам публикациям по всем областям искусственного интеллекта. Вот несколько:

• и (2005-11-27). Совместная сегментация и классификация диалогов на многосторонних встречах на основе A *. 2005 Семинар IEEE по автоматическому распознаванию речи. С. 215–219. CiteSeerX 10.1.1.329.4676. DOI : 10.1109 / ASRU.2005.1566537. ISBN 978-0-7803-9479-7. CS1 maint: использует параметр авторов (ссылка )
• , Martha E. Pollack и ( 2005). «Активное обучение предпочтениям для помощи в персонализированном планировании календаря». Труды Международной конференции по интеллектуальным пользовательским интерфейсам 2005 г. CS1 maint: использует параметр авторов (ссылка )
• Т. Дуонг, Х. Буй, Д. Фунг и С. Векатеш (2005). «Распознавание активности и обнаружение аномалий с переключением скрытой полумарковской модели». Международная конференция IEEE по компьютерному зрению и распознаванию образов. CS1 maint: использует параметр авторов (ссылка )
• и Милинд Тамбэ (2006). «Анализ потери конфиденциальности при оптимизации распределенных ограничений». AAAI. Для цитирования журнала требуется | journal =() CS1 maint: использует параметр авторов (link )
• , Milind Tambe и Barbara Grosz. «Мультиагенты Asimovian: применение законов робототехники командам людей и агентов ". Для цитирования журнала требуется | journal =() CS1 maint: использует параметр авторов (ссылка )
• и Карен Майерс (2004). «Уравновешивание формальных и практических вопросов в агентском дизайне». Материалы семинара AAAI по архитектуре интеллектуальных агентов: сочетание сильных сторон разработки программного обеспечения и когнитивных систем. CS1 maint: использует параметр авторов (ссылка )
• и Эндрю МакКаллум (2006-06 -11). «Библиометрические меры воздействия с использованием тематического анализа». Объединенная конференция по электронным библиотекам. Для цитирования журнала требуется | journal =() CS1 maint: использует параметр авторов (ссылка )
• Карен Майерс (июль 2006 г.). «Создание интеллектуального личного помощника». Приглашенное выступление AAAI. CS1 maint: использует параметр авторов (ссылка )
• (2005-04-03). «Может ли моделирование избыточности в мультимодальных, многосторонних задачах поддерживать динамическое обучение?». Семинар CHI 2005: CHI Virtuality 2005. CS1 maint: использует параметр авторов (ссылка )
• , Адам Чейер, Карен Майерс, и (2006). «Пример разработки базы знаний для интеллектуального личного помощника». Технический отчет. CS1 maint: использует параметр авторов (ссылка )
• Когнитивный фреймворк k для делегирования вспомогательному пользовательскому агенту, К. Майерс и Н. Йорк-Смит. Труды осеннего симпозиума AAAI 2005 г. по помощникам по решению проблем со смешанными инициативами, Арлингтон, штат Вирджиния, ноябрь 2005 г.
• Коллективная мульти-маркировочная классификация, Надя Гамрави и Эндрю МакКаллум. CIKM’05, Бремен, Германия.
• Состав условных случайных полей для трансферного обучения, Чарльз Саттон и Эндрю МакКаллум. Proceedings of HLT / EMNLP, 2005.
• Развертывание агента персонализированного управления временем, П. Берри, К. Конли, М. Джервазио, Б. Пейнтнер, Т. Урибе и Н. Йорк-Смит. Труды Пятой международной совместной конференции по автономным агентам и многоагентным системам (AAMAS'06) Industrial Track, Хакодате, Япония, май 2006 г.
• Разработка и реализация диспетчера запросов CALO, Хосе-Луис Амбите, Vinay К. Чаудри, Ричард Файкс, Джессика Дженкинс, Сунил Мишра, Мария Муслеа, Томас Урибе, Гуйчжэнь Ян. «Инновационные приложения искусственного интеллекта», июль 2006 г.
• Меньше кликов и меньше разочарований: снижение затрат на доступ к нужной папке, X. Bao, J.Herlocker, T. Dietterich. 2006 Международная конференция по интеллектуальным пользовательским интерфейсам. 178–185. Сидней, Австралия.
• Групповое и тематическое открытие по связям и тексту, Сюэруи Ван, Наташа Моханти и Эндрю МакКаллум. LinkKDD2005 21 августа 2005 г., Чикаго, Иллинойс, США.
• Иерархические скрытые марковские модели с общей иерархией состояний, Х. Буй, Д. Фунг и С. Венкатеш. Proceedings of AAAI, 2004.
• Гибридная обучающая система для распознавания пользовательских задач из действий рабочего стола и сообщений электронной почты, Дж. Шен, Л. Ли, Т. Диттерих и Дж. Херлокер. 2006 Международная конференция по интеллектуальным пользовательским интерфейсам, 86-92. Сидней, Австралия.
