Verteilte künstliche Intelligenz - Distributed artificial intelligence

Distributed Artificial Intelligence (DAI), auch als dezentrale künstliche Intelligenz bezeichnet, ist ein Teilgebiet der Forschung zu künstlicher Intelligenz, das sich der Entwicklung verteilter Problemlösungen widmet. DAI ist eng verwandt und ein Vorgänger auf dem Gebiet der Multiagentensysteme .

Definition

Distributed Artificial Intelligence (DAI) ist ein Ansatz zur Lösung komplexer Lern-, Planungs- und Entscheidungsprobleme. Es ist peinlich parallel und kann daher umfangreiche Berechnungen und räumliche Verteilung von Computerressourcen nutzen. Diese Eigenschaften ermöglichen es, Probleme zu lösen, die die Verarbeitung sehr großer Datenmengen erfordern. DAI-Systeme bestehen aus autonomen Lernverarbeitungsknoten ( Agenten ), die häufig in sehr großem Maßstab verteilt sind. DAI-Knoten können unabhängig agieren und Teillösungen werden durch Kommunikation zwischen Knoten integriert, häufig asynchron. DAI-Systeme sind aufgrund ihrer Größe robust und elastisch und notwendigerweise lose gekoppelt. Darüber hinaus sind DAI-Systeme so konzipiert, dass sie sich aufgrund des Umfangs und der Schwierigkeit bei der erneuten Bereitstellung an Änderungen in der Problemdefinition oder den zugrunde liegenden Datensätzen anpassen können.

Bei DAI-Systemen müssen nicht alle relevanten Daten an einem einzigen Ort zusammengefasst werden, im Gegensatz zu monolithischen oder zentralisierten Systemen der künstlichen Intelligenz, die eng gekoppelte und geografisch enge Verarbeitungsknoten aufweisen. Daher arbeiten DAI-Systeme häufig mit Teilstichproben oder Hash-Impressionen sehr großer Datensätze. Darüber hinaus kann sich der Quelldatensatz im Verlauf der Ausführung eines DAI-Systems ändern oder aktualisieren.

Tore

Ziel der verteilten künstlichen Intelligenz ist es, die Argumentations- , Planungs-, Lern- und Wahrnehmungsprobleme der künstlichen Intelligenz zu lösen , insbesondere wenn sie große Datenmengen erfordern, indem das Problem an autonome Verarbeitungsknoten (Agenten) verteilt wird. Um das Ziel zu erreichen, benötigt DAI:

  • Ein verteiltes System mit robuster und elastischer Berechnung für unzuverlässige und fehlerhafte Ressourcen, die lose gekoppelt sind
  • Koordination der Aktionen und Kommunikation der Knoten
  • Teilstichproben großer Datenmengen und maschinelles Online-Lernen

Es gibt viele Gründe, Informationen zu verbreiten oder mit Multiagentensystemen umzugehen. Zu den Hauptproblemen in der DAI-Forschung gehören:

  • Parallele Problemlösung: befasst sich hauptsächlich damit, wie klassische Konzepte der künstlichen Intelligenz modifiziert werden können, sodass Multiprozessorsysteme und Computercluster verwendet werden können, um die Berechnung zu beschleunigen.
  • Distributed Problem Solving (DPS): Das Konzept des Agenten , autonome Einheiten, die miteinander kommunizieren können, wurde entwickelt, um als Abstraktion für die Entwicklung von DPS-Systemen zu dienen . Siehe unten für weitere Details.
  • Multi-Agent Based Simulation (MABS): Ein Zweig von DAI, der die Grundlage für Simulationen bildet, die nicht nur Phänomene auf Makroebene , sondern auch auf Mikroebene analysieren müssen , wie dies in vielen sozialen Simulationsszenarien der Fall ist.

Geschichte

1975 entwickelte sich die verteilte künstliche Intelligenz zu einem Teilgebiet der künstlichen Intelligenz, das sich mit Interaktionen intelligenter Agenten befasste [2]. Verteilte Systeme der künstlichen Intelligenz wurden als eine Gruppe intelligenter Einheiten konzipiert, die als Agenten bezeichnet werden und durch Kooperation, Koexistenz oder Wettbewerb interagieren. DAI ist in Multi-Agent-Systeme und verteilte Problemlösungen unterteilt [1]. In Multi-Agent-Systemen liegt der Schwerpunkt darauf, wie Agenten ihr Wissen und ihre Aktivitäten koordinieren. Bei der verteilten Problemlösung liegt der Schwerpunkt darauf, wie das Problem zerlegt und die Lösungen synthetisiert werden.

Beispiele

Multi-Agent-Systeme und verteilte Problemlösung sind die beiden wichtigsten DAI-Ansätze. Es gibt zahlreiche Anwendungen und Tools.

Nähert sich

Es sind zwei Arten von DAI aufgetreten:

  • In Multi-Agent-Systemen koordinieren Agenten ihr Wissen und ihre Aktivitäten sowie die Gründe für die Koordinierungsprozesse. Agenten sind physische oder virtuelle Einheiten, die handeln, ihre Umgebung wahrnehmen und mit anderen Agenten kommunizieren können. Der Agent ist autonom und verfügt über Fähigkeiten zum Erreichen von Zielen. Die Agenten ändern durch ihre Aktionen den Zustand ihrer Umgebung. Es gibt verschiedene Koordinationstechniken [3].
  • Bei der verteilten Problemlösung wird die Arbeit auf Knoten aufgeteilt und das Wissen geteilt. Die Hauptanliegen sind die Aufgabenzerlegung und Synthese des Wissens und der Lösungen.

