Development of an API for temporal coordination of multiple services

Abstract

Personal Assistants like Alexa, Cortana or Siri have a lot of applications; however, many require special APIs to solve the posed problems. This Bachelor Thesis formally defines the problems FULLMATCH and FLEXMATCH, which require coordination of services on a temporal level. The developed API, named ’TempCo’, solves these problems and its components are described and explained here in detail. It leverages the Semantic Web through JSON-LD and can parse data from various sources by using the Schema.org vocabulary. All algorithms were written in TypeScript which allows the code to be portable and run on many platforms. A standalone Node.js HTTP REST server implementation is also provided that listens to POST requests, enabling algorithm usage through the network. We analyse all algorithms on Performance to identify practical limits and runtime complexities. Results show that parsing JSON-LD objects can be slow for real time environments and the FLEXMATCH algorithm best works for small or constrained inputs. In contrast, the FULLMATCH algorithm is very scalable and can solve typical problem instances in a matter of seconds. Finally, we describe possible use cases, showing the versatility and applications of both algorithms to enhance Personal Assistants.

Personal Assistants wie Alexa, Cortana oder Siri haben viele Anwendungsmöglichkeiten jedoch benötigen einige spezielle APIs um gestellte Probleme zu lösen. Diese Bachelorarbeit definiert die Probleme FULLMATCH und FLEXMATCH formal, welche eine Koordinierung von Services auf der zeitlichen Ebene verlangen. Die entwickelte API, genannt "TempCo", löst diese Probleme und ihre Komponenten werden hier beschrieben sowie im Detail erklärt. Über JSON-LD wird das Semantic Web ausgenutzt um Daten aus verschiedenen Quellen durch Nutzung des Vokabulars von Schema.org zu parsen. Alle Algorithmen wurden in TypeScript geschrieben, wodurch der Code portabel ist und auf unterschiedlichen Plattformen laufen kann. Eine eigenständige Node.js HTTP REST Server Implementation steht auch zur Verfügung, die durch POST Requests eine Nutzung der Algorithmen im Netzwerk erlaubt. Wir analysieren die Algorithmen auf Performanz, um praktikable Limits und Laufzeitkomplexitäten zu identifizieren. Die Resultate zeigen, dass das Parsen von JSON-LD Objekten sehr langsam für Echtzeitumgebungen sein kann und dass der FLEXMATCH Algorithmus am besten für kleine oder eingeschränkte Eingaben funktioniert. Der FULLMATCH Algorithmus dagegen skaliert sehr gut und kann typische Probleminstanzen innerhalb von Sekunden lösen. Abschließend beschreiben wir mögliche Anwendungsfälle, die die Vielseitigkeit und Einsatzgebiete beider Algorithmen zeigt um Personal Assistants zu verbessern.