FR2787902A1 - Modele et procede d'implementation d'un agent rationnel dialoguant, serveur et systeme multi-agent pour la mise en oeuvre - Google Patents

Modele et procede d'implementation d'un agent rationnel dialoguant, serveur et systeme multi-agent pour la mise en oeuvre Download PDF

Info

Publication number
FR2787902A1
FR2787902A1 FR9816374A FR9816374A FR2787902A1 FR 2787902 A1 FR2787902 A1 FR 2787902A1 FR 9816374 A FR9816374 A FR 9816374A FR 9816374 A FR9816374 A FR 9816374A FR 2787902 A1 FR2787902 A1 FR 2787902A1
Authority
FR
France
Prior art keywords
agent
rational
implementing
formal
architecture
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
FR9816374A
Other languages
English (en)
Other versions
FR2787902B1 (fr
Inventor
David Sadek
Philippe Bretier
Franck Panaget
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Orange SA
Original Assignee
France Telecom SA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority to FR9816374A priority Critical patent/FR2787902B1/fr
Application filed by France Telecom SA filed Critical France Telecom SA
Priority to KR1020017007978A priority patent/KR100694734B1/ko
Priority to CA002356384A priority patent/CA2356384A1/fr
Priority to BR9916421-3A priority patent/BR9916421A/pt
Priority to AU17851/00A priority patent/AU773217B2/en
Priority to CN99816347A priority patent/CN1335959A/zh
Priority to EP99961137A priority patent/EP1141823A2/fr
Priority to US09/869,205 priority patent/US7376632B1/en
Priority to IL14381299A priority patent/IL143812A0/xx
Priority to PCT/FR1999/003242 priority patent/WO2000039672A2/fr
Priority to JP2000591502A priority patent/JP2002533827A/ja
Publication of FR2787902A1 publication Critical patent/FR2787902A1/fr
Application granted granted Critical
Publication of FR2787902B1 publication Critical patent/FR2787902B1/fr
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G06F40/35—Discourse or dialogue representation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • G06F40/55—Rule-based translation
    • G06F40/56—Natural language generation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/043—Distributed expert systems; Blackboards

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Machine Translation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Stored Programmes (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

L'invention concerne un modèle et procédé d'implémentation d'un agent rationnel dialoguant comme noyau d'un système de dialogue et/ ou comme élément (agent) d'un système multi-agent comportant les étapes suivantes : - définition d'une architecture conceptuelle d'un agent rationnel dialoguant,- spécification formelle des différents composants de cette architecture et de leur combinaison permettant d'obtenir un modèle formel, - définition de l'architecture logicielle implémentant l'architecture formelle,- définition des mécanismes de mise en oeuvre des spécifications formelles, l'agent rationnel étant apte ainsi à dialoguer avec un autre agent ou avec un utilisateur du système à travers un quelconque média de communication.

