Agenți inteligenți

În inteligența artificială (IA), un agent inteligent (AI) este un agent care acționează într-o manieră inteligentă; își percepe mediul, ia acțiuni în mod autonom pentru a atinge obiectivele și își poate îmbunătăți performanța prin învățarea sau dobândirea de cunoștințe. Un agent inteligent poate fi simplu sau complex: un termostat sau alt sistem de control este considerat un exemplu de agent inteligent, la fel ca o ființă umană, la fel ca orice sistem care îndeplinește definiția, cum ar fi o firmă, un stat sau un biom.

(Diagrama simplă a agentului reflex)

Cele mai importante manuale de inteligență artificială definesc „inteligența artificială” ca „studiul și proiectarea agenților inteligenți”, o definiție care consideră comportamentul direcționat către un obiectiv ca fiind esența inteligenței. Agenții direcționați către obiective sunt, de asemenea, descriși folosind un termen împrumutat din economie, „agent rațional”.

Un agent are o „funcție obiectivă” care încapsulează toate scopurile IA. Un astfel de agent este proiectat să creeze și să execute orice plan, la finalizare, va maximiza valoarea așteptată a funcției obiectiv. De exemplu, un agent de învățare prin întărire are o „funcție de recompensă” care permite programatorilor să modeleze comportamentul dorit al AI, iar comportamentul unui algoritm evolutiv este modelat de o „funcție de fitness”.

Agenții inteligenți din inteligența artificială sunt strâns legați de agenții din economie, iar versiunile paradigmei agentului inteligent sunt studiate în știința cognitivă, etică, filosofia rațiunii practice, precum și în multe modele socio-cognitive interdisciplinare și simulări sociale computerizate.

Agenții inteligenți sunt adesea descriși schematic ca un sistem funcțional abstract similar unui program de calculator. Descrierile abstracte ale agenților inteligenți sunt numite agenți inteligenți abstracți (AIA) pentru a le distinge de implementările lor din lumea reală. Un agent inteligent autonom este proiectat să funcționeze în absența intervenției umane. Agenții inteligenți sunt, de asemenea, strâns legați de agenții software (un program de calculator autonom care efectuează sarcini în numele utilizatorilor).

Definiție

Inteligența artificială: o abordare modernă definește un „agent” ca

”Orice lucru care poate fi văzut ca percepându-și mediul prin senzori și acționând asupra acelui mediu prin actuatori,”

definește un „agent rațional” ca:

”Un agent care acționează astfel încât să maximizeze valoarea așteptată a unei măsuri de performanță bazată pe baza experienței și cunoștințelor anterioare.”

și definește domeniul cercetării „inteligenței artificiale” ca:

”Studiul și proiectarea agenților raționali”

Padgham & Winikoff (2005) sunt de acord că un agent inteligent este situat într-un mediu și răspunde în timp util (deși nu neapărat în timp real) la schimbările mediului. Cu toate acestea, agenții inteligenți trebuie, de asemenea, să urmărească în mod proactiv obiectivele într-un mod flexibil și robust. Dezideratele opționale includ ca agentul să fie rațional și ca agentul să fie capabil de analiză credință-dorință-intenție.

Kaplan și Haenlein definesc inteligența artificială ca fiind „capacitatea unui sistem de a interpreta corect datele externe, de a învăța din astfel de date și de a folosi acele învățăminte pentru a atinge obiective și sarcini specifice prin adaptare flexibilă.” Această definiție este strâns legată de cea a un agent inteligent.

Avantaje

Din punct de vedere filozofic, această definiție a inteligenței artificiale evită mai multe linii de critică. Spre deosebire de testul Turing, acesta nu se referă în niciun fel la inteligența umană. Astfel, nu este nevoie să discutăm dacă este inteligență „reală” versus „simulată” (adică, inteligență „sintetică” versus „artificială”) și nu indică faptul că o astfel de mașină are o minte, conștiință sau înțelegere adevărată (adică, nu implică „ipoteza IA puternică” a lui John Searle). De asemenea, nu încearcă să tragă o linie de divizare clară între comportamentele care sunt „inteligente” și comportamentele care sunt „neinteligente” – programele trebuie măsurate doar în funcție de funcția lor obiectivă.

Mai important, are o serie de avantaje practice care au ajutat să avanseze cercetarea IA. Oferă o modalitate fiabilă și științifică de a testa programe; cercetătorii pot compara direct sau chiar combina abordări diferite ale problemelor izolate, întrebând care agent este cel mai bun pentru a maximiza o anumită „funcție a obiectivului”. De asemenea, le oferă un limbaj comun pentru a comunica cu alte domenii, cum ar fi optimizarea matematică (care este definită în termeni de „obiective”) sau economie (care folosește aceeași definiție a unui „agent rațional”).