• IRIS: Integrate. Иметь отношение. Сделайте вывод. Доля. Адам Чейер, Джек Парк и Ричард Джули. Семинар по Семантическому рабочему столу - Инфраструктура управления персональной информацией и совместной работы нового поколения на Международной конференции по семантической паутине (ISWC2005). 6 ноября 2005 г., Голуэй, Ирландия.
• Больше, чем слова могут сказать: использование просодии для поиска границ предложений в речи, Ю. Лю и Э. Шриберг (2006). 4-е совместное собрание ASA / ASJ. Популярная версия статьи IaSC2, 4-е совместное совещание ASA / ASJ, Гонолулу, Гавайи.
• Многоступенчатое обучение: генеративное / дискриминационное обучение для кластеризации и классификации, Эндрю МакКаллум, Крис Пал, Грег Драк и Сюэруи Ван. AAAI, 2006.
• Многокритериальная оценка в агентах распределенного планирования, ориентированных на пользователя, P.M. Берри, М. Жервазио, Б. Пайнтнер, Т. Урибе и Н. Йорк-Смит. Весенний симпозиум AAAI по распределенному плану и управлению расписанием, март 2006 г.
• Ослабление онлайн-запросов через обнаружение байесовских причинных структур, Ион Муслеа и Томас Дж. Ли. Труды двадцатой национальной конференции по искусственному интеллекту (AAAI 2005), Питтсбург, Пенсильвания, 2005.
• Заполнение семантической сети, Кристина Лерман, Дженк Газен, Стивен Минтон и Крейг А. Ноблок. Труды семинара AAAI 2004 г. по достижениям в области извлечения и обработки текстов, 2004 г.
• Переносимый язык процессов, Питер Кларк, Дэвид Морли, Винай К. Чаудри и Карен Л. Майерс. В семинаре по роли онтологий в планировании и составлении графиков, Монтерей, Калифорния; 7 июня 2005 г.
• Вероятностная модель избыточности при извлечении информации, Д. Дауни, О. Этциони и С. Содерленд.
• Восстановление после перебоев: работники умственного труда? Стратегии, неудачи и предполагаемые решения, Симона Штумпф, Маргарет Бернетт, Томас Дж. Диттерих, Кевин Джонсруд, Джонатан Херлокер и Видья Раджарам. Учреждение: Университет штата Орегон, Корваллис, ИЛИ
• Полуконтрольная классификация текста с использованием EM, Камала Нигама, Эндрю МакКаллума и Тома М. Митчелла.
• Скелеты в синтаксическом анализаторе: использование поверхностного анализа для улучшения Deep Parsing, М. Свифт, Дж. Аллен и Д. Гилдеа.
• Структура агента SPARK, Дэвид Морли и Карен Майерс. Труды Третьей Междунар. Совместная конф. по автономным агентам и мультиагентным системам (AAMAS-04), Нью-Йорк, Нью-Йорк, стр. 712–719, июль 2004 г.
• Перекрытие докладчиков и ошибки ASR на собраниях: последствия до, во время и после Перекрытие, Озгур Четин и Элизабет Шриберг. Труды IEEE ICASSP, Тулуза, 2006
• Управление задачами в условиях изменения и неопределенности: опыт решения ограничений в рамках проекта CALO, П. Берри, К. Майерс, Т. Урибе и Н. Йорк-Смит. Материалы семинара CP'05 по решению ограничений в условиях изменения и неопределенности, Ситжес, Испания, октябрь 2005 г.
• Временное планирование с предпочтениями и вероятностями, Р. Моррис, П. Моррис, Хатиб, Л. и Н. Йорк -Смит. Материалы семинара ICAPS'05 по программированию ограничений для планирования и составления расписаний, Монтерей, Калифорния, июнь 2005 г.
• Передавать или не передавать, М. Т. Розенштейн, З. Маркс, Л. П. Кельблинг и Т. Г. Диттерих. Семинар NIPS 2005 по трансфертному обучению, Уистлер, Британская Колумбия.
• Трансферное обучение с ансамблем фоновых задач, З. Маркс, М. Т. Розенштейн, Л. П. Кельблинг и Т. Г. Диттерих. Семинар NIPS 2005 по трансферному обучению, Уистлер, Британская Колумбия.
• Инициированное пользователем обучение для адаптивных интерфейсов, К. Джуда, Т. Диттерих, А. Ферн, Дж. Ирвин, М. Слейтер, П. Тадепалли, М. Джервазио, К. Элвуд, Б. Джарролд, О. Брдичка, Дж. Блайт. Семинар IJCAI по разведке и взаимодействию, Пасадена, Калифорния. 13 июля 2009 г.

• Веб-сайт DARPA PAL (CALO / RADAR) Framework
• Кало Пейдж SRI