Войти
В искусственный интеллект, интеллектуальный агент (IA) относится к автономному объекту, который действует, направляя свою деятельность для достижения целей (т.е. это агент ) в среде, используя наблюдение через датчики и соответствующие исполнительные механизмы (т.е. интеллектуально). Интеллектуальные агенты также могут изучить или использовать знания для достижения своих целей. Они могут быть очень простыми или очень сложными. Рефлекторная машина, такая как термостат, считается примером интеллектуального агента.
Простой рефлекторный агент Интеллектуальные агенты часто схематически описываются как абстрактная функциональная система, подобная компьютерной программе. Такие исследователи, как Russell Norvig (2003) harvtxt error: no target: CITEREFRussellNorvig2003 (help ), считают целенаправленное поведение сущностью интеллекта; нормативный агент может быть обозначен термином, заимствованным из экономики, «рациональный агент ». В этой парадигме рационального действия ИИ обладает внутренней «моделью» своего окружения. Эта модель инкапсулирует все представления агента о мире. У агента также есть «целевая функция», которая инкапсулирует все цели ИИ. Такой агент предназначен для создания и выполнения любого плана, который по завершении максимизирует ожидаемое значение целевой функции. Агент обучения с подкреплением может иметь «функцию вознаграждения», которая позволяет программистам формировать желаемое поведение ИИ, а поведение эволюционного алгоритма формируется «функцией приспособленности». Абстрактные описания интеллектуальных агентов иногда называют абстрактными интеллектуальными агентами (AIA ), чтобы отличить их от их реализаций в реальном мире, таких как компьютерные системы, биологические системы или организации. Некоторые автономные интеллектуальные агенты предназначены для работы без вмешательства человека. По мере того, как интеллектуальные агенты становятся все более популярными, возрастают правовые риски.
Интеллектуальные агенты в искусственном интеллекте тесно связаны с агентами в экономике и версиями интеллектуальных агентная парадигма изучается в когнитивной науке, этике, философии практического разума, а также во многих междисциплинарных социальных -когнитивное моделирование и компьютерное социальное моделирование.
Интеллектуальные агенты также тесно связаны с программными агентами (автономная компьютерная программа, которая выполняет задачи от имени пользователей). В информатике интеллектуальный агент - это программный агент, который имеет некоторый интеллект, например, автономные программы, используемые для помощи оператору или интеллектуального анализа данных (иногда называемого ботами ) также называются «интеллектуальными агентами».
Согласно Николе Касабову (1998), системы IA должны демонстрировать следующее характеристики:
Пэгхэм и Виникофф (2005) соглашаются, что обнаружен интеллектуальный агент в среде и реагирует (своевременно, но не обязательно в реальном времени) на изменения среды. Однако интеллектуальные агенты также должны активно и гибко преследовать цели. Необязательные пожелания включают, чтобы агент был рациональным и чтобы агент был способен к анализу убеждение-желание-намерение. Некоторые определения 20-го века характеризуют агента как программу, которая помогает пользователю или действует от имени пользователя. Влиятельный AIMA (2009) определяет агента как «все, что можно рассматривать как воспринимающее окружающую среду с помощью датчиков и действующее на эту среду с помощью исполнительных механизмов», и характеризует интеллект как способность успешно действовать в соответствии с определенные идеальные стандарты рациональности.
«Интеллектуальный агент» также часто используется как расплывчатый маркетинговый термин, иногда синоним «виртуальный личный помощник ".
Некоторые агенты могут должна быть назначена явная «целевая функция»; агент считается более умным, если он последовательно предпринимает действия, которые успешно максимизируют его запрограммированную целевую функцию. «Целевая функция» включает в себя все цели, над которыми агент стремится действовать; в случае рациональных агентов, функция также инкапсулирует приемлемые компромиссы между достижением конфликтующих целей (терминология варьируется; например, некоторые агенты стремятся максимизировать или минимизировать «функцию полезности », «целевую функцию n "или" функция потерь ".) Теоретическая и невычислимая схема AIXI является максимально интеллектуальным агентом в этой парадигме; однако в реальном мире искусственный интеллект ограничен конечными временными и аппаратными ресурсами, и ученые соревнуются в создании алгоритмов, которые могут достигать все более высоких результатов в тестовых тестах с реальным оборудованием.
