Распределенный искусственный интеллект - Distributed artificial intelligence

Распределенный искусственный интеллект (DAI) также называется децентрализованным искусственным интеллектом^[1] является подполем искусственный интеллект исследование, посвященное разработке распределенных решений проблем. DAI тесно связан и является предшественником области мультиагентные системы.

Определение

Распределенный искусственный интеллект (DAI) - это подход к решению сложного обучения, планирование, и проблемы принятия решений. это смущающе параллельный, что позволяет использовать крупномасштабные вычисления и пространственное распределение вычислительных ресурсов. Эти свойства позволяют решать задачи, требующие обработки очень больших наборов данных. Системы DAI состоят из узлов автономной обучающей обработки (агенты ), которые распространяются, часто в очень большом масштабе. Узлы DAI могут действовать независимо, а частичные решения интегрируются путем обмена данными между узлами, часто асинхронно. Благодаря своему масштабу DAI-системы надежны и эластичны и, по необходимости, слабо связаны. Кроме того, системы DAI созданы для адаптации к изменениям в определении проблемы или базовых наборах данных из-за масштаба и сложности повторного развертывания.

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 очень больших наборов данных. Кроме того, исходный набор данных может изменяться или обновляться в ходе выполнения системы DAI.

Цели

Цели распределенного искусственного интеллекта - решить рассуждение, планирование, обучение и проблемы восприятия искусственный интеллект, особенно если им требуются большие данные, путем распределения проблемы на автономные узлы обработки (агенты). Для достижения цели DAI требует:

А распределенная система с надежными и эластичными вычислениями на ненадежных и отказавших ресурсах, которые слабо связаны
Координация действий и общение узлов
Подвыборки больших наборов данных и онлайн-машинное обучение

Есть много причин для того, чтобы распространять информацию или справляться с многоагентными системами. Основные проблемы исследования DAI включают следующее:

Параллельное решение проблем: в основном касается того, как можно изменить классические концепции искусственного интеллекта, чтобы мультипроцессор системы и кластеры компьютеров могут использоваться для ускорения вычислений.
Распределенное решение проблем (DPS): концепция агент, автономные объекты, которые могут общаться друг с другом, были разработаны, чтобы служить абстракция для разработки систем DPS. Подробнее см. Ниже.
Моделирование на основе нескольких агентов (MABS): ветвь DAI, которая создает основу для моделирования, которое должно анализировать не только явления на макрос уровень, но и на микро уровень, как и во многих социальная симуляция сценарии.

История

В 1975 году распределенный искусственный интеллект возник как область искусственного интеллекта, которая занимается взаимодействием интеллектуальных агентов [2]. Распределенные системы искусственного интеллекта были задуманы как группа интеллектуальных объектов, называемых агентами, которые взаимодействуют посредством сотрудничества, сосуществования или конкуренции. DAI подразделяется на многоагентные системы и распределенное решение проблем [1]. В Многоагентные системы основное внимание уделяется тому, как агенты координируют свои знания и действия. При распределенном решении проблем основное внимание уделяется тому, как проблема декомпозируется и синтезируются решения.

Примеры

Мультиагентные системы и распределенное решение проблем - два основных подхода к DAI. Есть множество приложений и инструментов.

Подходы

Появилось два типа DAI:

В Многоагентные системы агенты координируют свои знания и действия и 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 для достижения целей. Агенты своими действиями изменяют состояние своего окружения. Существует ряд различных методов координации [3].
При распределенном решении задач работа распределяется между узлами, и знания распределяются. Основные проблемы - это декомпозиция задач и синтез знаний и решений.

DAI может применять восходящий подход к AI, аналогичный архитектура подчинения а также традиционный подход ИИ сверху вниз. Кроме того, DAI также может быть средством для появление.

