A Conception of Collaborative Decision Support Systems: Approach and Platform Architecture

封面

如何引用文章

全文:

详细

The paper describes a general conception of collaborative decision support systems, in which teams providing decision support a) are formed flexibly in accordance with the problem and b) consist of both human experts and intelligent agents implementing AI methods and techniques. An analysis of the key problems of creating collaborative decision support systems based on the collaboration of humans and AI is carried out, the following problems are highlighted: ensuring interoperability (mutual understanding) between heterogeneous team members, reconciling differing positions of participants, ensuring trust between participants, ensuring the effectiveness of joint actions planning and maintaining a balance between predefined workflows and self-organization. Principles for constructing such systems have been formed, offering solutions to the identified problems. In particular, it is proposed to employ an ontology-oriented representation of information about the problem (in the form of multi-aspect ontology), a set of methods for monitoring team activities, reputation scheme, elements of explainable AI, as well as mechanisms of limited self-organization. The proposed concept forms the basis of a software platform for the development of collaborative decision support systems, the main architectural provisions of which are also presented in the paper. The use of the platform is illustrated by an example from the field of rational management of road infrastructure and the creation of a collaborative DSS for the development of measures to reduce road accidents.

作者简介

A. Smirnov

St. Petersburg Federal Research Center of the Russian Academy of Sciences (SPC RAS)

Email: smir@iias.spb.su
14-th Line V.O. 39

A. Ponomarev

St. Petersburg Federal Research Center of the Russian Academy of Sciences (SPC RAS)

Email: ponomarev@iias.spb.su
14-th Line V.O. 39

N. Shilov

St. Petersburg Federal Research Center of the Russian Academy of Sciences (SPC RAS)

Email: nick@iias.spb.su
14-th Line V.O. 39

T. Levashova

St. Petersburg Federal Research Center of the Russian Academy of Sciences (SPC RAS)

Email: tatiana.levashova@iias.spb.su
14-th Line V.O. 39

N. Teslya

St. Petersburg Federal Research Center of the Russian Academy of Sciences (SPC RAS)

