Распределенный искусственный интеллект
 | Эта статья нуждается в дополнительных ссылок для проверки . ( февраль 2023 г. ) |
| Часть серии о |
| Искусственный интеллект |
|---|
_artificial_intelligence_icon.png){kind=icon} |
| Часть серии о |
| Мультиагентные системы |
|---|
| Мультиагентное моделирование |
| Агент-ориентированное программирование |
| Связанный |
Распределенный искусственный интеллект ( DAI ), также называемый децентрализованным искусственным интеллектом. [1] — это область исследований искусственного интеллекта , посвященная разработке распределенных решений проблем. и является их предшественником DAI тесно связан с многоагентными системами .
Мультиагентные системы и распределенное решение проблем — два основных подхода DAI. Существует множество приложений и инструментов.
Определение [ править ]
Распределенный искусственный интеллект (DAI) — это подход к решению сложных задач обучения, планирования и принятия решений. Он невероятно параллелен , поэтому способен использовать крупномасштабные вычисления и пространственное распределение вычислительных ресурсов . Эти свойства позволяют ему решать задачи, требующие обработки очень больших наборов данных . Системы DAI состоят из автономных узлов обработки обучения ( агентов ), которые распределены, часто в очень больших масштабах. Узлы DAI могут действовать независимо, а частичные решения интегрируются за счет связи между узлами, часто асинхронно . В силу своего масштаба системы DAI являются надежными и эластичными и, по необходимости, слабосвязанными. Более того, системы DAI созданы с возможностью адаптации к изменениям в определении проблемы или базовых наборах данных из-за масштаба и сложности перераспределения.
Системы DAI не требуют агрегирования всех соответствующих данных в одном месте, в отличие от монолитных или централизованных систем искусственного интеллекта, которые имеют тесно связанные и географически близкие узлы обработки. Поэтому системы DAI часто работают с подвыборками или хешированными впечатлениями от очень больших наборов данных. Кроме того, исходный набор данных может изменяться или обновляться в ходе работы системы DAI.
Развитие [ править ]
В 1975 году распределенный искусственный интеллект возник как область искусственного интеллекта, занимающаяся взаимодействием интеллектуальных агентов. [2] Распределенные системы искусственного интеллекта были задуманы как группа интеллектуальных объектов, называемых агентами, которые взаимодействовали посредством сотрудничества, сосуществования или конкуренции. DAI подразделяется на многоагентные системы и распределенное решение проблем. [3] В многоагентных системах основное внимание уделяется тому, как агенты координируют свои знания и действия. При распределенном решении проблем основное внимание уделяется тому, как проблема разлагается и синтезируются решения.
Цели [ править ]
Целями распределенного искусственного интеллекта являются решение проблем рассуждения , планирования, обучения и восприятия искусственного интеллекта , особенно если они требуют больших данных, путем распределения проблемы по автономным узлам обработки (агентам). Для достижения цели DAI требует:
- с Распределенная система надежными и эластичными вычислениями на ненадежных и неисправных ресурсах, которые слабо связаны.
- Координация действий и связь узлов
- Подвыборки больших наборов данных и онлайн-машинное обучение
Существует много причин для желания распределить разведданные или справиться с многоагентными системами. Основные проблемы в исследованиях DAI включают следующее:
- Параллельное решение задач: в основном рассматривается вопрос о том, как можно изменить классические концепции искусственного интеллекта, чтобы можно было использовать многопроцессорные системы и кластеры компьютеров для ускорения вычислений.
- Распределенное решение проблем (DPS): концепция агентов , автономных объектов, которые могут взаимодействовать друг с другом, была разработана в качестве абстракции для разработки систем DPS. Более подробную информацию смотрите ниже.
- Многоагентное моделирование (MABS): ветвь DAI, которая создает основу для моделирования, требующего анализа не только явлений на макроуровне , но и на микроуровне , как это происходит во многих сценариях социального моделирования .