Системы, которые традиционно не рассматриваются агенты, такие как системы представления знаний, иногда включаются в парадигму, представляя их как агентов, которые имеют целью (например) как можно точнее отвечать на вопросы; понятие «действие» здесь расширено и включает в себя «действие» ответа на вопрос. В качестве дополнительного расширения системы, управляемые мимикрией, можно представить как агентов, оптимизирующих «целевую функцию» в зависимости от того, насколько точно ИИ преуспевает в подражании желаемому поведению. В порождающих состязательных сетях 2010-х годов компонент «кодировщик» / «генератор» пытается имитировать и импровизировать композицию человеческого текста. Генератор пытается максимизировать функцию, инкапсулируя, насколько хорошо он может обмануть антагонистический компонент «предиктор» / «дискриминатор».
Хотя системы GOFAI часто принимают явную целевую функцию, парадигма может также может применяться к нейронным сетям и к эволюционным вычислениям. Обучение с подкреплением может генерировать интеллектуальных агентов, которые действуют таким образом, чтобы максимизировать «функцию вознаграждения». Иногда вместо того, чтобы устанавливать функцию вознаграждения, которая прямо равна желаемой функции оценки эталонного теста, программисты машинного обучения будут использовать ее для первоначального вознаграждения машины за постепенный прогресс в обучении. Янн ЛеКун заявил в 2018 году, что «Большинство алгоритмов обучения, которые придумали люди, по сути, состоят в минимизации некоторой целевой функции. "AlphaZero шахматы имели простую целевую функцию; каждая победа засчитывается как +1 очко, а каждое поражение засчитывается как -1 очко. Целевая функция для беспилотного автомобиля должна быть более сложной. Эволюционные вычисления могут развить интеллектуальных агентов, которые, по-видимому, действуют таким образом, чтобы максимизировать «функцию приспособленности», которая влияет на количество потомков, которым разрешено покинуть каждый агент.
Простой агент Программа может быть определена математически как функция f (называемая «функцией агента»), которая отображает каждую возможную последовательность percepts на возможное действие, которое может выполнить агент, или на коэффициент, элемент обратной связи, функция или константа, которая влияет на возможные действия:
Функция агента - это абстрактное понятие, поскольку оно может включать в себя различные принципы принятия решений выполнение подобных вычислений полезности отдельных опций, дедукции по правилам логики, нечеткой логики и т. д.
Вместо этого он отображает каждое возможное восприятие на действие.
Мы используем термин «восприятие» для обозначения восприятия, поступающего от агента в любой данный момент. На следующих рисунках агент - это все, что можно рассматривать как воспринимающее окружающую среду с помощью датчиков и действующее на эту среду с помощью исполнительных механизмов.
Вайс (2013) определяет четыре класса агентов:
Как правило, агент может быть Построенный путем разделения тела на датчики и исполнительные механизмы, он работает со сложной системой восприятия, которая принимает описание мира в качестве входных данных для контроллера и выдает команды исполнительному механизму. Однако иерархия уровней контроллеров часто необходима, чтобы сбалансировать немедленную реакцию, желаемую для задач низкого уровня, и медленные рассуждения о сложных, высокоуровневых целях.
Простой рефлексный агент 
Модель агент-рефлекс 
агент на основе модели, на основе цели 
агент на основе модели, на основе полезности 
агент общего обучения Russell Norvig (2003) ошибка harvtxt: нет цели : CITEREFRussellNorvig2003 (help ) группирует агентов в пять классов в зависимости от степени их воспринимаемого интеллекта и способностей:
Простые рефлекторные агенты действуют только на основе текущего восприятия, игнорируя остальную часть история восприятия. Функция агента основана на правиле «условие-действие»: «если условие, то действие».