Description

<Desc/Clms Page number 1>
MODELE ET PROCEDE D'IMPLEMENTATION D'UN AGENT RATIONNEL DIALOGUANT, SERVEUR ET SYSTEME MULTI-AGENT POUR LA MISE
EN OEUVRE.
L'invention concerne un modèle et un procédé d'implémentation d'un agent rationnel dialoguant comme noyau d'un système de dialogue ou d'un système multiagent.
L'invention s'applique aux systèmes d'interaction humain-agent (dialogue homme-machine) mais également aux systèmes d'interaction agent-agent (communication et coopération inter-agent).
Elle s'applique à des serveurs d'information.
Bien que la conception de systèmes de dialogue homme-machine soit étudiée sérieusement depuis plus d'une trentaine d'année, peu de systèmes préfigurant un usage réel sont aujourd'hui disponibles.
La plupart des démonstrateurs qui ont été développés montrent au mieux la capacité d'un système à enchaîner quelques échanges simples avec un utilisateur dans une structure stéréotypée (moulée à celle d'une tâche particulière) et un cadre d'application restreint.
Ces systèmes se limitent généralement à illustrer telle ou telle caractéristique d'une interaction évoluée comme par exemple, la compréhension par la machine d'énoncés plus ou moins complexes (contextuels en langage naturel oral ou écrit éventuellement combinés à d'autres média de communication) ou dans certains cas assez limités à la production de réponses coopératives.
Ces systèmes sont encore assez loin de remplir toutes les conditions requises pour un usage naturel desdits systèmes comme des "partenaires" dialoguants
<Desc/Clms Page number 2>
conviviaux même dans des cadres applicatifs bien banalisés.
Les raisons de cette situation sont de deux ordres.
D'une part la conception de systèmes de dialogue est une entreprise complexe car elle cumule les problèmes relatifs à la conception de systèmes artificiels intelligents et ceux relatifs à la modélisation et à la formalisation de la communication naturelle. Lorsque l'on s'intéresse au dialogue oral, les problèmes liés à la reconnaissance automatique de la parole accroissent cette difficulté.
D'autre part, beaucoup de travaux ont abordé le dialogue comme un phénomène isolé dont il s'agissait d'identifier les manifestations externes afin de les inculquer en tant que telles à un système automatique.
Ces travaux ont (délibérément ou non) fait totalement (ou partiellement) l'économie du lien entre le problème du dialogue et celui de l'intelligence du système et donc d'une étude formelle approfondie des fondements cognitifs du dialogue.
On va maintenant rappeler brièvement les approches classiques du dialogue qui ont été développées jusqu'à présent.
Il y a d'abord les approches structurelles qu'elles soient à vocation informatique ou à vocation linguistique. Elles s'intéressent à la détermination a priori d'une structure de l'interaction qui rend compte des régularités des échanges dans un dialogue (dont les plus simples sont les paires adjacentes telles que les questions-réponses, les suggestions-acceptations).
Ces approches font l'hypothèse que cette structure existe et qu'elle est représentable de façon finie et que tous les dialogues ou du moins une large part d'entre-eux peuvent y être circonscrits. Les approches
<Desc/Clms Page number 3>
structurelles considèrent que la cohérence d'un dialogue est intrinsèque à sa structure et se concentre ainsi sur le co-texte (le texte qui accompagne) en faisant plus ou moins directement l'impasse sur le caractère profondément contextuel de la communication.
Ces limitations sont sans appel pour ce qui est de l'intérêt des approches structurelles comme base pour des modèles de l'interaction intelligente.
On a également les approches différentielles classiques.
Ces approches dites aussi orientées plan considèrent une intervention en situation de communication non pas seulement comme une collection de signes (par exemple une séquence de mots) mais comme la réalisation observable d'actions communicatives (appelées aussi selon le contexte, actes de langage ou de dialogue) telles que informer, demander, confirmer, s'engager.
Ces approches ont laissé entrevoir un formidable potentiel pour l'étude de la communication et en particulier du dialogue coopératif. Toutefois, elles empruntent des raccourcis (qui les conduisent à faire appel à des compléments empiriques ou structurels qui les fragilisent) et à des représentations d'utilisation des connaissances qui hélas les conduisent souvent à des aberrations.
Le déposant a développé une nouvelle approche reposant sur l'interaction rationnelle ou agent rationnel dialoguant.
Dans cette nouvelle approche, le déposant a cherché d'abord à rendre maximale la convivialité des interactions entre des utilisateurs et des services automatiques.
<Desc/Clms Page number 4>
On pourra se reporter aux publications suivantes faites sur le sujet:
Sadek 91a: Sadek M. D. Attitudes mentales et interaction rationnelle : une théorie formelle de la communication. Thèse de Doctorat Informatique, Université de Rennes I, France, 1991.
Sadek 91b: D. Sadek Dialogue acts are rational plans. Proceedings ESCA Tutorial and Research Workshop on the Structure of Multimodal Dialogue, Maratea, Italy, 1991.
Sadek 92 : Sadek M. D. A study in the logic of intention. Proceedings of the 3rd Conference on Principles of Knowledge Représentation and Reasoning (KR'92), pages 462-473, Cambridge, MA, 1992.
Sadek 93 : Sadek M. D. Fondements du dialogue: l'interaction rationnelle. Actes de la 4ème école d'été sur les Traitements des langues naturelles, pages 229- 255, Lannion, France, 1993.
Sadek 94a : Sadek M. D. Attitudes mentales et fondement du comportement coopératif. Pavard, B., editor, Systèmes coopératifs : la modélisation à la conception, Octares Eds., pages 93-117,1994.
Sadek 94b: Sadek M. D. Communication theory = rationality principles + communicative act models.
Proceedings of the AAI'94 Workshop on Planning for Interagent Communication, Seattle, WA, 1994.
Sadek 94c : Sadek M.D. Towards a theory of belief reconstruction : application to communication. In (SPECOM94) : 251-263.
Sadek et al 94 : Sadek M. D., Ferrieux A., & Cozannet A. Towards an artificial agent as the kernel of a spoken dialogue system : progress report. Proceedings of the AAI'94 Workshop on Intégration of Natural Language and Speech Processing, Seattle, WA, 1994.
<Desc/Clms Page number 5>
Sadek et al 95 : D. Sadek, P. Bretier, V. Cadoret, A. Cozannet, P. Dupont, A. Ferrieux, & F. Panaget : A coopérative spoken dialogue system based on a rational agent model : A first implementation on the AGS application. Proceedings of the ESCA Tutorial and Research Workshop on Spoken Dialogue Systems, Hanstholm, Danemark, 1995.
Sadek et al 96a : Sadek M. D., Ferrieux A., Cozannet A., Bretier P., Panaget F., & Simonin J. Effective human-computer coopérative spoken dialogue: The AGS demonstrator. In (ISSD 96) (and also Proceedings of ICSLP'96, Philadelphia, 1996).
Sadek et al 97 : M. D. Sadek, P. Bretier, & F.
Panaget. ARTIMIS : Natural Dialogue Meets Rational Agency. Proceedings 15th International Joint Conference on Artificial Intelligence (IJCAI'97), Nagoya, Japon, pp 1030-1035,1997.
Bretier 95 : P. Bretier. La communication orale coopérative : contribution à la modélisation logique et à la mise en oeuvre d'un agent rationnel dialoguant.
Thèse de Doctorat Informatique, Université de Paris XIII, 1995.
Bretier et al 95 : P. Bretier, F. Panaget, & D.
Sadek. Integrating linguistic capabilities into the formai model of a rational agent : Application to coopérative spoken dialogue. Proceedings of the AAAI'95 Fall Symposium on Rational Agency, Cambrige, MA, 1995.
Bretier & Sadek 95 : P. Bretier & D. Sadek.
Designing and implementing a theory of rational interaction to be the kernel of a coopérative spoken dialogue system. Proceedings of the AAAI'95 Fall Symposium on Rational Agency, Cambrige, MA, 1995.
La convivialité de l'interaction se manifeste entre autres par la capacité du système à négocier avec
<Desc/Clms Page number 6>
l'utilisateur, par sa capacité à interpréter des demandes en prenant en compte le contexte, par sa capacité à déterminer les intentions sous-entendues de l'utilisateur et à mener avec lui une interaction flexible qui ne suit pas un plan préconçu une fois pour toute.
Un tel système doit être capable également d' apporter à l'utilisateur des solutions qu'il n'avait pas explicitement demandées mais qui sont néanmoins pertinentes.
Il n'existe pas véritablement à l'heure actuelle de système de dialogue intelligent en service pour une application réelle du fait de la complexité de chacune de ces tâches et du fait de la difficulté à rassembler toutes ces caractéristiques afin que l'interaction puisse être qualifiée réellement de conviviale.
La technologie développée par le déposant repose sur le principe de base qui est que : pourqu'un système automatique puisse mener à bien des dialogues intelligents, ce système ne peut pas être simulé par un automate.
Plus précisément la convivialité du dialogue ne peut pas être conçue comme l'habillage extérieur d'un système préexistant : cette convivialité doit au contraire émerger naturellement de l'intelligence du système.
L'objet de la présente invention est la réalisation d'un agent logiciel qui de par sa construction est rationnel. L'adjonction de principes appropriés le rend également communicatif et coopératif.
En outre, la technologie développée par le déposant permet tout aussi bien l'implémentation d'un agent rationnel dialoguant comme noyau d'un système de dialogue que comme agent d'un système multi-agent.
<Desc/Clms Page number 7>
Dans cette deuxième application (système multiagent), la communication entre de tels agents ne se fait plus alors en utilisant la langue naturelle mais un langage formel (logique) adapté aux capacités d'interaction desdits agents.
L'invention a plus particulièrement pour objet un modèle et un procédé d'implémentation d'un agent rationnel dialoguant comme noyau d'un système de dialogue ou d'un système multi-agent comportant les étapes suivantes : - définition d'une architecture conceptuelle d'un agent rationnel dialoguant, - spécification formelle des différents composants de cette architecture et de leur combinaison permettant d'obtenir un modèle formel, - définition de l'architecture logicielle implémentant l'architecture formelle, - définition des mécanismes de mise en oeuvre des spécifications formelles, l'agent rationnel étant apte ainsi à dialoguer avec un autre agent ou avec un utilisateur du système à travers un quelconque média de communication (vocal, ou écrit : écran, clavier, souris etc) .
Les différents composants du modèle formel sont dans le même cadre formel unifié (théorie logique) et avec le même formalisme. Le caractère générique des mécanismes et des principes donne au modèle une indépendance par rapport à l'application, aux média de communication et à la langue.
La définition des mécanismes de mise en oeuvre est réalisée de manière à obtenir une correspondance directe entre ces mécanismes et ledit modèle.
<Desc/Clms Page number 8>
La spécification formelle des différents composants de l'architecture formelle et de leur combinaison comporte un niveau d'axiomes de rationalité, un niveau d'axiomes de communication, un niveau d'axiomes de coopération.
La définition de l'architecture logicielle implémentant l'architecture formelle comporte : une unité rationnelle comprenant une couche d'implémentation du niveau d'axiomes de rationalité, une couche d'implémentation du niveau d'axiomes de communication, une couche d'implémentation du niveau d'axiomes de coopération, correspondants respectivement aux axiomes du modèle formel.
La définition de l'architecture logicielle implémentant l'architecture formelle comporte en outre : - un module de génération et un module de compréhension implémentant une couche de niveau langage naturel.
L'unité rationnelle, le module de génération et le module de compréhension implémentent des mécanismes de mise en oeuvre du modèle formel.
Le module de génération est apte à transcrire un énoncé logique produit par l'unité rationnelle en langage naturel pour l'utilisation du système.
Le module de compréhension est apte à interpréter un énoncé de l'utilisateur en un énoncé logique compréhensible de l'unité rationnelle.
L'invention a également pour objet un serveur d'information, comportant des moyens pour mettre en oeuvre un système de dialogue homme-machine dont le noyau repose sur le modèle et le procédé d'implémentation d'un agent rationnel dialoguant tels que définis précédemment.
<Desc/Clms Page number 9>
L'invention concerne également un système multiagent comportant des agents communicants, chaque agent comportant des moyens pour mettre en oeuvre une interaction, le système comprenant au moins un agent dont le noyau repose sur le modèle et le procédé d'implémentation d'un agent rationnel dialoguant tels que décrit précédemment.
D'autres particularités et avantages de l'invention apparaîtront clairement à la lecture de la description qui est faite ci-après à titre d'exemple non limitatif et en regard des figures sur lesquelles : - la figure 1 représente l'architecture logicielle d'un agent rationnel dialoguant, - la figure 2 représente l'architecture de l'unité rationnelle et de sa base de connaissance,.
- la figure 3 représente de manière plus détaillée l'architecture logicielle d'un agent dialoguant en tant que noyau d'un système de dialogue (notamment oral), - la figure 4 représente une architecture montrant un agent rationnel dialoguant en tant que noyau d'un système multi-agent.
On rappelle que l'approche agent rationnel dialoguant qui a été faite par le déposant et qui a fait l'objet de publications est guidée par des principes de rationalité, de communication et de coopération formalisés dans une théorie de l'interaction rationnelle. On pourra se reporter à cette fin aux publications citée précédemment qui portent l'approche "agent rationnel dialoguant".
La définition de l'architecture conceptuelle d'un agent rationnel dialoguant est donnée en annexe de la description. Cette définition a fait l'objet d'une
<Desc/Clms Page number 10>
publication dans "Conseil Scientifique de France Télécom, Mémento Technique n 8: Interfaces Intelligentes et Images" Octobre 1996, pp 37-61.
On peut se reporter pour la suite au schéma de la figure 1.
Selon l'invention, le déposant a mis en oeuvre ces principes au moyen d'une unité rationnelle 100 qui constitue le noyau de chaque agent et qui détermine ses réactions aux événements externes, que ceux-ci soient des sollicitations (requêtes, réponses, confirmations etc) d'utilisateurs humains ou bien des sollicitations d'autres agents logiciels (c'est le cas lorsqu'un agent est le noyau d'un système multi-agent).
L'unité rationnelle 100 est animée par un moteur d'inférence qui automatise les raisonnements selon les principes de l'interaction rationnelle que le programmeur de l'agent peut adapter ou enrichir, de manière déclarative, en fonction de la tâche à accomplir.
A cette fin, comme cela va être précisé dans la suite, ces raisonnements sont guidés par des schémas d'axiomes prédéterminés (énumérés en annexes) et entrés dans l'unité par le programmeur de l'agent de manière déclarative en fonction de la tâche que doit remplir ledit agent.
La figure 1 illustre le schéma d'une architecture logicielle d'un agent dans le cas où une telle architecture est appliquée à la constitution d'un système de dialogue avec des utilisateurs.
La figure 1 représente donc l'architecture d'un agent en interaction avec un utilisateur, à travers comme on va le voir, un module de compréhension 150 et un module de génération 160. Cette architecture correspond à une première famille d'application
<Desc/Clms Page number 11>
possible qui est l'interaction (conviviale) utilisateur-service.
Afin de permettre le dialogue avec des utilisateurs, l'unité rationnelle 100 est reliée à une interface vers l'extérieur 140.
Cette interface comprend donc le module de compréhension 150 qui reçoit des énoncés en langue naturelle et interprète ces énoncés en un énoncé logique qui sert d'entrée à l'unité rationnelle 100.
L'interface comprend également le module de génération 160 qui exprime la réaction de l'unité rationnelle 100 en un énoncé de langue naturelle à destination de l'utilisateur.
Dans ce cadre, l'unité rationnelle 100 est l'entité centrale du service à rendre que ce soit la fourniture de renseignements (horaires de trains, cours de la bourse, prévisions météo...) les réservations ou achats ou encore la recherche d'informations à partir du réseau Internet.
Les principes de coopération implantés dans l'unité rationnelle et les modules de traitement de la langue naturelle assurent une interaction conviviale avec l'utilisateur. Cette interaction peut s'effectuer directement par la parole en intégrant au système de dialogue ainsi formé des modules de reconnaissance et de synthèse de la parole (non représentés sur cette f igure) .
Cependant, l'unité rationnelle 100 peut toute seule constituer le noyau d'un agent logiciel autonome. Dans ce cadre, cette unité interagit avec d'autres agents logiciels par le biais d'un langage de communication entre agents tel que 1'l'Agent Communication Langage" (A.C.L. adopté comme standard par le consortium FIPA).
<Desc/Clms Page number 12>
Les services que l'agent peut rendre sont alors par exemple des transactions sur des marchés électroniques, des tâches d'administration de réseaux, des diffusions d'informations.
Ces deux formes d'interaction peuvent être combinées de manière qu'après l'interaction en langue naturelle avec un utilisateur, un agent remplisse une tâche quelconque par des interactions en langage ACL avec d'autres agents logiciels répartis sur les réseaux publics ou privés.
On va maintenant détailler les fonctionnalités de l'architecture logicielle de l'unité rationnelle 100, cette architecture détaillée été illustrée par le schéma de la figure 2.
Tout d'abord, l'unité rationnelle 100 implémente des principes issus de la théorie de l'interaction rationnelle dont l'objectif est de formaliser et d'automatiser le comportement rationnel d'un agent en situation d'interaction avec d'autres agents ou des utilisateurs de services.
Cette théorie s'appuie sur deux grandes notions : la notion de logique modale d'une part, dont l'objectif est de permettre de représenter des attitudes mentales d'agents autonomes et, la notion d'actes de langage d'autre part, dont l'objectif est de préciser les effets de communication sur les attitudes mentales des agents.
L'apport de la théorie de l'interaction rationnelle est de formaliser ces deux domaines et surtout l'interaction entre-eux.
L'état d'un agent à un moment donné dans un échange communiquant est ainsi caractérisé par un ensemble d'attitudes mentales.
<Desc/Clms Page number 13>
Les attitudes mentales pouvant être représentées sont par exemple la croyance notée habituellement par l'opérateur K et l'intention notée par l'opérateur I.
Ces opérateurs sont indicés par l'agent dont il s'agit de représenter l'attitude mentale.
Dans un dialogue avec le système s et l'utilisateur u, Ks désigne l'opérateur de croyance pour le système et Ku ce même opérateur pour l'utilisateur.
Les actes de langage pouvant être modélisés sont entre autres des actes d'information et des demandes.
La modélisation consiste en un énoncé logique ou langage logique, par exemple:
Ks Iu Fait (<s, informe Si(u,p)>) cet énoncé logique se traduit comme suit : le système s sait (opérateur K) que l'utilisateur u a l'intention (opérateur I) que soit effectué un certain acte communicatif qui est que s informe u si une certaine proposition p est vraie ou fausse, soit en plus court: "s sait que u veut que s l'informe de la véracité de p".
Le langage logique défini permet d'exprimer des principes de comportement généraux qui vont déterminer les réactions de l'unité rationnelle.
Un agent s sera coopératif s'il adopte les intentions de l'utilisateur u. Ceci peut s'exprimer ainsi :
Ks Iu # -> Is #
De tels schémas d'axiomes d'une portée très générale sont déjà prédéfinis par la théorie de l'interaction et font partie de l'unité rationnelle d'un agent.
Cependant, le programmateur de l'unité rationnelle peut définir de nouveaux schémas plus spécialisés pour une application donnée.
<Desc/Clms Page number 14>
L'ensemble des schémas guide le raisonnement de l'unité rationnelle 100 et donc ses réactions aux sollicitations de l'environnement.
Le calcul de ces réactions est effectué par le moteur d'inférence 101.
L'unité rationnelle 100 comporte donc un ensemble de données 102 qui comprend les axiomes du modèle formel de l'agent rationnel dialoguant. Ces données implémentent les couches de rationalité de communication et de coopération de l'agent.
Les sollicitations de l'environnement par exemple les demandes des utilisateurs, ou celles d'autres agents logiciels sont transmises à l'unité rationnelle 100 sous la forme d'un énoncé logique ACL de la théorie de l'interaction rationnelle.
Le moteur d'inférence 101 est apte à calculer les conséquences de cet énoncé et en particulier les réponses ou demandes de précisions éventuelles à fournir à l'interlocuteur (qu'il s'agisse d'un agent logiciel ou d'un utilisateur humain) mais aussi d'autres actions non communicatives.