Email: teslya@iias.spb.su
14-th Line V.O. 39

参考

  1. Schall D. Service-Oriented Crowdsourcing: Architecture, Protocols and Algorithms. New York: Springer New York, 2012. 94 p.
  2. Smirnov A., Shilov N., Ponomarev A., Schekotov M. Human-computer cloud: Application platform and dynamic decision support // CLOSER 2019 – Proceedings of the 9th International Conference on Cloud Computing and Services Science. 2019. vol. 1. pp. 120–131.
  3. Retelny D., Bernstein M.S., Valentine M.A. No Workflow Can Ever Be Enough: How Crowdsourcing Workflows Constrain Complex Work // Proc. ACM Human-Computer Interact. 2017. vol. 1. no. 2.
  4. Valentine M.A., Retelny D., To A., Rahmati N., Doshi T., Bernstein M.S. Flash Organizations: Crowdsourcing Complex Work By Structuring Crowds As Organizations // Proceedings of the 2017 CHI Conference on Human Factors in Computing Systems – CHI ’17. 2017. pp. 3523–3537.
  5. Salehi N. et al. Huddler: Convening stable and familiar crowd teams despite unpredictable availability // Proc. ACM Conf. Comput. Support. Coop. Work (CSCW). 2017. pp. 1700–1713.
  6. Lykourentzou I., Vinella F., Ahmed F., Papastathis C., Papangelis K., Khan V.-J., Masthoff J. Self-organization in online collaborative work settings // Collect. Intell. 2022. vol. 1(1). no. 263391372210780.
  7. Terveen L.G. Overview of human-computer collaboration // Knowledge-Based Syst. 1995. vol. 8. no. 2–3. pp. 67–81.
  8. Elmarzouqi N., Garcia E., Lapayre J.-C. CSCW from Coordination to Collaboration. 11th International Conference CSCWD. 2008. pp. 87–98.
  9. Karacapilidis N., Tampakas V. On the Exploitation of Collaborative Argumentation Structures for Inducing Reasoning Behavior // Proceedings of the 18th International Conference on WWW/Internet 2019. IADIS Press, 2019. pp. 78–84.
  10. Adla A., Zarate P., Soubie J.-L. A Proposal of Toolkit for GDSS Facilitators // Gr. Decis. Negot. 2011. vol. 20. no. 1. pp. 57–77.
  11. Bittner E., Shoury O. Designing Automated Facilitation for Design Thinking: A Chatbot for Supporting Teams in the Empathy Map Method // Proc. 52nd Hawaii Int. Conf. Syst. Sci. 2019. pp. 227–236.
  12. Gu W., Moustafa A.A., Ito T., Zhang M., Yang C. A case-based reasoning approach for automated facilitation in online discussion systems // KICSS 2018 – 13th Int. Conf. Knowledge, Inf. Creat. Support Syst. Proc. 2018. vol. 30. pp. 719–742. doi: 10.1007/s10726-021-09731-4.
  13. Kolfschoten G.L., De Vreede G.J. The collaboration engineering approach for designing collaboration processes // Proceedings of the 13th International Workshop, CRIWG 2007. 2007. vol. 4715 LNCS. pp. 95–110.
  14. Ito T. et al. D-Agree: Crowd Discussion Support System Based on Automated Facilitation Agent // Proc. AAAI Conf. Artif. Intell. 2020. vol. 34. no. 09. pp. 13614–13615.
  15. Смирнов А.В., Левашова Т.В., Пономарев А.В. Онтологическая модель поддержки принятия решений на основе человеко-машинного коллективного интеллекта // Искусственный интеллект и принятие решений. 2020. № 3. pp. 48–60.
  16. Lee M.H., Siewiorek D.P., Smailagic A., Bernardino A., Bermúdez i Badia S.B. A Human-AI Collaborative Approach for Clinical Decision Making on Rehabilitation Assessment // Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems. 2021. pp. 1–14.
  17. Bosch K., Bronkhorst A. Human-AI cooperation to benefit military decision making // Proceedings of Specialist Meeting Big Data & Artificial Intelligence for Military Decision Making. 2018.
  18. Pohl J. Collaborative Decision-Support and the Human-Machine Relationship // A Decision-Making Tools Workshop. San Luis: Collaborative Agent Design Research Center, 2019. pp. 21–46.
  19. Chen J., Lim C.P., Tan K.H., Govindan K., Kumar A. Artificial intelligence-based human-centric decision support framework: an application to predictive maintenance in asset management under pandemic environments // Ann. Oper. Res. 2021. doi: 10.1007/s10479-021-04373-w.
  20. Bouabdallaoui Y, Lafhaj Z., Yim P., Ducoulombier L., Bennadji B. Predictive Maintenance in Building Facilities: A Machine Learning-Based Approach // Sensors. 2021. vol. 21(4). no. 1044.
  21. Kase S.E. et al. The Future of Collaborative Human-Artificial Intelligence Decision-Making for Mission Planning // Front. Psychol. 2022. vol. 13. doi: 10.3389/fpsyg.2022.850628.
  22. Puranam P. Human–AI collaborative decision-making as an organization design problem // Journal of Organization Design. 2021. vol. 10. no. 2. pp. 75–80.
  23. Lai V., Carton S., Bhatnagar R., Liao V., Zhang Y., Tan C. Human-AI Collaboration via Conditional Delegation: A Case Study of Content Moderation // Proceedings of the 2022 CHI Conference on Human Factors in Computing Systems. 2022. pp. 1–18.
  24. Cortes C., DeSalvo G., Mohri M. Learning with Rejection // Proceedings of the 27th International Conference on Algorithmic Learning Theory, ALT 2016. Cham: Springer, 2016. vol. 9925. pp. 67–82.