DAI kann einen Bottom-Up-Ansatz auf AI anwenden, ähnlich der Subsumtionsarchitektur sowie dem traditionellen Top-Down-Ansatz von AI. Darüber hinaus kann DAI auch ein Vehikel für die Entstehung sein .

Anwendungen

Bereiche, in denen DAI angewendet wurden, sind:

  • E-Commerce, z. B. für Handelsstrategien , lernt das DAI-System die Regeln für den Finanzhandel aus Teilstichproben sehr großer Stichproben von Finanzdaten
  • Netzwerke, z. B. in der Telekommunikation , steuert das DAI-System die kooperativen Ressourcen in einem WLAN-Netzwerk http://dair.uncc.edu/projects/past-projects/wlan-resource
  • Routing , z. B. Modellfahrzeugfluss in Verkehrsnetzen
  • Planung , z. B. Flow-Shop-Planung, bei der die Ressourcenverwaltungseinheit die lokale Optimierung und Zusammenarbeit für globale und lokale Konsistenz sicherstellt
  • Multi-Agent-Systeme, zB künstliches Leben , das Studium des simulierten Lebens
  • Stromversorgungssysteme, z. B. COMMAS (COndition Monitoring Multi-Agent System) für die Überwachung des Transformatorzustands, und das automatische Wiederherstellungssystem IntelliTEAM II

Werkzeuge

  • ECStar , ein verteiltes regelbasiertes Lernsystem

Agenten und Multi-Agent-Systeme

Weitere Informationen: Multi-Agent_system § Anwendungen

Begriff der Agenten: Agenten können als unterschiedliche Entitäten mit Standardgrenzen und Schnittstellen zur Problemlösung beschrieben werden.

Begriff der Multi-Agenten: Das Multi-Agent-System ist definiert als ein Netzwerk von Agenten, die lose miteinander verbunden sind und als eine Einheit wie die Gesellschaft zur Problemlösung arbeiten, die ein einzelner Agent nicht lösen kann.

Software-Agenten

Das in DPS und MABS verwendete Schlüsselkonzept ist die als Software-Agenten bezeichnete Abstraktion . Ein Agent ist eine virtuelle (oder physische) autonome Einheit, die ein Verständnis für ihre Umgebung hat und auf diese einwirkt. Ein Agent kann normalerweise mit anderen Agenten im selben System kommunizieren, um ein gemeinsames Ziel zu erreichen, das ein Agent allein nicht erreichen konnte. Dieses Kommunikationssystem verwendet eine Agentenkommunikationssprache .

Eine erste Klassifizierung, die nützlich ist, besteht darin, Agenten in folgende Bereiche zu unterteilen:

  • reaktiver Agent - Ein reaktiver Agent ist nicht viel mehr als ein Automat, der Eingaben empfängt, verarbeitet und eine Ausgabe erzeugt.
  • Deliberative Agent - Ein Deliberative Agent sollte dagegen eine interne Sicht auf seine Umgebung haben und in der Lage sein, seinen eigenen Plänen zu folgen.
  • Hybridagent - Ein Hybridagent ist eine Mischung aus reaktiv und absichtlich, die seinen eigenen Plänen folgt, aber manchmal auch direkt ohne Überlegung auf externe Ereignisse reagiert.

Bekannte Agentenarchitekturen, die beschreiben, wie ein Agent intern strukturiert ist, sind:

  • ASMO (Entstehung verteilter Module)
  • BDI (Believe Desire Intention, eine allgemeine Architektur, die beschreibt, wie Pläne gemacht werden)
  • InterRAP (Eine dreischichtige Architektur mit einer reaktiven, einer überlegenden und einer sozialen Schicht)
  • PECS (Physik, Emotion, Kognition, Soziales) beschreibt, wie diese vier Teile das Verhalten der Agenten beeinflussen.
  • Soar (ein regelbasierter Ansatz)

Herausforderungen

Die Herausforderungen bei der verteilten KI sind:

1.Wie wird die Kommunikation und Interaktion von Agenten durchgeführt und welche Kommunikationssprache oder -protokolle sollten verwendet werden?

2.Wie wird die Kohärenz der Agenten sichergestellt?

3.So synthetisieren Sie die Ergebnisse in der Gruppe der "intelligenten Agenten" durch Formulierung, Beschreibung, Zerlegung und Zuordnung.

Siehe auch

Verweise

  • A. Bond und L. Gasser. Lesungen in verteilter künstlicher Intelligenz. Morgan Kaufmann , San Mateo, CA, 1988.
  • Brahim Chaib-Draa, Bernard Moulin, René Mandiau und P. Millot. Trends in der verteilten künstlichen Intelligenz.

Artificial Intelligence Review, 6 (1): 35-66, 1992.

  • Nick R Jennings. Koordinationstechniken für verteilte künstliche Intelligenz. Grundlagen der verteilten künstlichen

Intelligence, Seiten 187-210, 1996.

  • Damien Trentesaux, Philippe Pesin und Christian Tahon. Verteilte künstliche Intelligenz für die Planung und Steuerung von Filmen

und Designunterstützung. Journal of Intelligent Manufacturing, 11 (6): 573-589, 2000.

  • Catterson, VM, Davidson, EM und McArthur, SDJ Praktische Anwendungen von Multiagentensystemen in Stromversorgungssystemen. European Transactions on Electrical Power , 22 (2), 235–252. 2012

Weiterführende Literatur