Resumen de Generating Commonsense Explanations with Answer Set Programming

Brais Muñiz

• español

  En esta tesis, exploramos la noción de “commonsense explanation” en el contexto de la Inteligencia Artifcial mediante la extensión del formalismo Answer Set Programming (ASP) con anotaciones formales. Con este objetivo, defnimos el concepto de “support graphs” para obtener múltiples explicaciones de cada modelo de un programa lógico, y proporcionamos diferentes operaciones para fltrar la información irrelevante de estos grafos. Dichas defniciones son implementadas por una herramienta llamada xclingo que adicionalmente permite la especifcación de explicaciones “commonsense” en lenguaje natural. xclingo obtiene los “support graphs” empleando un meta-programa ASP, cuya corrección es demostrada. Estudiamos los diferentes ejemplos en el contexto de ASP tales como planifcación, resolución de problemas o diagnóstico, entre otros, y analizamos el efecto de diferentes anotaciones para el mismo escenario, ilustrando la necesidad de diseñar las explicaciones. Adicionalmente, abordamos la generación de explicaciones no técnicas de modelos de Aprendizaje Automático con usuarios reales en dos problemas de otras disciplinas (Medicina y Farmacia), cubriendo tanto algoritmos de aprendizaje simbólico como subsimbólico.

• English

  In this thesis, we explore the notion of commonsense explanation in the context of Artifcial Intelligence by extending the formalism of Answer Set Programming (ASP) with formal annotations. To this aim, we defne the concept of support graphs to account for the multiple explanations for each model of a logic program, and we provide diferent operations to flter irrelevant information from the graphs. These defnitions are implemented in a tool called xclingo that additionally allows the specifcation of natural language, commonsense explanations. xclingo obtains the support graphs via an ASP meta-encoding that is proved to be correct. We study diferent examples in the context of ASP such as planning, problem-solving, or diagnosis, among others, and we analyze the efect of alternative annotations for the same scenario, illustrating the need for explanation design. Additionally, we address the generation of non-technical explanations of Machine Learning models for real users in a pair of problems from other disciplines (Medicine and Pharmacy), covering both symbolic and sub-symbolic learning algorithms.

• galego

  Nesta tese, exploramos a noción de “commonsense explanation” no contexto da Intelixencia Artifcial mediante a extensión do formalismo Answer Set Programming (ASP) con anotacións formais. Con este obxectivo, defnimos o concepto de “support graphs” para obter múltiples explicacións de cada modelo dun programa lóxico, e proporcionamos diferentes operacións para fltrar a información irrelevante de destes grafos. Ditas defnicións son implementadas por unha ferramenta chamada xclingo que adicionalmente permite a especifcación de explicacións “commonsense” en linguaxe natural. xclingo obtén Os “support graphs” empregando un meta-programa ASP, cuxa corrección é demostrada. Estudamos os diferentes exemplos no contexto de ASP tales como planifcación, resolución de problemas ou diagnóstico, entre outros, e analizamos o efecto de diferentes anotacións para o mesmo escenario, ilustrando a necesidade de deseñar as explicacións. Adicionalmente, abordamos a xeración de explicacións non técnicas de modelos de Aprendizaxe Automático con usuarios reais en dous problemas de outras disciplinas (Medicina e Farmacia), cubrindo tanto algoritmos de aprendizaxe simbólico como subsimbólico