Concrètement pour un énoncé donné, le moteur d'inférence 101 examine s'il ne dispose pas d'un principe de comportement qui puisse s'appliquer à cet énoncé pour en déduire la ou les conséquences logiques.
Cette procédure est alors appliquée à ces nouvelles conséquences jusqu'à épuisement des possibilités.
Parmi toutes ces conséquences, le moteur d'inférence 101 isole les actions de communication ou autres qu'il doit effectuer et qui forment alors la réaction de l'agent rationnel.
La première étape de la procédure d'inférence est une mise sous forme normale des énoncés traités afin d'assurer que chaque énoncé ne se présente que sous une
<Desc/Clms Page number 15>
seule forme syntaxique donnée pour pouvoir assurer le tri et la comparaison des énoncés.
Cette mise sous forme normale permet également d'assurer une première application des principes simples de raisonnement.
La procédure d'inférence consiste ensuite pour chaque énoncé traité à vérifier si cet énoncé correspond à l'un des schémas d'axiomes 102 qui codent les principes de comportement rationnels retenus.
Le mécanisme de cette vérification repose principalement sur l'opération d'unification du langage Prolog.
L'ensemble de ces schémas d'axiome peut être modifié par le programmeur de l'unité rationnelle 101 qui peut retirer ou ajouter des schémas d'axiomes ou bien modifier ceux déjà existant pour affiner le comportement de l'unité rationnelle.
Ces modifications peuvent s'effectuer dynamiquement. Dans ce cas, l'unité rationnelle modifie son comportement au fur et à mesure.
L'ensemble de la procédure d'inférence est contrôlé de manière à ce que l'unité rationnelle n'entre pas dans des raisonnements infinis. La terminaison de cette procédure est ainsi assurée.
Le raisonnement de l'unité rationnelle prend appui sur un ensemble de données qui dépendent fortement de l'application recherchée pour l'agent rationnel.
Lorsque l'on souhaite qu'un agent fournisse des horaires de train, il faut que soit à sa disposition des données sur les gares et les connexions entre elles ainsi que les notions temporelles.
L'ensemble de ces données est structuré dans une base de connaissances 120 sous la forme d'un réseau sémantique .
<Desc/Clms Page number 16>
Le réseau sémantique 120 permet d'exprimer des notions de classes et de sous-classes, et d'instance de chaque classe. Il définit également la notion de relation entre classes qui s'applique aux différentes instances des classes.
Par exemple, pour une application de type agenda, le réseau sémantique 120 comprendra au moins les classes "personne" (dont les instances seront l'ensemble des personnes connues dans l'agenda) et "fonction" (dont les instances seront les fonctions connues).
Ces deux classes sont en relation la-fonction-de.
Pour indiquer que la personne Jean est Publicitaire, le réseau sémantique comprend le fait Prolog: la-fonctionde (Jean, Publicitaire).
Un accès au réseau sémantique 120 est réalisé à tout moment durant la procédure d'inférence lorsque les conséquences de l'inférence dépendent de la nature des données.
Dans l'application agenda, par exemple, si l'utilisateur demande quel est le métier de Jean, la réponse de l'agent rationnel va dépendre de son interrogation du réseau sémantique 120.
Le réseau sémantique 120 peut disposer également de notions de proximité sémantique qui sont partiellement utiles pour produire des réactions coopératives de l'agent rationnel.
Il s'agit de donner des distances relatives aux différentes instances du réseau sémantique, ces distances sont déterminées suivant l'application lors de la création du réseau sémantique.
Les instances du réseau sémantique 120 se trouvent ainsi projetées dans un espace métrique dont les dimensions sont les différentes relations du réseau.
<Desc/Clms Page number 17>
Par exemple, la probablement déterminée proche de la fonction garagiste.
5 Cette construction opérations symétriques fonction publicitaire sera comme sémantiquement plus ingénieur marketing que de permet d'effectuer deux appelées relachement (ou relaxation) et restriction de contraintes.
Le relâchement de contraintes vise à donner des réponses proches à des requêtes proches de la requête 10 initiale quand la réponse à celle-ci n'existe pas .
Si par exemple on demande à l'agenda quels sont les ingénieurs marketing et qu'il n'en existe pas, la procédure d'inférence peut déclencher une étape de relaxation pour pouvoir 15 publicitaires.
La restriction, au donner les coordonnées des contraire, vise à chercher comment préciser une demande trop large. S'il y a 500 publicitaires enregistrés dans l'agenda, une étape de restriction donnera la dimension la plus discriminante 20 de ce trop gros ensemble (par exemple la société ou travaille le publicitaire) afin de pouvoir poser une question pertinente pour identifier la demande de l'utilisateur.
La figure 2 permet également d'illustrer que 25 l'unité rationnelle 100 d'un agent rationnel comporte une partie générique indépendante de l'application et une partie dépendante de l'application.
On peut considérer que les entrées et sorties de l'unité rationnelle 100 30 mise en forme sous forme procédure d'inférence sont des énoncés en ACL. La normale de ces énoncés et la sont indépendantes de l'application ainsi qu'une majorité des schémas d'axiomes qui guide le comportement du système. Cependant certains d'entre eux sont adaptés ou créés
<Desc/Clms Page number 18>
spécialement pour l'application de même que le réseau sémantique qui contient les données de l'application. Le réseau 120 doit, la plupart du temps, pouvoir répondre à des demandes de restriction et/ou de relaxation de la part du moteur d'inférence 101 comme on va le voir plus en détail dans la suite.
Ce réseau doit dans ce cas, disposer de notions de distance sémantique entre les instances comme cela a été dit.
Le schéma de la figure 3 illustre avec plus de détails l'architecture logicielle d'un agent selon l'invention.
Le module de compréhension de la langue naturelle 150 interprète un énoncé de l'utilisateur en un énoncé logique compréhensible par l'unité rationnelle 100.
Le vocabulaire traité par ce module dépend en partie du service que doit rendre l'agent rationnel.
Cette partie dépendante de l'application est principalement présente dans le réseau sémantique 120 de l'unité rationnelle, ce qui explique que le module de compréhension 150 utilise de nombreuses données provenant du réseau sémantique 120.
Le module de compréhension 150 est apte à prendre en compte l'énoncé de l'utilisateur comme une suite de petites structures syntaxiques (le plus souvent des mots) qui vont chacune activer une (ou plusieurs en cas de synonymes) notion(s) issue(s) du réseau sémantique 120.
Le lien entre le vocabulaire d'entrée de l'utilisateur et le réseau sémantique 120 se fait donc au moyen d'une table d'activation des concepts 131 qui indique quelle(s) notion(s) sémantique correspond(ent) aux mots (ou suite de mots) du vocabulaire.
<Desc/Clms Page number 19>
Ces notions activées dépendent en partie de l'application voulue, mais représentent aussi des concepts beaucoup plus généraux comme la négation, les intentions et connaissances de l'utilisateur, l'existence, les cardinalités etc...
Le module de compréhension dispose donc alors d'une liste de concepts activés (voire de plusieurs en cas de synonymes).
Il est apte à les transformer en un énoncé logique formé par un processus de complétion sémantique. Ce processus part de l'hypothèse de connexité sémantique de l'énoncé de l'utilisateur, c'est à dire que les concepts qu'il a évoqués sont en relation les uns avec les autres.
Le module 150 est apte à relier entre eux, par des relations présentes dans le réseau sémantique, y compris en créant si nécessaire de nouveaux concepts.
Le processus détermine les notions sous entendues dans l'énoncé de l'utilisateur.
Il est possible d'indiquer que certaines relations sont incompatibles entre elles dans un énoncé de l'utilisateur. On contrôle ainsi les possibilités de recherche du processus de complétion.
La complétion sémantique fait appel à une fonction de pondération 132 qui permet de fixer un poids numérique pour chaque relation du réseau sémantique, représentant la vraisemblance des vocations de cette relation.
De cette manière, le processus de complétion prend en compte une notion de vraisemblance quand il doit déterminer quels sont les concepts sous-entendus par l'utilisateur. Ces poids permettent également d'associer un coût à chaque interprétation possible en cas de synonyme. Ainsi, un seul énoncé sera finalement
<Desc/Clms Page number 20>
retenu par le module de compréhension, celui au coût le plus faible.
Pour faciliter la complétion sémantique, il est également possible de spécifier que certains couples concept-relation ou concept-concept sont implicites. Si seul l'un des concepts a été évoqué et même si l'énoncé étudié est connexe, la relation correspondante sera rajoutée car elle est sous-entendue de manière quasi certaine.
Par exemple, dans une application donnant les cours de la bourse, l'énoncé "je voudrais le CAC 40" sera complété de manière implicite en "je voudrais le cours du CAC 40".
D'autre part, le module de compréhension 150 doit prendre en compte le contexte de l'énoncé de l'utilisateur.
Pour cela, il dispose des concepts précédemment évoqués à la fois par l'utilisateur et par l'agent luimême dans ses réponses à l'utilisateur. Une partie de ceux-ci peuvent donc être utilisés lors du processus de complétion.
Là encore, on indiquera pour toutes les relations du réseau sémantique, s'il est pertinent de les conserver dans le contexte.
Le module de compréhension 150 n'utilise pas d'analyseur syntaxique ou grammatical. Ceci lui permet d'interpréter correctement des énoncés syntaxiquement incorrects, ce qui est particulièrement important dans un contexte de dialogue oral (et d'utilisation de reconnaissance vocale), la syntaxe du discours spontané étant plus lâche .
De plus, l'analyse étant faite par petits composants syntaxiques, il n'est pas nécessaire de construire une grammaire qui va essayer de prévoir à
<Desc/Clms Page number 21>
l'avance l'ensemble des énoncés possibles des utilisateurs.
Enfin, la seule partie dépendant de la langue de l'utilisateur est la table reliant le vocabulaire utilisé aux concepts du réseau sémantique.
Les données sémantiques du réseau représentent en effet des notions universelles. Ce point facilite particulièrement le transfert d'une application d'un langue vers une autre langue.
Le module de génération 160 accomplit la tâche inverse du module de compréhension. Il est apte à transcrire une séquence d'actes communicatifs produite par l'unité rationnelle 100 en un énoncé de la langue naturelle de l'utilisateur.
Le processus de génération opère en deux phases.
La première phase consiste à prendre toutes les décisions quant au choix linguistique qui s'offre pour verbaliser la séquence d'actes communicatifs fournie en entrée du module.
Pour cela le générateur 160 utilise entre autre des éléments du contexte du dialogue pour construire l'énoncé le plus adapté à la situation courante.
Ainsi, dans une application agenda, le module 160 devra effectuer un choix entre des formulations équivalentes comme" le numéro de téléphone de Jean est le" ou "le numéro de Jean est le" ou "son numéro est le", "c'est le..."suivant le contexte du dialogue.
L'objectif de cette première phase est de construire une représentation intermédiaire de l'énoncé en utilisant une notion de ressources linguistiques abstraites 133. Une ressource linguistique abstraite représente soit une ressource lexicale 135, par exemple les noms communs, les verbes, les adjectifs,
<Desc/Clms Page number 22>
soit une ressource grammaticale, c'est à dire la structure syntaxique.
La seconde phase utilise cette représentation abstraite pour construire l'énoncé définitif.
Il s'agit d'une étape de traitement qui ne requiert que l'application stricte des règles de grammaire.
Parmi ces phénomènes on retrouve par exemple la détermination de l'ordre des constituants de l'énoncé, l'accord entre ces constituants et la déclinaison des verbes.
Les modules de compréhension 150 et de génération 160 utilisent comme format d'entrée, respectivement de sortie, des textes écrits.
Si l'on souhaite réaliser une interaction vocale avec un agent rationnel, il faut lui adjoindre des modules de reconnaissance et de synthèse de la parole.
Le module de reconnaissance 170 inscrit un signal vocal de l'utilisateur en un texte correspondant à l'énoncé prononcé. Ce module 170 est par exemple indispensable quand un agent rationnel est utilisé comme serveur téléphonique : la seule interaction possible est alors vocale.
L'unité rationnelle y compris le réseau sémantique qui modélise les données que cette dernière manipule, forment ensemble le noyau d'un agent logiciel.
Tel quel, cet agent peut communiquer avec d'autres agents logiciels par exemple à travers le réseau.
Les primitives de communication ACL définies par la théorie de l'interaction rationnelle constituent un langage de communication entre agents qui leur permettent de réaliser des interaction non-ambigües.
Les agents formés par une unité rationnelle 100 et leur réseau sémantique 120 sans les composants d'interaction en langue naturelle (modules 140 et 150)
<Desc/Clms Page number 23>
sont particulièrement bien adaptés à l'utilisation du langage de communication ACL entre agents logiciels pour former des systèmes multi-agent tels que représentés sur la figure 4.
L'invention a été mise en oeuvre avec une station SUN Ultral (muni d'un processeur 166 megahertz) et sur une station SUN Ultra2 ( possédant deux processeurs à 64 bits et une fréquence de 300 megahertz).
On utilise une mémoire vive dont la taille peut être aux environ de 32 megaoctets minimum. Le temps de réponse maximal du système est de 2 secondes sur la plate-forme Ultra2 et de 5 secondes sur Ultral. On peut réaliser la connexion avec un réseau numérique au moyen d'une carte réseau numérique à intégration de service RNIS-Basic Rate Interface.
Les trois modules qui ont été décrits, de compréhension 150, de génération 160 et l'unité rationnelle 100 ont été implémentés en Prolog (Quintus version 3. 3 pour Solaris 2. 5). La communication entre les différents modules et les systèmes de reconnaissance et de synthèse de la parole est réalisé par un programme écrit en langage C, un prototype de l'invention a été développé sous Solaris, mais une version ne comprenant pas les modules de reconnaissance et de synthèse de la parole a été portée sous WINDOWS NT 4.0.
<Desc/Clms Page number 24>
ANNEXE
ELEMENTS DU CADRE DE FORMALISATION LOGIQUE:
SPECIFICATIONS FORMELLES
Les concepts d'attitudes mentales (croyance, incertitude, intention) et d'action que l'on manipule ici sont formalisés dans le cadre d'une logique modale du premier ordre (cf. la publication: Sadek 91a, 92, pour les détails de cette logique). On introduit brièvement les aspects du formalisme, dont on se sert dans l'exposé qui suit. Dans la suite, les symboles-, #, v et => représentent les connecteurs logiques classiques de négation, conjonction, disjonction et implication, et V et 3, les quantificateur universel et existentiel ; p représente une formule close (dénotant une proposition), , # et #, des schémas de formules, et i et j (parfois h) des variables schématiques dénotant des agents. On note # = # le fait que la formule est valide.
Les attitudes mentales considérées comme sémantiquement primitives, à savoir la croyance, l'incertitude et le choix (ou la préférence) sont formalisées respectivement par les opérateur modaux K, U, et C. Des formules telles que K(i,p), U(i,p), et C(i,p) peuvent être lues respectivement "i croit (ou pense que) p (est vraie)", "i est incertain de (la vérité de) p" et "i désire que p soit actuellement vraie". Le modèle logique adopté pour l'opérateur K rend compte des propriétés intéressantes pour un agent rationnel, telles que la consistance de ses croyances ou sa capacité d'introspection, formellement caractérisées par la validité de schémas logiques tels que
<Desc/Clms Page number 25>
K (i,#) # ~K(i,~#), K(i,#) # K(i,K(i,#)) et ~K (i,#) # K(i,~K(i,#)).
Pour ce qui est de l'incertitude, le modèle logique garantit également la validité de propriétés souhaitables comme, par exemple, le fait qu'un agent ne peut être incertain de ses propres attitudes mentales (#=~U(i,M(i,#)), M appartenant à (K,~K, C, -iC, U, ~U etc }). Le modèle logique pour le choix entraîne des propriétés telles que le fait qu'un agent "assume" les conséquences logiques de ses choix (#= C(i,#)#K(i,##)) # C(i,#)), ou qu'un agent ne peut pas ne. pas choisir les cours d'événements dans lesquels il pense s'y trouver déjà (#= K(i,#) # C(i,#)).
L'attitude d'intention qui elle n'est pas sémantiquement primitive, est formalisée par l'opérateur I qui est défini (de façon complexe) à partir des opérateurs C et K. Une formule telle que I(i,p) peut être lue "i à l'intention de réaliser p".
La définition de l'intention impose à un agent de ne chercher à atteindre que ce qu'il pense non déjà atteint (#= I(i,#) # K(i,) ) , et garantit le fait qu'un agent n'a pas l'intention de réaliser les effets de bord de ses intentions (ainsi "avoir l' intention de se connecter sur un réseau et savoir que cela peut contribuer à l'encombrer, n'implique pas (nécessairement !) avoir l'intention de contribuer à encombrer le réseau").
Afin de permettre le raisonnement sur l'action, on inclut, en plus des objets individuels et des agents, des séquences d'événements. Le langage contient des termes (en particulier variables e, el, ...) qui parcourent l'ensemble de ces séquences. Une séquence
<Desc/Clms Page number 26>
peut être formée d'un seul événement (qui peut être l'événement vide). Afin de pouvoir parler de plans complexes, les événements (ou séquences [alpha]1 : a2, ou des choix non déterministes [alpha]a1#[alpha]a2. Les variables schématiques a, [alpha]1 a2 ... , sont utilisées pour dénoter des expressions d'action. Sont introduits également les opérateurs Faisable, Fait et Agent(i,a) tels que les formules Faisable (ap) , Fait(ap) et Agent(i,a) signifient respectivement que (l'action ou l'expression d'action) a peut avoir lieu après quoi p sera vraie, a vient juste d'avoir lieu avant quoi p était vraie, et i dénote l'unique agent des événements apparaissant dans a.
Une propriété fondamentale de la logique proposée est que les agents modélisés sont en parfait accord avec eux-mêmes sur leurs propres attitudes mentales.
Formellement, le schéma # #K(i,#), où # est gouvernée par un opérateur modal formalisant une attitude mentale de l'agent i, est valide (Sadek 91a, 92).
Les abréviation suivantes sont utilisées, Vrai étant la constante promotionnelle toujours vraie:
Faisable(a) # Faisable (a. Vrai)
Fait(a) Fait(a,Vrai) Possible() (3e) Feasible(e,) Kif(i,#) # K(i,) v K(i,~#) Kref(i,@x) #(x)) # (3y) K(i,@x #(x) = y) :l'agent i connaît le (ou l'objet qui est un) 5, où 1. est l'opérateur de description définie (produc- teur de termes) tel que :* #(@x#(x)) #y #(y)# #(y)# Vz (#(z) => z=y) Uref(i,@x#(x)) # (#y) U(i,@x#(x) = y)
<Desc/Clms Page number 27>
PRINCIPES DE RATIONALITE ET MODELE D'ACTION
Deux principes de rationalité établissent le lien entre les intentions d'un agent et ses plans et actions (Sadek 91a, 94b). Le premier principe stipule qu'un agent ne peut avoir l'intention de réaliser une proposition donnée sans avoir par là-même l'intention que soit faite l'une des actions qu'il pense qu'elle a pour effet la proposition en question, et pour laquelle il n'a pas d'objection particulière à ce qu'elle soit faite. Formellement, ceci s'exprime par la validité du schéma suivant :
I(i,p) => I(Fait(a1#...#an)) où les ak sont toutes les actions telles que : - p est- l'effet rationnel de ak (i.e., la raison pour laquelle ak, est planifié) ; - l'agent i connaît l'action ak : Kref(i,ak) -~C (i,~ Possible(Fait(ak)))
Le second principe stipule qu'un agent qui a l'intention que soit faite une action donnée, adopte nécessairement l'intention que cette action soit faisable, s'il ne pense pas qu'elle l'est déjà : ce qui s'exprime formellement par la validité du schéma suivant : I(i,Fait(ak => K(i,Faisable(ak) v I(i,K(i,Faisable(ak)))
La solution au problème de l'effet d'une action est directement liée à l'expression même des principes de rationalité. On considère que si l'on ne peut prédire les effets réels d'une action, on peut cependant dire (de façon valide) ce qu'on attend de l'action, autrement dit, la raison pour laquelle on la sélectionne. C'est en fait ce qui est exprimé par le premier principe de rationalité ci-dessus. Cette sémantique de l'effet d'une action, dans le cadre d'un
<Desc/Clms Page number 28>
modèle du comportement rationnel, permet de dépasser le problème de la non-prédictibilité des effets.
A titre d'exemple, voici un modèle simplifié (pour ce qui est de l'expression des pré-conditions) de l'acte communicatif d'informer de la vérité d'une proposition : <i, Inform(j,#)> Précondition: K(i,) # ~K(i,K(j,#))
Effet : K(j,#)
Ce modèle est directement axiomatisé au sein de la théorie logique à travers les principes de rationalité ci-dessus, et du schéma suivant (les actions ne sont donc pars manipulées par un processus de planification comme des structures de données, tel que cela est fait dans le cadre de l'approche orientée-plan classique, mais ont une sémantique logique au sein de la théorie elle-même):
Figure img00280001