Funcție obiectivă

Un agent căruia i se atribuie o „funcție de obiectiv” explicită este considerat mai inteligent dacă întreprinde în mod constant acțiuni care maximizează cu succes funcția de obiectiv programată. Scopul poate fi simplu („1 dacă IA câștigă un joc Go, 0 altfel”) sau complex („Efectuați acțiuni similare matematic cu cele care au reușit în trecut”). „Funcția de obiectiv” încapsulează toate obiectivele pentru care agentul este determinat să acționeze; în cazul agenţilor raţionali, funcţia încapsulează şi compromisurile acceptabile între atingerea obiectivelor conflictuale. (Terminologia variază; de exemplu, unii agenți caută să maximizeze sau să minimizeze o „funcție de utilitate”, „funcție obiectivă” sau „funcție de pierdere”.)

Obiectivele pot fi definite sau induse în mod explicit. Dacă IA este programată pentru „învățare prin întărire”, are o „funcție de recompensă” care încurajează anumite tipuri de comportament și pedepsește pe altele. Alternativ, un sistem evolutiv poate induce obiective folosind o „funcție de fitness” pentru a muta și a reproduce preferenţial sistemele IA cu scoruri ridicate, similar modului în care animalele au evoluat pentru a-și dori în mod înnăscut anumite obiective, cum ar fi găsirea de hrană. Unor sisteme IA, cum ar fi cel mai apropiat vecin, în loc de rațiune prin analogie, acestor sisteme nu li se oferă în general obiective, cu excepția gradului în care obiectivele sunt implicite în datele lor de antrenament. Astfel de sisteme pot fi încă evaluate dacă sistemul non-scop este încadrat ca un sistem al cărui „scop” este să-și îndeplinească sarcina de clasificare restrânsă.

Sistemele care nu sunt considerate în mod tradițional agenți, cum ar fi sistemele de reprezentare a cunoștințelor, sunt uneori incluse în paradigmă prin încadrarea lor ca agenți care au scopul (de exemplu) de a răspunde la întrebări cât mai precis posibil; conceptul de „acțiune” este extins aici pentru a cuprinde „actul” de a da un răspuns la o întrebare. Ca o extensie suplimentară, sistemele bazate pe mimică pot fi încadrate ca agenți care optimizează o „funcție de obiectiv” bazată pe cât de aproape reușește AI să imite comportamentul dorit. În rețelele adversare generative din anii 2010, o componentă „codificator”/„generator” încearcă să imite și să improvizeze compoziția unui text uman. Generatorul încearcă să maximizeze o funcție care încapsulează cât de bine poate păcăli o componentă antagonistă „predictor”/„discriminator”.

În timp ce sistemele GOFAI acceptă adesea o funcție de scop explicită, paradigma poate fi aplicată și la rețelele neuronale și la calculul evolutiv. Învățarea prin întărire poate genera agenți inteligenți care par să acționeze în moduri menite să maximizeze o „funcție de recompensă”. Uneori, în loc să seteze funcția de recompensă să fie direct egală cu funcția de evaluare de referință dorită, programatorii de învățare automată vor folosi modelarea recompensei pentru a oferi inițial recompense pentru mașina pentru progresul incremental în învățare. Yann LeCun a declarat în 2018 că „Majoritatea algoritmilor de învățare pe care i-au inventat oamenii constau în esență în reducerea la minimum a unei funcții obiective.” Șahul AlphaZero avea o funcție obiectivă simplă; fiecare victorie a fost considerată ca +1 punct, iar fiecare înfrângere a fost considerată ca -1 punct. O funcție obiectivă pentru o mașină cu conducere autonomă ar trebui să fie mai complicată. Calculul evolutiv poate dezvolta agenți inteligenți care par să acționeze în moduri menite să maximizeze o „funcție de fitness” care influențează câți descendenți este permis fiecărui agent să părăsească.

Designul AIXI teoretic și necalculabil este un agent maxim inteligent în această paradigmă; cu toate acestea, în lumea reală, AI este constrâns de timp finit și resurse hardware, iar oamenii de știință concurează pentru a produce algoritmi care pot obține scoruri progresiv mai mari la benchmark. teste cu hardware din lumea reală.

(Include texte traduse și adaptate din Wikipedia de Nicolae Sfetcu)