Приложения

Области применения DAI:

Электронная торговля, например за торговые стратегии система DAI изучает правила финансовой торговли на подвыборках очень больших выборок финансовых данных
Сети, например в телекоммуникации система DAI контролирует совместные ресурсы в сети WLAN http://dair.uncc.edu/projects/past-projects/wlan-resource
Маршрутизация, например модельный транспортный поток в транспортных сетях
Планирование, например планирование производственного цеха где субъект управления ресурсами обеспечивает локальную оптимизацию и сотрудничество для глобальной и локальной согласованности
Мультиагентные системы, например искусственная жизнь, исследование смоделированной жизни
Электроэнергетические системы, например Мультиагентная система мониторинга состояния (COMMAS), применяемая для мониторинга состояния трансформатора, и система автоматического восстановления IntelliTEAM II^[2]

Инструменты

ECStar, распределенная система обучения на основе правил

Агенты и мультиагентные системы

Понятие агентов: агентов можно описать как отдельные объекты со стандартными границами и интерфейсами, предназначенными для решения проблем.

Понятие мультиагентов: Мультиагентная система определяется как сеть агентов, которые слабо связаны, работая как единое целое, например общество, для решения проблем, которые не может решить отдельный агент.

Программные агенты

Ключевым понятием, используемым в DPS и MABS, является абстракция, называемая программные агенты. Агент виртуальный (или физический) автономный сущность, которая понимает окружающую среду и действует в соответствии с ней. Агент обычно может общаться с другими агентами в той же системе для достижения общей цели, которую один агент не может достичь в одиночку. Эта система связи использует язык общения агента.

Первая полезная классификация - разделить агентов на:

реактивный агент - реактивный агент - это не что иное, как автомат, который получает входные данные, обрабатывает их и производит выходные данные.
совещательный агент - А совещательный агент напротив, должен иметь внутреннее представление о своем окружении и уметь следовать своим собственным планам.
Гибридный агент - Гибридный агент представляет собой смесь реактивного и обдуманного, который следует своим собственным планам, но также иногда напрямую реагирует на внешние события без обдумывания.

Хорошо известными архитектурами агентов, описывающими внутреннюю структуру агента, являются:

ASMO (появление распределенных модулей)
BDI (Believe Desire Intention, общая архитектура, описывающая, как составляются планы)
InterRAP (Трехуровневая архитектура с реактивным, совещательным и социальным слоями)
PECS (Physics, Emotion, Cognition, Social, описывает, как эти четыре части влияют на поведение агентов).
Парить (подход, основанный на правилах)

Вызовы

Проблемы распределенного ИИ:

1.Как осуществлять связь и взаимодействие агентов, а также какой язык или протоколы общения следует использовать.

2. Как обеспечить слаженность агентов.

3. Как синтезировать результаты среди группы «интеллектуальных агентов» путем формулировки, описания, декомпозиции и распределения.

Смотрите также

дальнейшее чтение

Хьюитт, Карл; и Джефф Инман (ноябрь / декабрь 1991 г.). «DAI Betwixt and Between: от« интеллектуальных агентов »к науке об открытых системах» IEEE Transactions по системам, человеку и кибернетике. Том: 21 Выпуск: 6, pps. 1409–1419. ISSN 0018-9472
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.
Солнце, Рон (2005). Познание и мультиагентное взаимодействие. Нью-Йорк: Издательство Кембриджского университета. ISBN 978-0-521-83964-8
Влассис, Никос (2007). Краткое введение в многоагентные системы и распределенный искусственный интеллект. Сан-Рафаэль, Калифорния: Издательство Morgan & Claypool. ISBN 978-1-59829-526-9.
Грейс, Дэвид; Чжан, Хунган (август 2012 г.). Когнитивные коммуникации: распределенный искусственный интеллект (DAI), регуляторная политика и экономика, внедрение. John Wiley & Sons Press. ISBN 978-1-119-95150-6

[1] Демазо, Ив и Дж.П. Мюллер, ред. Децентрализованный AI. Vol. 2. Эльзевир, 1990.

[2] Каттерсон, Виктория М .; Davidson, Euan M .; МакАртур, Стивен Д. Дж. (01.03.2012). «Практическое применение мультиагентных систем в электроэнергетических системах» (PDF). Европейские сделки по электроэнергии. 22 (2): 235–252. Дои:10.1002 / etep.619. ISSN 1546-3109.

[1]

[2]