K(,14 Faisa6le(<i, InfonnU,4 ≤> K(i.4 A -,K(i,K(j,4 ))
Notons que les deux principes ci-dessus spécifient à eux seuls (sans artifice extra-logique) un algorithme de planification, qui produit déductivement des plans d'action par inférence de chaînes causales d'intentions.
FORMALISATION DE QUELQUES PRINCIPES DU COMPORTEMENT
COOPERATIF
On peut voir (Sadek 91a, 94a) pour une proposition détaillée d'un modèle du comportement coopératif au sein d'une théorie formelle de l'interaction rationnelle.
<Desc/Clms Page number 29>
L'ADOPTION D'INTENTION OU LE PRINCIPE MINIMAL DE
COOPERATION
A priori, rien sur le plan strictement rationnel ne contraint un agent à être (un tant soit peu) coopératif et, en particulier, à réagir aux sollicitations d'autrui (comme par exemple, répondre aux questions qui lui sont posées). Cette condition limite, que nous appelons principe minimal de coopération, est un cas particulier de la propriété suivante d'adoption d'intention : si un agent i pense qu'un agent j a l'intention de réaliser une propriété p, et que luimême n'a pas l'intention contraire, alors i va adopter l'intention que j sache (un jour) que p est réalisée.
Cette propriété se traduit formellement par la validité du schéma de formule suivant: (K(i,I(j,p)) #~I(i,~p)) => I(i,K(j,p))
Conjointement, les deux propriétés précédentes garantissent qu'un agent va agir sincèrement, et donc coopérer. Par ailleurs, il est important de souligner qu'elles expriment beaucoup plus qu'un principe de coopération minimale. En fait, elles expriment un principe de coopération "tout-court". Elles traduisent le fait que dès lors qu'un agent est au courant des objectifs d'un autre agent, alors il va l'aider à les atteindre, tant que cela ne contredit pas ses propres objectifs.
LA PERTINENCE
La plupart des types remarquables de réponses coopératives se manifestent par la communication d'un supplément d'information par rapport à ce qui a été explicitement demandé. Cependant, la quantité
<Desc/Clms Page number 30>
d'information additionnelle dépend fortement de l'intérêt présumé du demandeur pour cette information, et en particulier, de ses intentions reconnues. La notion d'intérêt est très contextuelle et reste assez délicate à établir dans le cas général. A l'inverse, il est des informations qui, de toute évidence, ne sont pas pertinentes pour l'interlocuteur : par exemple, (supposées) déjà connues de lui. Autrement dit, éviter la redondance est une composante du comportement coopératif, ce qui peut s'exprimer comme suit, en termes de propriété élémentaire (qui, en réalité, n'est pas primitive mais dérive directement de la définition même du concept d'intention): si un agent i a l'intention de faire savoir à un agent j une proposition p, alors i doit penser que j ne la sait pas déjà. Ceci se traduit formellement par la validité du schéma suivant: I (i,K(j,p)) # K(i,~K(j,p))
L'AJUSTEMENT DE CROYANCES
Une réponse corrective est engendrée avec l'intention de corriger une croyance de l'interlocuteur, jugée erronée. Cette croyance constitue généralement un présupposé inféré (par implicature (Grice 75)) à partir de l'acte communicatif reconnu. L'intention en question est générée chez un agent à chaque fois que sa croyance au sujet d'une proposition dont in ne croit pas son interlocuteur compétent, se trouve en contradiction avec celle de son interlocuteur. Ceci se traduit formellement par la validité du schéma suivant: K(i,(p#K(j,~p)) => I(i,K(j,p))
<Desc/Clms Page number 31>
REAGIR AUX SOLLICITATIONS
Dans un système communicant, un agent ne peut se résoudre à la non-reconnaissance par un phénomène qu'il a observé.
Pour rendre compte de ce caractère, on formule la double propriété suivante : premier volet de cette propriété stipule qu'à l'issue d'un phénomène qu'un agent perçoit et auquel, soit il ne peut associer d'événement intelligible, soit tout événement qu'il peut lui associer est inacceptable au vu de ses croyances, l'agent va adopter l'intention de savoir ce qui a été réalisé, typiquement en générant une demande de répétition. Le second volet de cette propriété, qui est moins général que le premier, concerne seulement le cas où l'agent ne peut conformément à sont état mental, accepter aucun événement réalisable par ce qu'il a observé ; dans ce cas, l'agent va adopter l'intention de faire savoir à l'auteur de l'événement sa désapprobation vis-à-vis de ce qu'il a "compris", ce qui, en termes d'énoncés linguistiques, peut se manifester, par exemple par l'énonciation de ce qui interdit à l'agent d'admettre l'acte en question.
Formellement, les deux volets de cette propriété s'expriment par la validité des deux schémas suivants, les prédicats Observe(i,o) et Réalise(o,e) signifiant respectivement que l'agent i vient juste d'observer l'entité observable o (tel un énoncé, par exemple), et que l'entité observable o est une façon de réaliser l'événement e: (i) (#e) Fait(e) # ~ Kref(i,Fait(e1)) => I(i,Kref(i, Fait(e2))) (ii) (#o) (#e) [Observe(i,o) et Réalise(o,e) # Agent(j,e) et
Figure img00310001