Эта функция агента завершается успешно только тогда, когда среда полностью наблюдаема. Некоторые рефлекторные агенты также могут содержать информацию об их текущем состоянии, что позволяет им игнорировать условия, приводы которых уже сработали.
Бесконечные петли часто неизбежны для простых рефлекторных агентов, работающих в частично наблюдаемой среде. Примечание: если агент может рандомизировать свои действия, возможно, удастся выйти из бесконечных циклов.
Агент на основе модели может работать с частично наблюдаемыми средами. Его текущее состояние хранится внутри агента, поддерживающего некую структуру, описывающую ту часть мира, которую нельзя увидеть. Это знание о том, «как устроен мир», называется моделью мира, отсюда и название «агент на основе модели».
Рефлекторный агент на основе модели должен поддерживать некоторую внутреннюю модель, которая зависит от истории восприятия и, таким образом, отражает по крайней мере некоторые из ненаблюдаемых аспектов текущего состояния. Историю восприятия и влияние действий на окружающую среду можно определить с помощью внутренней модели. Затем он выбирает действие так же, как рефлекторный агент.
Агент также может использовать модели для описания и прогнозирования поведения других агентов в среде.
Агенты на основе целей дополнительно расширяют возможности агентов, основанных на модели, с использованием «целевой» информации. Информация о цели описывает ситуации, которые желательны. Это позволяет агенту выбирать среди множества возможностей, выбирая ту, которая достигает целевого состояния. Поиск и планирование - это подполя искусственного интеллекта, предназначенные для поиска последовательностей действий, которые достигают целей агента.
Агенты на основе целей различают только состояния цели и состояния, не являющиеся целью. Можно определить меру того, насколько желательно то или иное состояние. Эта мера может быть получена с помощью функции полезности, которая отображает состояние в меру полезности состояния. Более общий показатель производительности должен позволять сравнение различных состояний мира в зависимости от того, насколько счастливым они будут для агента. Термин «полезность» можно использовать для описания того, насколько «счастлив» агент.
Агент, основанный на рациональной полезности, выбирает действие, которое максимизирует ожидаемую полезность результатов действия, то есть то, что агент ожидает получить в среднем с учетом вероятностей и полезности каждого результата. Агент на основе утилит должен моделировать и отслеживать свою среду, задачи, которые потребовали большого количества исследований в области восприятия, представления, рассуждений и обучения.
Обучение имеет то преимущество, что оно позволяет агентам изначально работать в неизвестной среде и становиться более компетентными, чем можно было бы позволить только их начальным знаниям. Наиболее важным различием является «элемент обучения», который отвечает за внесение улучшений, и «элемент производительности», который отвечает за выбор внешних действий.
Элемент обучения использует обратную связь от «критика» о том, как работает агент, и определяет, как следует изменить элемент производительности, чтобы добиться лучших результатов в будущем. Элемент производительности - это то, что мы раньше считали агентом в целом: он принимает решения и принимает решения о действиях.
Последний компонент обучающего агента - «генератор проблем». Он отвечает за предложения действий, которые приведут к новому и информативному опыту.
Для активного выполнения своих функций интеллектуальные агенты сегодня обычно собираются в иерархическую структуру, содержащую множество «субагентов». Интеллектуальные субагенты обрабатывают и выполняют функции более низкого уровня. Взятые вместе, интеллектуальный агент и субагенты создают законченную систему, которая может выполнять сложные задачи или цели с помощью поведения и реакций, отображающих форму интеллекта.
Пример автоматизированного онлайн-помощника, обеспечивающего автоматическое обслуживание клиентов на веб-странице. Интеллектуальные агенты применяются как автоматизированные онлайн-помощники, где они работают, чтобы воспринимать потребности клиентов, чтобы предоставлять индивидуализированное обслуживание клиентов. Такой агент может в основном состоять из диалоговой системы, аватара, а также экспертной системы для предоставления пользователю специальных знаний. Их также можно использовать для оптимизации координации групп людей в сети.