Подходы [ править ]
Появилось два типа DAI:
- В мультиагентных системах агенты координируют свои знания и действия, а также рассуждают о процессах координации. Агенты — это физические или виртуальные сущности, которые могут действовать, воспринимать окружающую среду и общаться с другими агентами. Агент автономен и обладает навыками достижения целей. Агенты своими действиями изменяют состояние окружающей среды. Существует множество различных методов координации. [4]
- При распределенном решении задач работа распределяется между узлами, а знания делятся. Основными проблемами являются декомпозиция задач и синтез знаний и решений.
DAI может применять к ИИ подход «снизу вверх», аналогичный архитектуре включения , а также традиционный подход «сверху вниз». подход ИИ. Кроме того, DAI также может стать средством развития .
Проблемы [ править ]
Проблемы распределенного ИИ заключаются в следующем:
- Как осуществлять общение и взаимодействие агентов и какой язык или протоколы общения следует использовать.
- Как обеспечить слаженность агентов.
- Как синтезировать результаты среди группы «интеллектуальных агентов» путем формулировки, описания, декомпозиции и распределения.
Приложения и инструменты [ править ]
Области применения DAI:
- Электронная коммерция , например, для торговых стратегий, система DAI изучает правила финансовой торговли на основе подвыборок очень больших выборок финансовых данных.
- Сети , например, в телекоммуникациях, система DAI контролирует совместные ресурсы в WLAN. сети [5]
- Маршрутизация , например, модель потока транспортных средств в транспортных сетях.
- Планирование , например, планирование поточного цеха , при котором объект управления ресурсами обеспечивает локальную оптимизацию и сотрудничество для обеспечения глобальной и локальной согласованности.
- Мультиагентные системы, например, искусственная жизнь , исследование моделируемой жизни.
- Электроэнергетические системы, например, многоагентная система мониторинга состояния (COMMAS), применяемая для мониторинга состояния трансформатора, и система автоматического восстановления IntelliTEAM II. [6]
Интеграция DAI в инструменты включала:
- ECStar — это распределенная система обучения, основанная на правилах. [7]
Агенты [ править ]
Системы: Агенты и мультиагенты [ править ]
Понятие агентов. Агентов можно описать как отдельные сущности со стандартными границами и интерфейсами, предназначенными для решения проблем.
Понятие мультиагентов: Мультиагентная система определяется как сеть агентов, которые слабо связаны, работая как единое целое, такое как общество, для решения проблем, которые не может решить отдельный агент.
Программные агенты [ править ]
Ключевой концепцией, используемой в DPS и MABS, является абстракция, называемая программными агентами . Агент — это виртуальная (или физическая) автономная сущность, которая понимает свою среду и действует в соответствии с ней. Агент обычно способен взаимодействовать с другими агентами в той же системе для достижения общей цели, которую один агент не мог бы достичь. Эта система связи использует язык общения агента .
Первая полезная классификация состоит в том, чтобы разделить агентов на:
- реактивный агент. Реактивный агент — это не что иное, как автомат, который получает входные данные, обрабатывает их и выдает выходные данные.
- совещательный агент. Совещательный агент , напротив, должен иметь внутренний взгляд на окружающую среду и способен следовать своим собственным планам.
- гибридный агент. Гибридный агент представляет собой смесь реактивного и совещательного агента, который следует своим собственным планам, но также иногда напрямую реагирует на внешние события без обсуждения.
Хорошо известные архитектуры агентов, описывающие внутреннюю структуру агента:
- АСМО (появление распределенных модулей)
- BDI (Believe Desire Intention, общая архитектура, описывающая, как составляются планы)
- InterRAP (трехуровневая архитектура с реактивным, совещательным и социальным уровнями)
- PECS (физика, эмоции, познание, общение) описывает, как эти четыре части влияют на поведение агентов.
- Soar (подход, основанный на правилах)
См. также [ править ]
- Коллективный разум - групповой разум, возникающий в результате коллективных усилий.