-, Kref(i,Fait(e)J => 1(i,K(j,- K(i,Fait(e))))
<Desc/Clms Page number 32>
L'HARMONIE AVEC AUTRUI le comportement d'un agent en univers multi-agent coopératif doit apparaître, dans ses composantes principales, comme une généralisation de son comportement vis-à-vis de lui-même. (Par exemple, il doit être valide qu'un agent est sincère, cohérent et "coopératif" avec lui-même). Aussi un agent ne doit pas faire en sorte de faire perdre de l'information aux autres agents. En particulier, il ne doit pas rechercher l'incertitude pour autrui comme une finalité en soi, sauf, éventuellement, s'il pense que c'est la "bonne" attitude à adopter vis-à-vis d'une proposition donnée : cela suppose que lui-même adopte déjà cette attitude. Pour rendre compte de ce comportement, on propose la propriété suivante: (i) C(i,Possible(U(j,#))) => #1 où #1 peut, par exemple, rendre compte du fait que le choix pour un autre agent d'un futur où il est incertain d'un proposition, impose ce futur seulement comme une étape transitoire vers une situation de connaissance. Formellement #1 peut être:
Figure img00320001

C(i.(Ve) (Faisable(e.U(j,p)) => (3e') Faisable(e;e', h'if(j,p))) v U(i,p)
Une propriété similaire peut être posée à propos de la recherche de l'ignorance pour autrui. Par exemple, un agent i qui désire qu'un agent j ne croie plus (resp. ne soit plus incertain d')une proposition p donnée, doit lui-même ne pas croire (resp. ne pas être incertain de) p et désirer que j adopte la même attitude qui lui vis-à-vis de p. On propose alors la propriété suivante:
<Desc/Clms Page number 33>
(i) C(i,Possible(~K(j,#))) => #2 (ii) C(i,Possible(~U(j,#))) => #3 où les conditions #2 et #3 auront une forme similaire aux conditions #1 (les schémas proposés (i), (ii) et (iii) restant valides si l'opérateur de choix C est remplacé par l'opérateur d'intention I). Nous laissons ces conditions volontairement incomplètement spécifiées, car leur expression précise dépend de la façon dont on veut que l'agent modélisé se comporte. Elles peuvent, par exemple, tout simplement être réduites à la constante propositionnelle Faux. Quoi qu'il en soit, elles n'ont pas d'incidence sur le reste de la théorie.
Selon ce que l'on choisit de mettre dans les conditions #k, on peut valider des schémas tels que
Figure img00330001

-,J( i, -,KifU.4>)J, -,J(i, -KrefU. u:4>(x ). I( i, -,UifU, 4 ) = > I( i.KifU, 4 ), ou I(i,~Uref(j,#(x))) => I(i,Kref(j,@x#(x))).
L'ACCES LOGIQUE AUX "BOITES NOIRES" DE GESTION DES
CONTRAINTES DU DOMAINE
Les fonctions "boîtes noires" de gestion des contraintes du domaine : relâchement,restriction, sur- information, sont directement "accessibles" à partir du cadre logique formalisant le comportement de l'agent rationnel (voir (Bretier 95)). A titre illustratif, l'"accès" à la procédure de sur-information se fait à travers le schéma suivant, où SURINF est une métaprédicat:
Figure img00330002

K(i,(I(i,Kp))) n SURINF(p,4)) => I(i,K(j,4)))
<Desc/Clms Page number 34>
Ce schéma exprime la propriété suivante : siun agent i a l'intention qu'un agent j croie une proposition p et que i pense (par sa fonction de surinformation) que la proposition q peut être une surinformation pertinente de p, alors i va adopter l'intention que j vienne à croire également la proposition q.

Claims (5)

  1. REVENDICATIONS l.Système de dialogue intelligent comprenant au moins un agent rationnel dialoguant comme' noyau, caractérisé en ce que ledit agent a été défini par: -une architecture conceptuelle, -une spécification formelle des différents composants de cette architecture et de leur combinaison permettant d'obtenir un modèle formel, -une architecture logicielle implémentant l'architecture formelle et comprenant unité rationnelle (100) apte à dialoguer directement avec l'unité rationnelle d'un autre agent en langage logique, et caractérisé en ce que ledit agent est susceptible de comporter en outre deux modules (150,160) implémentant une couche de niveau communication en langage naturel, l'un étant un module de compréhension (150) d'un énoncé de langue naturelle et de transcription en langage logique pour l'unité rationnelle (100), et l'autre étant un module de génération (160) d'un énoncé de langue naturelle à partir de l'énoncé logique reçu de l'unité rationnelle (100), ces modules étant reliés respectivement à un module de reconnaissance de la parole (170) et à un module de synthèse de la parole (180) pour dialoguer avec un utilisateur.
  2. 2. Système de dialogue intelligent selon la revendication 1, caractérisé en ce que l'unité rationnelle comprend un moteur d'inférence (101) et des
    <Desc/Clms Page number 36>
    données (102), ces données comprenant des axiomes du modèle formel, une couche d'implémentation du niveau d'axiomes de rationalité, une couche d'implémentation du niveau d'axiomes de communication, et une couche d'implémentation du niveau d'axiomes de coopération, correspondants respectivement aux axiomes du modèle formel.
  3. 3. Système de dialogue intelligent selon la revendication 1, caractérisé en ce que l'unité rationnelle (100), le module de génération (160) et le module de compréhension (150) implémentent des mécanismes de mise en oeuvre du modèle formel.
  4. 4. Système multi-agent comportant des agents communicants selon l'une quelconque des revendications précédentes, caractérisé en ce que chaque agent comporte au moins une unité rationnelle (100) pour communiquer avec d'autres agents au moyen d'énoncés logiques, les agents destinés à communiquer avec un utilisateur du système à travers un média de communication comprenant en outre chacun les modules (150,160) implémentant la couche de communication en langage naturel.
  5. 5. Serveur d'information, caractérisé en ce qu'il comporte des moyens pour mettre en oeuvre un système de dialogue homme-machine dont le noyau comprend un agent rationnel dialoguant selon l'une quelconque des revendications précédentes.
FR9816374A 1998-12-23 1998-12-23 Modele et procede d'implementation d'un agent rationnel dialoguant, serveur et systeme multi-agent pour la mise en oeuvre Expired - Fee Related FR2787902B1 (fr)

Priority Applications (11)

Application Number Priority Date Filing Date Title
FR9816374A FR2787902B1 (fr) 1998-12-23 1998-12-23 Modele et procede d'implementation d'un agent rationnel dialoguant, serveur et systeme multi-agent pour la mise en oeuvre
IL14381299A IL143812A0 (en) 1998-12-23 1999-12-21 Model and method for using an interactive rational agent, multiagent server and system implementing same
BR9916421-3A BR9916421A (pt) 1998-12-23 1999-12-21 Modelo e método para uso de um agente racionalinterativo, servidor de múltiplos agentes esistema implementando os mesmos
AU17851/00A AU773217B2 (en) 1998-12-23 1999-12-21 Model and method for using an interactive rational agent, multiagent server and system implementing same
CN99816347A CN1335959A (zh) 1998-12-23 1999-12-21 实现推理对话媒介的模型及方法,用于其实施的服务器及多媒介系统
EP99961137A EP1141823A2 (fr) 1998-12-23 1999-12-21 Modele et procede d'implementation d'un agent rationnel dialogant, serveur et systeme multi-agent pour la mise en oeuvre
KR1020017007978A KR100694734B1 (ko) 1998-12-23 1999-12-21 대화형 추론 에이전트, 다중에이전트 서버 및 이를구현하는 시스템을 사용하는 모델 및 방법
CA002356384A CA2356384A1 (fr) 1998-12-23 1999-12-21 Modele et procede d'implementation d'un agent rationnel dialogant, serveur et systeme multi-agent pour la mise en oeuvre
PCT/FR1999/003242 WO2000039672A2 (fr) 1998-12-23 1999-12-21 Modele et procede d'implementation d'un agent rationnel dialogant, serveur et systeme multi-agent pour la mise en oeuvre
JP2000591502A JP2002533827A (ja) 1998-12-23 1999-12-21 会話型推論エージェントのモデルおよび実施方法、サーバおよび実施のためのマルチエージェントシステム
US09/869,205 US7376632B1 (en) 1998-12-23 1999-12-21 Model and method for using an interactive rational agent, multiagent server and system implementing same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
FR9816374A FR2787902B1 (fr) 1998-12-23 1998-12-23 Modele et procede d'implementation d'un agent rationnel dialoguant, serveur et systeme multi-agent pour la mise en oeuvre

Publications (2)

Publication Number Publication Date
FR2787902A1 true FR2787902A1 (fr) 2000-06-30
FR2787902B1 FR2787902B1 (fr) 2004-07-30

Family

ID=9534443

Family Applications (1)

Application Number Title Priority Date Filing Date
FR9816374A Expired - Fee Related FR2787902B1 (fr) 1998-12-23 1998-12-23 Modele et procede d'implementation d'un agent rationnel dialoguant, serveur et systeme multi-agent pour la mise en oeuvre

Country Status (11)

Country Link
US (1) US7376632B1 (fr)
EP (1) EP1141823A2 (fr)
JP (1) JP2002533827A (fr)
KR (1) KR100694734B1 (fr)
CN (1) CN1335959A (fr)
AU (1) AU773217B2 (fr)
BR (1) BR9916421A (fr)
CA (1) CA2356384A1 (fr)
FR (1) FR2787902B1 (fr)
IL (1) IL143812A0 (fr)
WO (1) WO2000039672A2 (fr)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2875919A1 (fr) * 2004-09-27 2006-03-31 France Telecom Agent rationnel dialoguant, systeme de dialogue intelligent l'utilisant, procede de pilotage d'un dialogue intelligent, et programme pour sa mise en oeuvre
CN113689850A (zh) * 2020-05-18 2021-11-23 丰田自动车株式会社 智能体协作装置、其动作方法以及存储介质

