Агенты в искусственном интеллекте
Искусственный интеллект определяется как изучение рациональных агентов. Рациональным агентом может быть все, что принимает решения, будь то человек, фирма, машина или программное обеспечение. Он выполняет действие с наилучшим результатом после рассмотрения прошлых и текущих восприятий (восприятие агента в данном случае). Система ИИ состоит из Агент и его окружение. Агенты действуют в своей среде. Окружающая среда может содержать другие агенты.
Агент — это все, что можно рассматривать как:
- воспринимает окружающую среду через датчики а также
- воздействуя на эту среду через приводы
Примечание: каждый агент может воспринимать свои действия (но не всегда последствия)
Чтобы понять структуру интеллектуальных агентов, мы должны быть знакомы с Архитектура а также Агент программы. Архитектура это механизм, на котором работает агент. Это устройство с датчиками и исполнительными механизмами, например, роботизированная машина, камера, ПК. Агентская программа является реализацией агентской функции. Ан функция агента представляет собой карту от последовательности восприятия (история всего, что агент воспринял на сегодняшний день) к действию.
Агент = Архитектура + Агентская программа
Примеры агента:
- А программный агент имеет нажатия клавиш, содержимое файлов, полученные сетевые пакеты, которые действуют как датчики и отображают на экране, файлы, отправленные сетевые пакеты, действующие как исполнительные механизмы.
- Человек-агент имеет глаза, уши и другие органы, которые действуют как датчики, а руки, ноги, рот и другие части тела действуют как исполнительные механизмы.
- А Роботизированный агент имеет камеры и инфракрасные дальномеры, которые действуют как датчики, и различные двигатели, действующие как исполнительные механизмы.
Типы агентов
Агентов можно разделить на пять классов в зависимости от степени их предполагаемого интеллекта и способностей:
- Простые рефлекторные агенты
- Рефлекторные агенты на основе моделей
- Целевые агенты
- Служебные агенты
- Агент обучения
Простые рефлекторные агенты
Простые рефлекторные агенты игнорируют остальную часть истории восприятия и действуют только на основе текущее восприятие. История восприятия — это история всего того, что агент воспринял до настоящего времени. Работа агента основана на правило условного действия. Правило условно-действия — это правило, которое отображает состояние, т. е. условие, в действие. Если условие истинно, то действие выполняется, иначе нет. Эта функция агента выполняется только тогда, когда среда полностью наблюдаема. Для простых рефлекторных агентов, работающих в частично наблюдаемой среде, бесконечные циклы часто неизбежны. Можно избежать бесконечных циклов, если агент сможет рандомизировать свои действия.
Проблемы с агентами Simple Reflex:
- Очень ограниченный интеллект.
- Нет знания о невоспринимаемых частях состояния.
- Обычно слишком большой для генерации и хранения.
- Если в среде происходят какие-либо изменения, то набор правил необходимо обновить.
Рефлекторные агенты на основе моделей
Он работает, находя правило, условие которого соответствует текущей ситуации. Агент на основе модели может обрабатывать частично наблюдаемая среда с помощью модели мира. Агент должен следить за внутреннее состояние который корректируется каждым восприятием и зависит от истории восприятия. Текущее состояние хранится внутри агента, который поддерживает некую структуру, описывающую невидимую часть мира.
Для обновления состояния требуется информация о:
- как мир развивается независимо от агента, и
- как действия агента влияют на мир.
Целевые агенты
Агенты такого типа принимают решения в зависимости от того, насколько далеко они в данный момент находятся от своей цели. Цель(описание желаемых ситуаций). Каждое их действие направлено на сокращение своего расстояния от цели. Это позволяет агенту выбирать из множества возможностей, выбирая ту, которая достигает целевого состояния. Знания, поддерживающие его решения, представлены в явном виде и могут быть изменены, что делает этих агентов более гибкими. Обычно они требуют поиска и планирования. Поведение целевого агента можно легко изменить.
Служебные агенты
Агенты, которые разрабатываются для конечного использования в качестве строительных блоков, называются агентами на основе полезности. Когда существует несколько возможных альтернатив, чтобы решить, какая из них лучше, используются агенты на основе утилит. Они выбирают действия на основе предпочтение (полезность) для каждого штата. Иногда достижения желаемой цели недостаточно. Мы можем искать более быструю, безопасную и дешевую поездку, чтобы добраться до пункта назначения. Счастье агента следует принимать во внимание. Утилита описывает, как "счастливый" агент есть. Из-за неопределенности в мире агент полезности выбирает действие, которое максимизирует ожидаемую полезность. Функция полезности отображает состояние в действительное число, которое описывает соответствующую степень счастья.
Агент обучения :
Обучающийся агент в ИИ — это тип агента, который может учиться на своем прошлом опыте или обладает способностями к обучению. Он начинает действовать с базовыми знаниями, а затем способен действовать и адаптироваться автоматически посредством обучения.
Агент обучения имеет в основном четыре концептуальных компонента, а именно:
- Элемент обучения: Он отвечает за внесение улучшений, учась у окружающей среды.
- Критик: Элемент обучения использует отзывы критиков, которые описывают, насколько хорошо агент работает в соответствии с фиксированным стандартом производительности.
- Элемент производительности: Отвечает за выбор внешнего действия
- Генератор проблем: Этот компонент отвечает за предложение действий, которые приведут к новому и информативному опыту.