  25. Fugener A., Grahl J., Gupta A., Ketter W. Cognitive Challenges in Human – Artificial Intelligence Collaboration: Investigating the Path Toward Productive Delegation // Inf. Syst. Res. 2022. vol. 33. no. 2. pp. 678–696.
  26. Dellermann D, Calma A., Lipusch N., Weber T., Weigel S., Ebel P. The Future of Human-AI Collaboration: A Taxonomy of Design Knowledge for Hybrid Intelligence Systems // Proceedings of the 52nd Annual Hawaii International Conference on System Sciences. 2019. pp. 274–283.
  27. Peleteiro A. et al. Using reputation and adaptive coalitions to support collaboration in competitive environments // Eng. Appl. Artif. Intell. 2015. vol. 45. pp. 325–338.
  28. Burkart N., Huber M.F. A survey on the explainability of supervised machine learning // Journal of Artificial Intelligence Research. 2021. vol. 70. pp. 245–317.
  29. Smirnov A., Ponomarev A., Levashova T. Towards a Methodology for Developing Human-AI Collaborative Decision Support Systems // International Conference on Computer-Human Interaction Research and Applications. Springer, Cham, 2023. pp. 69–88.
  30. Smirnov A., Levashova T., Ponomarev A., Shilov N.Methodology for Multi-Aspect Ontology Development: Ontology for Decision Support Based on Human-Machine Collective Intelligence // IEEE Access. 2021. vol. 9. pp. 135167–135185.
  31. de Sousa Ribeiro M., Leite J. Aligning Artificial Neural Networks and Ontologies towards Explainable AI // Proceedings of the AAAI Conference on Artificial Intelligence. 2021. vol. 35. no. 6. pp. 4932–4940.
  32. Seeliger A., Pfaff M., Krcmar H. Semantic web technologies for explainable machine learning models: A literature review // Joint Proceedings of the 6th International Workshop on Dataset PROFlLing and the 1st Workshop on Semantic Explainability with the 18th International Semantic Web Conference (ISWC). 2019. vol. 2465. pp. 30–45.
  33. Smirnov A., Ponomarev A. Stimulating Self-Organization in Human-Machine Collective Intelligence Environment // 2021 IEEE Conference on Cognitive and Computational Aspects of Situation Management (CogSIMA). IEEE, 2021. pp. 94–102.
  34. Xiong W., Fan H., Ma L., Wang C. Challenges of human—machine collaboration in risky decision-making // Frontiers of Engineering Management. 2022. vol. 9. no. 1. pp. 89–103.
  35. Dellermann D., Calma A., Lipusch N., Weber T., Weigel S., Ebel P. The future of Human-AI collaboration: A taxonomy of design knowledge for hybrid intelligence systems // Proc. Annu. Hawaii Int. Conf. Syst. Sci. 2019. pp. 274–283.
  36. Sandkuhl K., Shilov N., Smirnov A. Facilitating Digital Transformation by Multi-Aspect Ontologies: Approach and Application Steps // IFAC-PapersOnLine. 2019. vol. 52. no. 13. p. 1609–1614.
  37. Korzun D.G., Balandin S.I., Gurtov A.V. Deployment of Smart Spaces in Internet of Things: Overview of the Design Challenges. Conference on Internet of Things and Smart Spaces. 2013. pp. 48–59.
  38. Roffia L., Morandi F., Kiljander J., D’Elia A., Vergari F., Viola F., Bononi L., Cinotti T.S. A Semantic Publish-Subscribe Architecture for the Internet of Things // IEEE Internet Things J. 2016. vol. 3. no. 6. pp. 1274–1296.
  39. Shilov N., Ponomarev A., Smirnov A. The Analysis of Ontology-Based Neuro-Symbolic Intelligence Methods for Collaborative Decision Support // Informatics Autom. 2023. vol. 22. no. 3. pp. 576–615.
  40. The PROV Ontology. URL: https://www.w3.org/TR/prov-o/ (accessed: 28.01.2020).
  41. Spetzler C., Winter H., Meyer J. Decision Quality: Value Creation from Better Business Decisions. Wiley, 2016. 256 p.
  42. Fayoumi A.G. Evaluating the Effectiveness of Decision Support System: Findings and Comparison // International Journal of Advanced Computer Science and Applications. 2018. vol. 9. no. 10. pp. 195–200.
  43. Straka G.A. Measurement and evaluation of competence. Luxembourg, 2004. 263–311 p.
  44. Is Your Team Too Big? Too Small? What’s the Right Number? // Knowledge at Wharton Podcast. Knowledge at Wharton. 2006. vol. 14.
  45. Katzenbach J.R., Smith D.K. The Wisdom of Teams: Creating the High-Performance Organization. Reprint ed. Harvard: Harvard Business Review Press, 2015. 304 p.
  46. LaFasto F., Larson C. When Teams Work Best: 6,000 Team Members and Leaders Tell What it Takes to Succeed. 1st ed. SAGE Publications, Inc, 2001. 256 p.
  47. Robbins S.P., Judge T.A. Organizational Behavior. 12th ed. Upper Saddle River: Prentice Hall, 2006. 792 p.
  48. Методические рекомендации по выбору эффективных некапиталоемких мероприятий по снижению аварийности в местах концентрации дорожно-транспортных происшествий на автомобильных дорогах общего пользования: ОДМ 218.6.025–2017. Москва, 2020. 46 p.
  49. Руководство по устранению и профилактике возникновения участков концентрации ДТП при эксплуатации автомобильных дорог: ОДМ 218.4.004-2009. Москва, 2009. 94 с.

补充文件

附件文件
动作
1. JATS XML
下载

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».