Families Citing this family (209)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8645137B2 (en) 2000-03-16 2014-02-04 Apple Inc. Fast, language-independent method for user authentication by voice
WO2005122078A2 (fr) * 2004-06-04 2005-12-22 Sap Ag Ensemble d'interfaces coherent derive d'un modele d'objets de commerce
JP4635486B2 (ja) * 2004-06-29 2011-02-23 ソニー株式会社 概念獲得装置及びその方法、並びにロボット装置及びその行動制御方法
US8677377B2 (en) 2005-09-08 2014-03-18 Apple Inc. Method and apparatus for building an intelligent automated assistant
US8442828B2 (en) * 2005-12-02 2013-05-14 Microsoft Corporation Conditional model for natural language understanding
US8407664B2 (en) * 2005-12-30 2013-03-26 Sap Ag Software model business objects
US8676617B2 (en) 2005-12-30 2014-03-18 Sap Ag Architectural design for self-service procurement application software
US8321831B2 (en) * 2005-12-30 2012-11-27 Sap Ag Architectural design for internal projects application software
US8316344B2 (en) 2005-12-30 2012-11-20 Sap Ag Software model deployment units
US8396731B2 (en) 2005-12-30 2013-03-12 Sap Ag Architectural design for service procurement application software
US8327319B2 (en) * 2005-12-30 2012-12-04 Sap Ag Software model process interaction
US8448137B2 (en) * 2005-12-30 2013-05-21 Sap Ag Software model integration scenarios
US8326703B2 (en) * 2005-12-30 2012-12-04 Sap Ag Architectural design for product catalog management application software
US8522194B2 (en) * 2005-12-30 2013-08-27 Sap Ag Software modeling
US8380553B2 (en) 2005-12-30 2013-02-19 Sap Ag Architectural design for plan-driven procurement application software
US8402426B2 (en) 2005-12-30 2013-03-19 Sap Ag Architectural design for make to stock application software
US8370794B2 (en) 2005-12-30 2013-02-05 Sap Ag Software model process component
US8396761B2 (en) 2006-03-30 2013-03-12 Sap Ag Providing product catalog software application as enterprise services
US8442850B2 (en) 2006-03-30 2013-05-14 Sap Ag Providing accounting software application as enterprise services
US8438119B2 (en) 2006-03-30 2013-05-07 Sap Ag Foundation layer for services based enterprise software architecture
US8538864B2 (en) 2006-03-30 2013-09-17 Sap Ag Providing payment software application as enterprise services
US8396749B2 (en) 2006-03-30 2013-03-12 Sap Ag Providing customer relationship management application as enterprise services
US8326702B2 (en) 2006-03-30 2012-12-04 Sap Ag Providing supplier relationship management software application as enterprise services
US8321832B2 (en) 2006-03-31 2012-11-27 Sap Ag Composite application modeling
US8312416B2 (en) * 2006-04-13 2012-11-13 Sap Ag Software model business process variant types
US9318108B2 (en) 2010-01-18 2016-04-19 Apple Inc. Intelligent automated assistant
US8977255B2 (en) 2007-04-03 2015-03-10 Apple Inc. Method and system for operating a multi-function portable electronic device using voice-activation
GB0718214D0 (en) * 2007-09-19 2007-10-31 Ibm An apparatus for storing a logical statement
US10002189B2 (en) 2007-12-20 2018-06-19 Apple Inc. Method and apparatus for searching using an active ontology
US8401936B2 (en) 2007-12-31 2013-03-19 Sap Ag Architectural design for expense reimbursement application software
US8671033B2 (en) * 2007-12-31 2014-03-11 Sap Ag Architectural design for personnel events application software
US8315900B2 (en) 2007-12-31 2012-11-20 Sap Ag Architectural design for self-service procurement application software
US8671034B2 (en) 2007-12-31 2014-03-11 Sap Ag Providing human capital management software application as enterprise services
US20090171811A1 (en) * 2007-12-31 2009-07-02 Peter Markus A Architectural Design For Product Catalog Management Application Software
US8447657B2 (en) 2007-12-31 2013-05-21 Sap Ag Architectural design for service procurement application software
US8671032B2 (en) 2007-12-31 2014-03-11 Sap Ag Providing payment software application as enterprise services
US8510143B2 (en) 2007-12-31 2013-08-13 Sap Ag Architectural design for ad-hoc goods movement software
US9330720B2 (en) 2008-01-03 2016-05-03 Apple Inc. Methods and apparatus for altering audio output signals
US8996376B2 (en) 2008-04-05 2015-03-31 Apple Inc. Intelligent text-to-speech conversion
CA2723179C (fr) * 2008-05-01 2017-11-28 Primal Fusion Inc. Procede, systeme et programme d'ordinateur pour la generation dynamique guidee par utilisateur de reseaux semantiques et la synthese multimedia
US10496753B2 (en) 2010-01-18 2019-12-03 Apple Inc. Automatically adapting user interfaces for hands-free interaction
US20100030549A1 (en) 2008-07-31 2010-02-04 Lee Michael M Mobile device having human language translation capability with positional feedback
US8285550B2 (en) * 2008-09-09 2012-10-09 Industrial Technology Research Institute Method and system for generating dialogue managers with diversified dialogue acts
US8359218B2 (en) * 2008-09-18 2013-01-22 Sap Ag Computer readable medium for implementing supply chain control using service-oriented methodology
US8401928B2 (en) 2008-09-18 2013-03-19 Sap Ag Providing supplier relationship management software application as enterprise services
US8374896B2 (en) * 2008-09-18 2013-02-12 Sap Ag Architectural design for opportunity management application software
US8380549B2 (en) 2008-09-18 2013-02-19 Sap Ag Architectural design for embedded support application software
US8315926B2 (en) 2008-09-18 2012-11-20 Sap Ag Architectural design for tax declaration application software
US8321250B2 (en) 2008-09-18 2012-11-27 Sap Ag Architectural design for sell from stock application software
US8352338B2 (en) 2008-09-18 2013-01-08 Sap Ag Architectural design for time recording application software
US8595077B2 (en) 2008-09-18 2013-11-26 Sap Ag Architectural design for service request and order management application software
US8326706B2 (en) 2008-09-18 2012-12-04 Sap Ag Providing logistics execution application as enterprise services
US8818884B2 (en) 2008-09-18 2014-08-26 Sap Ag Architectural design for customer returns handling application software
US8386325B2 (en) 2008-09-18 2013-02-26 Sap Ag Architectural design for plan-driven procurement application software
US8676904B2 (en) 2008-10-02 2014-03-18 Apple Inc. Electronic devices with voice command and contextual data processing capabilities
US8321306B2 (en) * 2008-12-03 2012-11-27 Sap Ag Architectural design for selling project-based services application software
US8321308B2 (en) 2008-12-03 2012-11-27 Sap Ag Architectural design for manual invoicing application software
US8401908B2 (en) 2008-12-03 2013-03-19 Sap Ag Architectural design for make-to-specification application software
US8738476B2 (en) * 2008-12-03 2014-05-27 Sap Ag Architectural design for selling standardized services application software
US8311904B2 (en) 2008-12-03 2012-11-13 Sap Ag Architectural design for intra-company stock transfer application software
US8671035B2 (en) 2008-12-11 2014-03-11 Sap Ag Providing payroll software application as enterprise services
US9959870B2 (en) 2008-12-11 2018-05-01 Apple Inc. Speech recognition involving a mobile device
US20100153158A1 (en) * 2008-12-11 2010-06-17 Sap Ag Providing project management software application as enterprise services
US9858925B2 (en) 2009-06-05 2018-01-02 Apple Inc. Using context information to facilitate processing of commands in a virtual assistant
US10255566B2 (en) 2011-06-03 2019-04-09 Apple Inc. Generating and processing task items that represent tasks to perform
US10241644B2 (en) 2011-06-03 2019-03-26 Apple Inc. Actionable reminder entries
US10241752B2 (en) 2011-09-30 2019-03-26 Apple Inc. Interface for a virtual digital assistant
US9431006B2 (en) 2009-07-02 2016-08-30 Apple Inc. Methods and apparatuses for automatic speech recognition
US10276170B2 (en) 2010-01-18 2019-04-30 Apple Inc. Intelligent automated assistant
US10553209B2 (en) 2010-01-18 2020-02-04 Apple Inc. Systems and methods for hands-free notification summaries
US10705794B2 (en) 2010-01-18 2020-07-07 Apple Inc. Automatically adapting user interfaces for hands-free interaction
US10679605B2 (en) 2010-01-18 2020-06-09 Apple Inc. Hands-free list-reading by intelligent automated assistant
DE202011111062U1 (de) 2010-01-25 2019-02-19 Newvaluexchange Ltd. Vorrichtung und System für eine Digitalkonversationsmanagementplattform
US8682667B2 (en) 2010-02-25 2014-03-25 Apple Inc. User profiling for selecting user specific voice input processing information
US9634855B2 (en) 2010-05-13 2017-04-25 Alexander Poltorak Electronic personal interactive device that determines topics of interest using a conversational agent
DE102010040641A1 (de) * 2010-09-13 2012-03-15 Siemens Aktiengesellschaft Vorrichtung zur Verarbeitung von Daten in einem rechnergestützten Logiksystem sowie entsprechendes Verfahren
US10762293B2 (en) 2010-12-22 2020-09-01 Apple Inc. Using parts-of-speech tagging and named entity recognition for spelling correction
US9262612B2 (en) 2011-03-21 2016-02-16 Apple Inc. Device access using voice authentication
US10057736B2 (en) 2011-06-03 2018-08-21 Apple Inc. Active transport based notifications
US8994660B2 (en) 2011-08-29 2015-03-31 Apple Inc. Text correction processing
US10134385B2 (en) 2012-03-02 2018-11-20 Apple Inc. Systems and methods for name pronunciation
US9483461B2 (en) 2012-03-06 2016-11-01 Apple Inc. Handling speech synthesis of content for multiple languages
US9275636B2 (en) 2012-05-03 2016-03-01 International Business Machines Corporation Automatic accuracy estimation for audio transcriptions
US9280610B2 (en) 2012-05-14 2016-03-08 Apple Inc. Crowd sourcing information to fulfill user requests
US9721563B2 (en) 2012-06-08 2017-08-01 Apple Inc. Name recognition system
US9495129B2 (en) 2012-06-29 2016-11-15 Apple Inc. Device, method, and user interface for voice-activated navigation and browsing of a document
US9576574B2 (en) 2012-09-10 2017-02-21 Apple Inc. Context-sensitive handling of interruptions by intelligent digital assistant
US9547647B2 (en) 2012-09-19 2017-01-17 Apple Inc. Voice-based media searching
DE112014000709B4 (de) 2013-02-07 2021-12-30 Apple Inc. Verfahren und vorrichtung zum betrieb eines sprachtriggers für einen digitalen assistenten
US9368114B2 (en) 2013-03-14 2016-06-14 Apple Inc. Context-sensitive handling of interruptions
US10652394B2 (en) 2013-03-14 2020-05-12 Apple Inc. System and method for processing voicemail
WO2014144949A2 (fr) 2013-03-15 2014-09-18 Apple Inc. Entraînement d'un système à commande au moins partiellement vocale
WO2014144579A1 (fr) 2013-03-15 2014-09-18 Apple Inc. Système et procédé pour mettre à jour un modèle de reconnaissance de parole adaptatif
WO2014197336A1 (fr) 2013-06-07 2014-12-11 Apple Inc. Système et procédé pour détecter des erreurs dans des interactions avec un assistant numérique utilisant la voix
WO2014197334A2 (fr) 2013-06-07 2014-12-11 Apple Inc. Système et procédé destinés à une prononciation de mots spécifiée par l'utilisateur dans la synthèse et la reconnaissance de la parole
US9582608B2 (en) 2013-06-07 2017-02-28 Apple Inc. Unified ranking with entropy-weighted information for phrase-based semantic auto-completion
WO2014197335A1 (fr) 2013-06-08 2014-12-11 Apple Inc. Interprétation et action sur des commandes qui impliquent un partage d'informations avec des dispositifs distants
KR101959188B1 (ko) 2013-06-09 2019-07-02 애플 인크. 디지털 어시스턴트의 둘 이상의 인스턴스들에 걸친 대화 지속성을 가능하게 하기 위한 디바이스, 방법 및 그래픽 사용자 인터페이스
US10176167B2 (en) 2013-06-09 2019-01-08 Apple Inc. System and method for inferring user intent from speech inputs
KR101809808B1 (ko) 2013-06-13 2017-12-15 애플 인크. 음성 명령에 의해 개시되는 긴급 전화를 걸기 위한 시스템 및 방법
KR101749009B1 (ko) 2013-08-06 2017-06-19 애플 인크. 원격 디바이스로부터의 활동에 기초한 스마트 응답의 자동 활성화
US10296160B2 (en) 2013-12-06 2019-05-21 Apple Inc. Method for extracting salient dialog usage from live data
US9620105B2 (en) 2014-05-15 2017-04-11 Apple Inc. Analyzing audio input for efficient speech and music recognition
US10592095B2 (en) 2014-05-23 2020-03-17 Apple Inc. Instantaneous speaking of content on touch devices
US9502031B2 (en) 2014-05-27 2016-11-22 Apple Inc. Method for supporting dynamic grammars in WFST-based ASR
US9785630B2 (en) 2014-05-30 2017-10-10 Apple Inc. Text prediction using combined word N-gram and unigram language models
US9633004B2 (en) 2014-05-30 2017-04-25 Apple Inc. Better resolution when referencing to concepts
US10289433B2 (en) 2014-05-30 2019-05-14 Apple Inc. Domain specific language for encoding assistant dialog
US9430463B2 (en) 2014-05-30 2016-08-30 Apple Inc. Exemplar-based natural language processing
WO2015184186A1 (fr) 2014-05-30 2015-12-03 Apple Inc. Procédé d'entrée à simple énoncé multi-commande
US9842101B2 (en) 2014-05-30 2017-12-12 Apple Inc. Predictive conversion of language input
US9760559B2 (en) 2014-05-30 2017-09-12 Apple Inc. Predictive text input
US9734193B2 (en) 2014-05-30 2017-08-15 Apple Inc. Determining domain salience ranking from ambiguous words in natural speech
US10078631B2 (en) 2014-05-30 2018-09-18 Apple Inc. Entropy-guided text prediction using combined word and character n-gram language models
US9715875B2 (en) 2014-05-30 2017-07-25 Apple Inc. Reducing the need for manual start/end-pointing and trigger phrases
US10170123B2 (en) 2014-05-30 2019-01-01 Apple Inc. Intelligent assistant for home automation
US10659851B2 (en) 2014-06-30 2020-05-19 Apple Inc. Real-time digital assistant knowledge updates
US9338493B2 (en) 2014-06-30 2016-05-10 Apple Inc. Intelligent automated assistant for TV user interactions
US10446141B2 (en) 2014-08-28 2019-10-15 Apple Inc. Automatic speech recognition based on user feedback
US9818400B2 (en) 2014-09-11 2017-11-14 Apple Inc. Method and apparatus for discovering trending terms in speech requests
US10789041B2 (en) 2014-09-12 2020-09-29 Apple Inc. Dynamic thresholds for always listening speech trigger
US10127911B2 (en) 2014-09-30 2018-11-13 Apple Inc. Speaker identification and unsupervised speaker adaptation techniques
US9886432B2 (en) 2014-09-30 2018-02-06 Apple Inc. Parsimonious handling of word inflection via categorical stem + suffix N-gram language models
US9646609B2 (en) 2014-09-30 2017-05-09 Apple Inc. Caching apparatus for serving phonetic pronunciations
US9668121B2 (en) 2014-09-30 2017-05-30 Apple Inc. Social reminders
US10074360B2 (en) 2014-09-30 2018-09-11 Apple Inc. Providing an indication of the suitability of speech recognition
US10552013B2 (en) 2014-12-02 2020-02-04 Apple Inc. Data detection
US9711141B2 (en) 2014-12-09 2017-07-18 Apple Inc. Disambiguating heteronyms in speech synthesis
US9865280B2 (en) 2015-03-06 2018-01-09 Apple Inc. Structured dictation using intelligent automated assistants
US10152299B2 (en) 2015-03-06 2018-12-11 Apple Inc. Reducing response latency of intelligent automated assistants
US9721566B2 (en) 2015-03-08 2017-08-01 Apple Inc. Competing devices responding to voice triggers
US10567477B2 (en) 2015-03-08 2020-02-18 Apple Inc. Virtual assistant continuity
US9886953B2 (en) 2015-03-08 2018-02-06 Apple Inc. Virtual assistant activation
US9899019B2 (en) 2015-03-18 2018-02-20 Apple Inc. Systems and methods for structured stem and suffix language models
US9842105B2 (en) 2015-04-16 2017-12-12 Apple Inc. Parsimonious continuous-space phrase representations for natural language processing
US10083688B2 (en) 2015-05-27 2018-09-25 Apple Inc. Device voice control for selecting a displayed affordance
US10127220B2 (en) 2015-06-04 2018-11-13 Apple Inc. Language identification from short strings
US9578173B2 (en) 2015-06-05 2017-02-21 Apple Inc. Virtual assistant aided communication with 3rd party service in a communication session
US10101822B2 (en) 2015-06-05 2018-10-16 Apple Inc. Language input correction
US10255907B2 (en) 2015-06-07 2019-04-09 Apple Inc. Automatic accent detection using acoustic models
US11025565B2 (en) 2015-06-07 2021-06-01 Apple Inc. Personalized prediction of responses for instant messaging
US10186254B2 (en) 2015-06-07 2019-01-22 Apple Inc. Context-based endpoint detection
US10747498B2 (en) 2015-09-08 2020-08-18 Apple Inc. Zero latency digital assistant
US10671428B2 (en) 2015-09-08 2020-06-02 Apple Inc. Distributed personal assistant
US9697820B2 (en) 2015-09-24 2017-07-04 Apple Inc. Unit-selection text-to-speech synthesis using concatenation-sensitive neural networks
US10366158B2 (en) 2015-09-29 2019-07-30 Apple Inc. Efficient word encoding for recurrent neural network language models
US11010550B2 (en) 2015-09-29 2021-05-18 Apple Inc. Unified language modeling framework for word prediction, auto-completion and auto-correction
US11587559B2 (en) 2015-09-30 2023-02-21 Apple Inc. Intelligent device identification
US10691473B2 (en) 2015-11-06 2020-06-23 Apple Inc. Intelligent automated assistant in a messaging environment
US10049668B2 (en) 2015-12-02 2018-08-14 Apple Inc. Applying neural network language models to weighted finite state transducers for automatic speech recognition
US10223066B2 (en) 2015-12-23 2019-03-05 Apple Inc. Proactive assistance based on dialog communication between devices
US10446143B2 (en) 2016-03-14 2019-10-15 Apple Inc. Identification of voice inputs providing credentials
US9934775B2 (en) 2016-05-26 2018-04-03 Apple Inc. Unit-selection text-to-speech synthesis based on predicted concatenation parameters
US9972304B2 (en) 2016-06-03 2018-05-15 Apple Inc. Privacy preserving distributed evaluation framework for embedded personalized systems
US10249300B2 (en) 2016-06-06 2019-04-02 Apple Inc. Intelligent list reading
US10049663B2 (en) 2016-06-08 2018-08-14 Apple, Inc. Intelligent automated assistant for media exploration
DK179588B1 (en) 2016-06-09 2019-02-22 Apple Inc. INTELLIGENT AUTOMATED ASSISTANT IN A HOME ENVIRONMENT
US10192552B2 (en) 2016-06-10 2019-01-29 Apple Inc. Digital assistant providing whispered speech
US10067938B2 (en) 2016-06-10 2018-09-04 Apple Inc. Multilingual word prediction
US10509862B2 (en) 2016-06-10 2019-12-17 Apple Inc. Dynamic phrase expansion of language input
US10586535B2 (en) 2016-06-10 2020-03-10 Apple Inc. Intelligent digital assistant in a multi-tasking environment
US10490187B2 (en) 2016-06-10 2019-11-26 Apple Inc. Digital assistant providing automated status report
DK179049B1 (en) 2016-06-11 2017-09-18 Apple Inc Data driven natural language event detection and classification
DK179343B1 (en) 2016-06-11 2018-05-14 Apple Inc Intelligent task discovery
DK201670540A1 (en) 2016-06-11 2018-01-08 Apple Inc Application integration with a digital assistant
DK179415B1 (en) 2016-06-11 2018-06-14 Apple Inc Intelligent device arbitration and control
US10474753B2 (en) 2016-09-07 2019-11-12 Apple Inc. Language identification using recurrent neural networks
US10599644B2 (en) 2016-09-14 2020-03-24 International Business Machines Corporation System and method for managing artificial conversational entities enhanced by social knowledge
US10043516B2 (en) 2016-09-23 2018-08-07 Apple Inc. Intelligent automated assistant
US11281993B2 (en) 2016-12-05 2022-03-22 Apple Inc. Model and ensemble compression for metric learning
US10593346B2 (en) 2016-12-22 2020-03-17 Apple Inc. Rank-reduced token representation for automatic speech recognition
US11204787B2 (en) 2017-01-09 2021-12-21 Apple Inc. Application integration with a digital assistant
DK201770383A1 (en) 2017-05-09 2018-12-14 Apple Inc. USER INTERFACE FOR CORRECTING RECOGNITION ERRORS
US10417266B2 (en) 2017-05-09 2019-09-17 Apple Inc. Context-aware ranking of intelligent response suggestions
DK201770439A1 (en) 2017-05-11 2018-12-13 Apple Inc. Offline personal assistant
US10726832B2 (en) 2017-05-11 2020-07-28 Apple Inc. Maintaining privacy of personal information
US10395654B2 (en) 2017-05-11 2019-08-27 Apple Inc. Text normalization based on a data-driven learning network
DK179496B1 (en) 2017-05-12 2019-01-15 Apple Inc. USER-SPECIFIC Acoustic Models
DK179745B1 (en) 2017-05-12 2019-05-01 Apple Inc. SYNCHRONIZATION AND TASK DELEGATION OF A DIGITAL ASSISTANT
US11301477B2 (en) 2017-05-12 2022-04-12 Apple Inc. Feedback analysis of a digital assistant
DK201770428A1 (en) 2017-05-12 2019-02-18 Apple Inc. LOW-LATENCY INTELLIGENT AUTOMATED ASSISTANT
DK201770431A1 (en) 2017-05-15 2018-12-20 Apple Inc. Optimizing dialogue policy decisions for digital assistants using implicit feedback
DK201770432A1 (en) 2017-05-15 2018-12-21 Apple Inc. Hierarchical belief states for digital assistants
US10303715B2 (en) 2017-05-16 2019-05-28 Apple Inc. Intelligent automated assistant for media exploration
US10311144B2 (en) 2017-05-16 2019-06-04 Apple Inc. Emoji word sense disambiguation
DK179560B1 (en) 2017-05-16 2019-02-18 Apple Inc. FAR-FIELD EXTENSION FOR DIGITAL ASSISTANT SERVICES
US10403278B2 (en) 2017-05-16 2019-09-03 Apple Inc. Methods and systems for phonetic matching in digital assistant services
US10657328B2 (en) 2017-06-02 2020-05-19 Apple Inc. Multi-task recurrent neural network architecture for efficient morphology handling in neural language modeling
US10445429B2 (en) 2017-09-21 2019-10-15 Apple Inc. Natural language understanding using vocabularies with compressed serialized tries
US10755051B2 (en) 2017-09-29 2020-08-25 Apple Inc. Rule-based natural language processing
US10636424B2 (en) 2017-11-30 2020-04-28 Apple Inc. Multi-turn canned dialog
US10733982B2 (en) 2018-01-08 2020-08-04 Apple Inc. Multi-directional dialog
US10733375B2 (en) 2018-01-31 2020-08-04 Apple Inc. Knowledge-based framework for improving natural language understanding
US10789959B2 (en) 2018-03-02 2020-09-29 Apple Inc. Training speaker recognition models for digital assistants
US10592604B2 (en) 2018-03-12 2020-03-17 Apple Inc. Inverse text normalization for automatic speech recognition
US10818288B2 (en) 2018-03-26 2020-10-27 Apple Inc. Natural assistant interaction
US10909331B2 (en) 2018-03-30 2021-02-02 Apple Inc. Implicit identification of translation payload with neural machine translation
JP7409628B2 (ja) * 2018-04-05 2024-01-09 株式会社サウスポイント 結婚式における音楽選曲のための自動選曲システム
US10928918B2 (en) 2018-05-07 2021-02-23 Apple Inc. Raise to speak
US11145294B2 (en) 2018-05-07 2021-10-12 Apple Inc. Intelligent automated assistant for delivering content from user experiences
US10984780B2 (en) 2018-05-21 2021-04-20 Apple Inc. Global semantic word embeddings using bi-directional recurrent neural networks
US11386266B2 (en) 2018-06-01 2022-07-12 Apple Inc. Text correction
DK201870355A1 (en) 2018-06-01 2019-12-16 Apple Inc. VIRTUAL ASSISTANT OPERATION IN MULTI-DEVICE ENVIRONMENTS
US10892996B2 (en) 2018-06-01 2021-01-12 Apple Inc. Variable latency device coordination
DK180639B1 (en) 2018-06-01 2021-11-04 Apple Inc DISABILITY OF ATTENTION-ATTENTIVE VIRTUAL ASSISTANT
DK179822B1 (da) 2018-06-01 2019-07-12 Apple Inc. Voice interaction at a primary device to access call functionality of a companion device
US10504518B1 (en) 2018-06-03 2019-12-10 Apple Inc. Accelerated task performance
CN113112107A (zh) * 2020-01-13 2021-07-13 深圳顺丰泰森控股(集团)有限公司 中转场规划方法、装置、服务器及存储介质
CN120234400B (zh) * 2025-05-30 2025-10-21 北京通用人工智能研究院 智能体的可解释性信息处理装置、方法、设备及介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0689147A2 (fr) * 1994-06-21 1995-12-27 Canon Kabushiki Kaisha Système et méthode pour le traitement de langage naturel

