Leveraging the Learning Curve: Reusing Existing Architectural Patterns to Design and Implement MAS

Sintesi Tecnica: Sfruttare la Curva di Apprendimento: Riutilizzare i Pattern Architetturali Esistenti per Progettare e Implementare MAS

Problematica
Nonostante i recenti progressi nell'IA e la natura intrinsecamente collaborativa dei Sistemi Multi-Agente (MAS), l'ingegneria dei MAS spesso trascura i paralleli con i Sistemi Distribuiti (DS). Mentre i sistemi distribuiti basati sul web sono ampiamente adottati e supportati da un vasto ecosistema di strumenti, framework e librerie, lo sviluppo di MAS rimane una nicchia. Gli attuali framework MAS richiedono spesso conoscenze specialistiche della teoria degli agenti (ad esempio, obiettivi, piani, organizzazioni specifiche) e non sfruttano necessariamente le tecniche di ingegneria dei DS già consolidate. Ciò crea una curva di apprendimento ripida per gli ingegneri del software, ostacolando l'adozione su larga scala dei MAS. Gli autori sostengono che la comunità MAS manchi dell'abbondanza di strumenti disponibili per i DS e che gli approcci attuali spesso forzino i concetti MAS in contesti web piuttosto che integrare gli elementi MAS nel contesto robusto dell'ingegneria dei DS.

Metodologia
Lo studio propone un approccio ingegneristico unificato stabilendo paralleli architetturali tra MAS e DS. La metodologia ha previsto tre fasi primarie:

1. Analisi Architetturale e Concettuale: Gli autori hanno analizzato le origini comuni di MAS e DS, concentrandosi su architettura e comunicazione. Hanno identificato che, sebbene DS e MAS condividano elementi (entità autonome, risorse distribuite, computazione asincrona), essi vengono trattati diversamente dalla comunità ingegneristica. Gli autori hanno definito un "set minimo" di concetti relativi agli agenti necessari per la progettazione di MAS attraverso l'analisi dei programmi di studio universitari (locali e globali) e il cross-referencing con i testi standard sulla teoria degli agenti (ad es., Wooldridge, Russell & Norvig) e i curricula ACM/IEEE-CS/AAAI.
2. Studio Pratico 1 (Adattamento dei Pattern): Per testare la fattibilità dell'introduzione di concetti MAS in un contesto DS, gli autori hanno selezionato il pattern architetturale Entity-Component-System (ECS), un pattern di data-oriented design (DOD) comune nei giochi MMO massivi (MMOG). Hanno esteso un MMOG open-source (Terasology) per implementare un MAS distribuito. Gli agenti sono stati definiti tramite descrittori JSON (Componenti) contenenti comportamenti (Behavior Trees) e affiliazioni di gruppo, senza richiedere un linguaggio di programmazione specifico per agenti o un linguaggio di comunicazione tra agenti (ACL). La logica è stata incapsulata all'interno dei Sistemi, e la comunicazione è stata gestita dall'architettura sottostante.
3. Studio Pratico 2 (Intervento Educativo): Gli autori hanno condotto due corsi di livello graduate presso l'Università di São Paulo (USP) per valutare la curva di apprendimento.
   • Corso 1 (PCS-5703): Gli studenti hanno utilizzato il framework personalizzato basato su ECS sviluppato nello Studio 1 per implementare un MAS per un meccanismo d'asta.
   • Corso 2 (PCS-5045): Gli studenti hanno utilizzato un approccio di ingegneria dei DS (utilizzando strumenti basati su Python come SPADE per la struttura di base ma evitando pesanti framework specifici per MAS) per progettare e implementare un MAS per scenari del mondo reale.
     Entrambi i corsi hanno utilizzato lo stesso "set concettuale minimo" della teoria degli agenti. La competenza nel software development e l'esperienza pregressa nei sistemi distribuiti degli studenti sono state profilate.

