[논문 리뷰] Software Architecture for Next-Generation AI Planning Systems

Sebastian Graef, Ilche Georgievski|arXiv (Cornell University)|2021. 02. 22.

AI-based Problem Solving and Planning참고 문헌 52인용 수 5

한 줄 요약

이 논문은 차세대 AI 계획 시스템을 위한 서비스 기반 소프트웨어 아키텍처를 제안하며, 계획 기능을 느슨하게 결합된 재사용 가능한 서비스로 분해하여 사용성, 상호운용성, 재사용성을 향상시킨다. 프로토타입은 빠른 프로토타이핑과 탄력적인 조합을 보여주며, 단일 기능 기반 계획 시스템에서 소프트웨어 설계 원칙에 기반한 확장 가능하고 공학 기반의 계획 생태계로의 기초적 전환을 제공한다.

ABSTRACT

Artificial Intelligence (AI) planning is a flourishing research and development discipline that provides powerful tools for searching a course of action that achieves some user goal. While these planning tools show excellent performance on benchmark planning problems, they represent challenging software systems when it comes to their use and integration in real-world applications. In fact, even in-depth understanding of their internal mechanisms does not guarantee that one can successfully set up, use and manipulate existing planning tools. We contribute toward alleviating this situation by proposing a service-oriented planning architecture to be at the core of the ability to design, develop and use next-generation AI planning systems. We collect and classify common planning capabilities to form the building blocks of the planning architecture. We incorporate software design principles and patterns into the architecture to allow for usability, interoperability and reusability of the planning capabilities. Our prototype planning system demonstrates the potential of our approach for rapid prototyping and flexibility of system composition. Finally, we provide insight into the qualitative advantages of our approach when compared to a typical planning tool.

연구 동기 및 목표

• 일반적으로 단일 기능 기반이며 통합하기 어려운 AI 계획 도구에서 소프트웨어 공학 실천의 격차를 해소한다.
• 서비스 기반 아키텍처(SOA) 원칙을 적용하여 계획 기능의 사용성, 상호운용성, 재사용성을 향상시킨다.
• 기존의 계획 기능을 구성 요소 기반 개발과 시스템 조합을 지원하는 모듈화되고 직렬화 가능한 서비스로 분해한다.
• 기존 계획기와 새로운 계획 서비스를 느슨하게 결합된 방식으로 통합할 수 있는 표준화되고 확장 가능한 프레임워크를 제공한다.
• 유지보수 가능하고 진화 가능하며 산업 소프트웨어 공학 기준에 부합하는 미래의 AI 계획 시스템을 위한 기반을 마련한다.

제안 방법

• 파싱, 모델링, 계획, 검증, 실행 등의 핵심 기능을 식별하기 위해 계획 기능을 운영적 기능과 기술적 기능으로 분류한다.
• 각 계획 기능을 잘 정의된, 직렬화 가능한 인터페이스를 가진 느슨하게 결합된 메시지 기반 서비스로 구현하는 서비스 기반 아키텍처를 설계한다.
• 기술적 문제를 계획 로직에서 분리하기 위해 소프트웨어 설계 원칙 및 패턴(예: 책임 분리, 캡슐화)을 적용한다.
• 인터페이스 호환성과 통합을 지원하기 위해 JSON과 직렬화 가능한 데이터 구조를 사용하는 자바 기반 서비스를 사용해 프로토타입 시스템을 구현한다.
• 기존 계획 도구(예: PDDL4J)를 어댑터를 사용해 서비스로 래핑하지만, 소스 코드 수준에서의 강한 결합으로 인해 모든 도구의 완전한 통합은 어려웠다.
• 서비스 간 메시지 기반 통신을 사용하여 동적 조합과 런타임 유연성을 확보함으로써 계획 시스템 구성의 유연성을 높인다.

실험 결과

연구 질문

• RQ1 AI 계획 시스템에서 모듈화되고 재사용 가능한 시스템 설계를 지원하기 위해 계획 기능을 체계적으로 분류하는 방법은 무엇인가?
• RQ2 단일 기능 기반 계획기와 비교할 때 서비스 기반 아키텍처가 AI 계획 시스템의 사용성, 상호운용성, 재사용성에 얼마나 기여하는가?
• RQ3 기존의 강하게 결합된 계획 도구를 모듈화되고 상호운용 가능한 서비스로 래핑하는 데 있어 핵심적인 소프트웨어 공학 과제는 무엇인가?
• RQ4 서비스 기반 아키텍처는 실세계 응용에서 계획 시스템의 빠른 프로토타이핑과 탄력적인 조합을 가능하게 하는가?
• RQ5 느슨한 결합과 책임 분리와 같은 설계 원칙이 차세대 계획 시스템의 유지보수성과 확장성에 미치는 영향은 무엇인가?

주요 결과

• 제안된 서비스 기반 아키텍처는 계획 로직과 기술적 문제를 성공적으로 분리하여 모듈화된 개발과 향상된 유지보수성을 가능하게 한다.
• 프로토타입은 메시지 기반 서비스 통합을 통해 계획 기능의 빠른 프로토타이핑과 동적 조합의 가능성을 입증한다.
• PDDL4J만이 강한 결합성과 직렬화 가능한 데이터 구조의 부재로 인해 다른 계획기들과는 달리 성공적으로 서비스 아키텍처에 통합되었다.
• 기존의 AI 계획 도구에서 흔히 볼 수 없는 소프트웨어 공학 원칙을 적용함으로써 아키텍처는 높은 사용성, 상호운용성, 재사용성을 달성한다.
• 직렬화 가능한 데이터 모델이면 새로운 데이터 모델의 지원도 확장 가능하므로 다양한 응용 요구사항에 적응 가능하다.
• 레거시 계획기 통합의 도전에도 불구하고 아키텍처는 새로운 계획 서비스를 육성하고 반복적인 통합 작업을 피할 수 있는 확장 가능한 생태계를 제공한다.