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7006881B1 (en) * 1991-12-23 2006-02-28 Steven Hoffberg Media recording device with remote graphic user interface
DE69606021T2 (de) * 1995-01-23 2000-08-03 British Telecommunications P.L.C., London Verfahren und/oder vorrichtungen für den zugriff auf informationen
US5913040A (en) * 1995-08-22 1999-06-15 Backweb Ltd. Method and apparatus for transmitting and displaying information between a remote network and a local computer
US6076082A (en) * 1995-09-04 2000-06-13 Matsushita Electric Industrial Co., Ltd. Information filtering method and apparatus for preferentially taking out information having a high necessity
US5931907A (en) * 1996-01-23 1999-08-03 British Telecommunications Public Limited Company Software agent for comparing locally accessible keywords with meta-information and having pointers associated with distributed information
US5995951A (en) * 1996-06-04 1999-11-30 Recipio Network collaboration method and apparatus
US6820093B2 (en) * 1996-07-30 2004-11-16 Hyperphrase Technologies, Llc Method for verifying record code prior to an action based on the code
US6434567B1 (en) * 1996-07-30 2002-08-13 Carlos De La Huerga Method for specifying enterprise-wide database address formats
US5819243A (en) * 1996-11-05 1998-10-06 Mitsubishi Electric Information Technology Center America, Inc. System with collaborative interface agent
AU6240398A (en) * 1997-01-14 1998-08-03 Benjamin Slotznick System for calculating occasion dates and converting between different calendar systems, and intelligent agent for using same
US7062500B1 (en) * 1997-02-25 2006-06-13 Intertrust Technologies Corp. Techniques for defining, using and manipulating rights management data structures
US5974412A (en) * 1997-09-24 1999-10-26 Sapient Health Network Intelligent query system for automatically indexing information in a database and automatically categorizing users
US6353824B1 (en) * 1997-11-18 2002-03-05 Apple Computer, Inc. Method for dynamic presentation of the contents topically rich capsule overviews corresponding to the plurality of documents, resolving co-referentiality in document segments
US6088731A (en) * 1998-04-24 2000-07-11 Associative Computing, Inc. Intelligent assistant for use with a local computer and with the internet
US5999182A (en) * 1998-05-11 1999-12-07 The Board Of Trustees Of The Leland Stanford Junior University Computational architecture for reasoning involving extensible graphical representations
US7565397B2 (en) * 1998-06-15 2009-07-21 Sybase, Inc. Context reactive hints mechanism for natural language user interface
US6144989A (en) * 1998-06-15 2000-11-07 Dejima, Inc. Adaptive agent-oriented software architecture
US6810392B1 (en) * 1998-07-31 2004-10-26 Northrop Grumman Corporation Method and apparatus for estimating computer software development effort
CN100472500C (zh) * 1998-10-02 2009-03-25 联想（新加坡）私人有限公司 会话浏览器和会话系统
US6859212B2 (en) * 1998-12-08 2005-02-22 Yodlee.Com, Inc. Interactive transaction center interface
US6802042B2 (en) * 1999-06-01 2004-10-05 Yodlee.Com, Inc. Method and apparatus for providing calculated and solution-oriented personalized summary-reports to a user through a single user-interface
US6278993B1 (en) * 1998-12-08 2001-08-21 Yodlee.Com, Inc. Method and apparatus for extending an on-line internet search beyond pre-referenced sources and returning data over a data-packet-network (DPN) using private search engines as proxy-engines
US6725425B1 (en) * 1998-12-08 2004-04-20 Yodlee.Com Method and apparatus for retrieving information from semi-structured, web-based data sources
US7200804B1 (en) * 1998-12-08 2007-04-03 Yodlee.Com, Inc. Method and apparatus for providing automation to an internet navigation application
US7107107B2 (en) * 2003-01-31 2006-09-12 Matsushita Electric Industrial Co., Ltd. Predictive action decision device and action decision method