Contributi Chiave

• Approccio Ingegneristico Unificato: Il documento sostiene e dimostra che l'introduzione di un set minimo di concetti di agente nel dominio DS può sfruttare efficacemente le tecniche DS consolidate (come ECS, pattern di middleware e protocolli web) per lo sviluppo di MAS.
• Set Concettuale Minimo: Gli autori hanno distillato la teoria degli agenti in un elenco essenziale di concetti chiave: Definizioni di Base (agenti, tipi di MAS), Architetture degli Agenti (cognitiva, reattiva, BDI), Comunicazione (passaggio di messaggi, ACL), Cooperazione, Pianificazione dei Task e Coordinamento. Le preoccupazioni non essenziali o a livello architettonico (ad es., sicurezza, tolleranza ai guasti) sono state escluse da questo set minimo, trattandole come requisiti di sistema.
• L'ECS come Veicolo per i MAS: Lo studio dimostra che il pattern ECS, tipicamente usato nello sviluppo di videogiochi, è un pattern architetturale valido per implementare i MAS distribuiti. Permette di disaccoppiare i dati dalla logica, consentendo agli agenti di essere definiti da strutture dati (Componenti) e comportamenti (Sistemi) senza richiedere codice complesso specifico per gli agenti.
• Validazione Educativa: Lo studio fornisce prove empiriche del fatto che gli studenti senza alcuna conoscenza pregressa della teoria degli agenti possono progettare e implementare con successo i MAS utilizzando strumenti e tecniche dei DS quando guidati dal proposto set concettuale minimo.

Risultati

• Successo dell'Implementazione: L'implementazione basata su ECS ha modellato con successo un ambiente multi-agente all'interno di un motore di gioco, provando che i comportamenti e le organizzazioni degli agenti possono essere incapsulati senza rompere il pattern DS sottostante.
• Risultati dell'Apprendimento:
  • Nel primo corso (utilizzando il framework personalizzato), il voto finale medio è stato di 81.31/100.
  • Nel secondo corso (utilizzando un approccio di ingegneria dei DS con strumenti minimi specifici per MAS), la media dei voti finali è stata di 84.10/100.
  • Notevolmente, nel secondo corso, tutti gli studenti hanno ottenuto un punteggio perfetto (100/100) nel progetto finale.
  • Il feedback degli studenti è stato unanimemente positivo, indicando che l'applicazione dei concetti della teoria degli agenti a progetti pratici di DS rendeva la teoria più facile da comprendere.
• Demografia degli Studenti: Circa due terzi degli studenti in entrambi i corsi non avevano esperienza pratica nello sviluppo di sistemi distribuiti, eppure hanno ottenuto alti tassi di successo, validando l'accessibilità dell'approccio.

Significatività e Rivendicazioni
Gli autori affermano che il loro approccio supporta lo sviluppo di sistemi di IA avanzati integrando costantemente le moderne tecniche di IA con la ricerca consolidata sugli agenti, sfruttando al contempo le mature tecniche dei DS. La significatività risiede in:

• Abbassamento della Barriera all'Entrata: Utilizzando strumenti e pattern DS esistenti, l'approccio riduce la conoscenza specializzata richiesta per costruire i MAS, facilitando potenzialmente una più ampia adozione industriale.
• Cross-Pollination (Impollinazione Incrociata): Lo studio evidenzia uno spazio fertile per la cross-pollination tra DS e MAS. Suggerisce che gli ingegneri dei DS possano beneficiare di argomenti ben discussi come la tolleranza ai guasti e il bilanciamento del carico, mentre i problemi dei MAS possono essere risolti utilizzando tecniche dei DS come le architetture peer-to-peer e i microservizi.
• Generalizzabilità: Gli autori suggeriscono che questa metodologia possa essere generalizzata ad altri sistemi di IA e ingegneria (ad es., veicoli autonomi, smart cities), permettendo agli ingegneri di incorporare i progressi dell'IA senza abbandonare i framework ingegneristici stabiliti.

Il documento conclude con modestia, riconoscendo limitazioni come la dimensione ridotta del campione degli studi educativi e la necessità di ulteriori benchmark con scope di progetto identici. Tuttavia, afferma che il metodo proposto valida con successo l'ipotesi che i MAS possano essere ingegnerizzati efficacementamente riutilizzando i pattern architetturali esistenti e i concetti dei DS.