Как мы можем использовать концепцию интеллектуальных агентов для создания законченных продуктов

TL;DR

Все, что может воспринимать окружающую среду и действовать в соответствии с ней для достижения целей, называется интеллектуальным агентом. Быть агентом - абстрактное понятие, но мы можем найти формы программного и / или аппаратного обеспечения, которые могут быть близки к этой идее. В этой статье я расскажу о текущем состоянии выбранных продуктов, как эти продукты могут быть ближе к идеалу для агентов, и попытаюсь определить продукты и их среду с точки зрения агентов. В конце я предположу, что программные продукты могут быть более полезными и увлекательными, если мы будем использовать интеллектуальных агентов в качестве ментальной модели.

Основные определения

  • Агент: объект, который воспринимает окружающую среду с помощью датчиков и воздействует на нее с помощью исполнительных механизмов.
  • Восприятие: контент, поступающий с датчиков.
  • Функция агента: сопоставление восприятий и действий.
  • Агентская программа: Реализация агентской функции.
  • Показатель эффективности: критерий успеха.

Понимание окружающей среды

Первым шагом является определение среды, а затем возможности агента перед попыткой ее расширения. Для обозначения PEAS используется аббревиатура (Performance, Environment, Actuators, Sensors). Давайте используем Perseverance [1], чтобы указать нашего первого агента. Цель нашего агента - «искать признаки древней жизни и собирать образцы горных пород и реголита (битых пород и почвы) для возможного возвращения на Землю». Мы можем сказать, что настойчивость должна максимизировать собранные образцы и минимизировать воздействие на среду обитания Марса. Марс имеет скалы, дыры, тектонические участки на поверхности, метан в атмосфере и повсюду пыльные бури. Настойчивость подготовлена ​​для них с сильной структурой тела, электрической мощностью и внутренними обогревателями. Ровер постоянно получает информацию из окружающей среды через камеры и другие приборы.

Теперь мы указали нашего агента. Однако агент может не иметь физической части. Рассмотрим программный продукт и обозначим его как агента. Наше программное обеспечение - это решение для командных коммуникаций для компаний.

Теперь у нас есть основная модель того, что мы хотим построить или что мы хотим понять и дополнить. Я дам больше определений, чтобы построить структуру из нашей первичной модели.

Дополнительные определения [2]

  • Простые рефлекторные агенты: агент этого типа выбирает действия, относящиеся к текущему действию, и игнорирует остальные. Поскольку это самый базовый уровень интеллекта, мы можем видеть рефлексивные действия на всех уровнях сложности. Настойчивость может прекратиться сразу же, если перед ней большой камень, которого раньше не замечали. Любой размер ненаблюдаемости в окружающей среде может вызвать серьезные проблемы с простыми рефлекторными агентами, и они могут застрять в одном состоянии. Вот почему случайные действия важны при построении простых рефлекторных агентов.
  • Рефлекторные агенты на основе моделей. Этот тип агентов может сохранять в своей памяти различные части окружающей среды, которые сейчас нельзя наблюдать, чтобы обеспечить частичную наблюдаемость. У агентов на основе моделей есть модель перехода, которая содержит тривиальные последствия их действий, и модель сенсора, которая содержит обычные свойства восприятия, поступающие от сенсоров. То есть марсоход может знать, когда идет дождь, датчики могут намокнуть, а восприятие, поступающее с камер, может быть искажено.
  • Агенты, основанные на целях. Агентам этого типа нужна цель, чтобы понимать их состояния и восприятие. Поиск и планирование важны для нахождения правильной последовательности действий для агентов, ориентированных на цели. Процесс принятия решений делает этот тип агента менее эффективным, но более гибким. Представьте, что в маловероятном сценарии мы отправим марсоход на другую планету. Если бы марсоход был рефлекторным агентом, нам нужно было бы заменить все его правила, но марсоход, ориентированный на цель, может найти способ использовать свои инструменты и соответствующим образом изменить правила путем поиска и планирования.
  • Агенты на основе полезности. У этого типа агентов есть функция полезности, которая усваивает цель. Цели слишком широки, и иногда нам требуется их детальная версия. Функция полезности помогает агентам свести глобальную цель к локальным переменным. В нашем примере марсоход может «минимизировать воздействие на среду обитания Марса» или «избежать физического контакта, прокладывая маршрут с меньшим количеством объектов вокруг и сравнивая предыдущие действия и состояния окружающей среды», чтобы определить меньшее количество действий по изменению окружности.
  • Обучающие агенты. У этого типа агентов есть обучающий элемент, который постоянно принимает отзывы критиков и соответствующим образом изменяет каждый компонент. Обучение заставляет агентов работать в неизвестной среде и со временем становится умнее. Функция от любого типа агента может быть реализована с обучением. То есть агент любого типа может быть обучающимся агентом одновременно. Другая часть обучающих агентов - это генераторы проблем. Он создает сложные предложения действий, чтобы агенты узнавали что-то новое. У обучающихся агентов могут быть жесткие стандарты производительности, такие как вознаграждение и штраф.

Во втором случае мы создали основную модель программного обеспечения для командного взаимодействия.

Наше программное обеспечение может быть рефлексивным, если его функция заключается в доставке текстовых сообщений между пользователями. Было бы более полезно, если бы мы добавили модель для отслеживания предыдущей активности пользователей и отправки сообщений в нужное время для нужд пользователя. Мы можем установить цель для нашего агента, чтобы максимизировать эффективность команды, а затем мы можем определить функцию полезности с учетом взаимосвязи между активностью пользователя, ресурсами, внешними факторами и эффективностью команды. Мы можем перейти к элементу обучения и позволить нашему программному обеспечению изменять правила и служебные функции для достижения максимальной эффективности связи в масштабах всей компании. Чем больше данных мы предоставим, тем лучших результатов мы можем ожидать.

Заключение

Я должен признать, что такой взгляд на каждый продукт может быть утомительным и ненужным, но оценка продуктов с помощью модели «интеллектуальных агентов» открывает новые возможности. Я предлагаю создавать программное обеспечение с обучающим элементом, которое должно постепенно улучшаться за счет связывания данных из другого контекста, изучения элементов с помощью неконтролируемых методов вместо контролируемых методов и добавлять обучающие элементы в наши продукты для получения надежных, надежных и полных продуктов.

[1] https://mars.nasa.gov/mars2020/

[2] http://aima.cs.berkeley.edu

Надеюсь, эта статья окажется для вас полезной. Для получения дополнительной информации о наших работах вы можете посетить aiforexistence.com. И вы можете присоединиться к обсуждению. Также вы можете подписаться на меня в Twitter.

Спасибо за чтение!