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0689147A2 (fr) * 1994-06-21 1995-12-27 Canon Kabushiki Kaisha Système et méthode pour le traitement de langage naturel

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LEAVITT J R R ET AL: "THE DIBBS BLACKBOARD CONTROL ARCHITECTURE AND ITS APPLICATION TO DISTRIBUTED NATURAL LANGUAGE PROCESSING", PROCEEDINGS OF THE INTERNATIONAL CONFERENCE ON TOOLS FOR ARTIFICIAL INTELLIGENCE, HERNDON, NOV. 6 - 9, 1990, NR. CONF. 2, PAGE(S) 202 - 208, INSTITUTE OF ELECTRICAL AND ELECTRONICS ENGINEERS, ISBN: 0-8186-2084-6, XP000236115 *
SADEK M D ET AL: "Effective human-computer cooperative spoken dialogue: the AGS demonstrator", PROCEEDINGS ICSLP 96. FOURTH INTERNATIONAL CONFERENCE ON SPOKEN LANGUAGE PROCESSING (CAT. NO.96TH8206), PROCEEDING OF FOURTH INTERNATIONAL CONFERENCE ON SPOKEN LANGUAGE PROCESSING. ICSLP '96, PHILADELPHIA, PA, USA, 3-6 OCT. 1996, 1996, NEW YORK, NY, USA, IEEE, USA, PAGE(S) 546 - 549 VOL.1, ISBN: 0-7803-3555-4, XP002115169 *
WONG S T C: "PREFERENCE-BASED DECISION MAKING FOR COOPERATIVE KNOWLEDGE-BASED SYSTEMS", ACM TRANSACTIONS ON INFORMATION SYSTEMS, vol. 12, no. 4, 1 October 1994 (1994-10-01), pages 407 - 435, XP000498551, ISSN: 1046-8188 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2875919A1 (fr) * 2004-09-27 2006-03-31 France Telecom Agent rationnel dialoguant, systeme de dialogue intelligent l'utilisant, procede de pilotage d'un dialogue intelligent, et programme pour sa mise en oeuvre
EP1669846A1 (fr) * 2004-09-27 2006-06-14 France Télécom Agent rationnel dialoguant, système de dialogue intelligent l'utilisant, procédé de pilotage d'un dialogue intelligent, et programme pour sa mise en oeuvre
CN113689850A (zh) * 2020-05-18 2021-11-23 丰田自动车株式会社 智能体协作装置、其动作方法以及存储介质

Also Published As

Publication number Publication date
JP2002533827A (ja) 2002-10-08
WO2000039672A2 (fr) 2000-07-06
US7376632B1 (en) 2008-05-20
CA2356384A1 (fr) 2000-07-06
KR20010099904A (ko) 2001-11-09
CN1335959A (zh) 2002-02-13
IL143812A0 (en) 2002-04-21
AU773217B2 (en) 2004-05-20
EP1141823A2 (fr) 2001-10-10
WO2000039672A3 (fr) 2000-11-16
BR9916421A (pt) 2001-12-11
AU1785100A (en) 2000-07-31
FR2787902B1 (fr) 2004-07-30
KR100694734B1 (ko) 2007-03-14

Similar Documents

Publication Publication Date Title
FR2787902A1 (fr) Modele et procede d&#39;implementation d&#39;un agent rationnel dialoguant, serveur et systeme multi-agent pour la mise en oeuvre
Park et al. Systematic Review on Chatbot Techniques and Applications.
Frederiks et al. Information modeling: The process and the required competencies of its participants
Leonardi et al. Transformational Technologies and the Creation of New Work Practices: Making Implicit Knowledge Explicit in Task-Based Offshoring1
Sin et al. An empirically grounded sociotechnical perspective on designing virtual agents for older adults
Malandri et al. Convxai: a system for multimodal interaction with any black-box explainer
Gregoromichelaki et al. Joint utterances and the (split-) turn taking puzzle
Truex et al. Deep structure or emergence theory: contrasting theoretical foundations for information systems development
Stone Communicative intentions and conversational processes in human-human and human-computer dialogue
Jönsson A model for habitable and efficient dialogue management for natural language interaction
Churcher et al. Dialogue management systems: a survey and overview
Saha et al. Towards sentiment-aware multi-modal dialogue policy learning
McTear Intelligent interface technology: from theory to reality?
O’Shea et al. Systems engineering and conversational agents
Escobar-Grisales et al. Evaluation of effectiveness in conversations between humans and chatbots using parallel convolutional neural networks with multiple temporal resolutions
Chesi Is it the end of (generative) linguistics as we know it?
Green et al. Interpreting and generating indirect answers
Hwang et al. Robot dialog system in the context of hospital receptionist and its demonstration
Омаров et al. Development of chatbot-psychologist: dataset, architecture, design and chatbot in use
CN118964529B (zh) 一种基于民航大语言模型的智能系统
Ferguson et al. Generic plan recognition for dialogue systems
Yi Revolutionizing interaction: the role of artificial intelligent conversation agents in human-computer interaction
Hiltunen Virtual assistants in customer interface
Arnold et al. An interactive concierge for independent living
Rao et al. Design & deployment of a smart chatbot using emerging technologies

Legal Events

Date Code Title Description
ST Notification of lapse

Effective date: 20090831