- Федеративное обучение – децентрализованное машинное обучение
- Имитированная реальность - концепция ложной версии реальности.
- Swarm Intelligence – Коллективное поведение децентрализованных, самоорганизующихся систем.
Ссылки [ править ]
- ^ Демазо, Ив и JP. Мюллер, ред. Децентрализованный ИИ. Том. 2. Эльзевир, 1990.
- ^ Чайб-Драа, Брахим; Мулен, Б.; Мандио, Р.; Милло, П. (1992). «Тенденции распределенного искусственного интеллекта». Обзор искусственного интеллекта . 6 (1): 35–66. дои : 10.1007/BF00155579 . S2CID 15730245 .
- ^ Бонд, Алан Х.; Гассер, Лес, ред. (1988). Чтения по распределенному искусственному интеллекту . Сан-Матео, Калифорния: Издательство Morgan Kaufmann. ISBN 9781483214443 .
- ^ Дженнингс, Ник (1996). «Методы координации распределенного искусственного интеллекта» (PDF) . У Грегори члена парламента О'Хара; Н.Р. Дженнингс (ред.). Основы распределенного искусственного интеллекта . Нью-Йорк: Уайли. стр. 187−210. ISBN 978-0-471-00675-6 . Архивировано из оригинала 1 ноября 2018 года.
- ^ Анита Раджа; Линда Се ; Иван Ховитт; Шаньцзюнь Ченг. «Управление ресурсами WLAN с использованием оптимизации распределенных ограничений» . UNC Шарлотта: Департамент компьютерных наук . Спонсор проекта: НФС. CS Research: Предыдущие проекты – Краткое описание проекта. Архивировано из оригинала 12 мая 2015 г. Колледж вычислительной техники и информатики UNC Шарлотты
- ^ Каттерсон, Виктория М.; Дэвидсон, Юан М.; МакАртур, Стивен DJ (01 марта 2012 г.). «Практическое применение мультиагентных систем в электроэнергетических системах» (PDF) . Европейские сделки по электроэнергетике . 22 (2): 235–252. дои : 10.1002/etep.619 . ISSN 1546-3109 .
- ^ «Любое масштабное обучение для всех | Альфагрупп» . alfagroup.csail.mit.edu .
Дальнейшее чтение [ править ]
- Хьюитт, Карл; и Джефф Инман (ноябрь/декабрь 1991 г.). «DAI между и между: от «интеллектуальных агентов» к науке об открытых системах» Транзакции IEEE по системам, человеку и кибернетике . Том: 21 Выпуск: 6, стр. 1409–1419. ISSN 0018-9472
- Грейс, Дэвид; Чжан, Хунган (август 2012 г.). Когнитивные коммуникации: распределенный искусственный интеллект (DAI), регуляторная политика и экономика, внедрение . Джон Уайли и сыновья Пресс. ISBN 978-1-119-95150-6
- Шохам, Йоав; Лейтон-Браун, Кевин (2009). Мультиагентные системы: алгоритмические, теоретико-игровые и логические основы . Нью-Йорк: Издательство Кембриджского университета . ISBN 978-0-521-89943-7 .
- Сан, Рон (2005). Познание и многоагентное взаимодействие . Нью-Йорк: Издательство Кембриджского университета. ISBN 978-0-521-83964-8
- Тренто, Дэмиен; Филипп, Песен; Тахон, Кристиан (2000). «Распределенный искусственный интеллект для планирования, контроля и поддержки проектирования FMS». Журнал интеллектуального производства . 11 (6): 573–589. дои : 10.1023/А:1026556507109 . S2CID 36570655 .
- Влассис, Никос (2007). Краткое введение в мультиагентные системы и распределенный искусственный интеллект . Сан-Рафаэль, Калифорния: Издательство Morgan & Claypool. ISBN 978-1-59829-526-9 .
