Inteligencia artificial distribuida - Distributed artificial intelligence

La Inteligencia Artificial Distribuida (DAI), también llamada Inteligencia Artificial Descentralizada, es un subcampo de la investigación de inteligencia artificial dedicado al desarrollo de soluciones distribuidas para problemas. DAI está estrechamente relacionado y es un predecesor del campo de los sistemas multiagente .

Definición

La inteligencia artificial distribuida (DAI) es un enfoque para resolver problemas complejos de aprendizaje, planificación y toma de decisiones. Es vergonzosamente paralelo , por lo que puede aprovechar la computación a gran escala y la distribución espacial de los recursos informáticos. Estas propiedades le permiten resolver problemas que requieren el procesamiento de conjuntos de datos muy grandes. Los sistemas DAI consisten en nodos de procesamiento de aprendizaje autónomos ( agentes ), que se distribuyen, a menudo a gran escala. Los nodos DAI pueden actuar de forma independiente y las soluciones parciales se integran mediante la comunicación entre nodos, a menudo de forma asincrónica. En virtud de su escala, los sistemas DAI son robustos y elásticos y, por necesidad, están débilmente acoplados. Además, los sistemas DAI están diseñados para adaptarse a los cambios en la definición del problema o en los conjuntos de datos subyacentes debido a la escala y la dificultad de la redistribución.

Los sistemas DAI no requieren que todos los datos relevantes se agreguen en una sola ubicación, a diferencia de los sistemas de Inteligencia Artificial monolíticos o centralizados que tienen nodos de procesamiento estrechamente acoplados y geográficamente cercanos. Por lo tanto, los sistemas DAI a menudo operan en submuestras o impresiones hash de conjuntos de datos muy grandes. Además, el conjunto de datos de origen puede cambiar o actualizarse durante el curso de la ejecución de un sistema DAI.

Metas

Los objetivos de la Inteligencia Artificial Distribuida son resolver los problemas de razonamiento , planificación, aprendizaje y percepción de la inteligencia artificial , especialmente si requieren grandes datos, distribuyendo el problema a nodos de procesamiento autónomos (agentes). Para alcanzar el objetivo, DAI requiere:

Hay muchas razones para querer distribuir inteligencia o hacer frente a sistemas de múltiples agentes. Los problemas principales en la investigación de DAI incluyen los siguientes:

  • Resolución de problemas en paralelo: se ocupa principalmente de cómo se pueden modificar los conceptos clásicos de inteligencia artificial, de modo que los sistemas multiprocesador y los grupos de computadoras se puedan utilizar para acelerar el cálculo.
  • Resolución distribuida de problemas (DPS): el concepto de agente , entidades autónomas que pueden comunicarse entre sí, fue desarrollado para servir como una abstracción para desarrollar sistemas DPS. Consulte a continuación para obtener más detalles.
  • Simulación basada en múltiples agentes (MABS): una rama de DAI que sienta las bases para las simulaciones que necesitan analizar no solo fenómenos a nivel macro , sino también a nivel micro , como ocurre en muchos escenarios de simulación social .

Historia

En 1975, la inteligencia artificial distribuida surgió como un subcampo de la inteligencia artificial que se ocupaba de las interacciones de agentes inteligentes [2]. Los sistemas de inteligencia artificial distribuida fueron concebidos como un conjunto de entidades inteligentes, llamadas agentes, que interactuaban por cooperación, por convivencia o por competencia. DAI se clasifica en sistemas de agentes múltiples y resolución de problemas distribuida [1]. En los sistemas de agentes múltiples, el enfoque principal es cómo los agentes coordinan sus conocimientos y actividades. Para la resolución distribuida de problemas, el enfoque principal es cómo se descompone el problema y se sintetizan las soluciones.

Ejemplos

Los sistemas de agentes múltiples y la resolución de problemas distribuida son los dos enfoques principales de DAI. Existen numerosas aplicaciones y herramientas.

Enfoques

Han surgido dos tipos de DAI:

  • En los sistemas Multi-agente los agentes coordinan sus conocimientos y actividades y razonan sobre los procesos de coordinación. Los agentes son entidades físicas o virtuales que pueden actuar, percibir su entorno y comunicarse con otros agentes. El agente es autónomo y tiene habilidades para lograr objetivos. Los agentes cambian el estado de su entorno con sus acciones. Hay varias técnicas de coordinación diferentes [3].
  • En la resolución distribuida de problemas, el trabajo se divide entre nodos y el conocimiento se comparte. Las principales preocupaciones son la descomposición de tareas y la síntesis del conocimiento y las soluciones.

DAI puede aplicar un enfoque de abajo hacia arriba a la IA, similar a la arquitectura de subsunción , así como al enfoque tradicional de arriba hacia abajo de la IA. Además, DAI también puede ser un vehículo de emergencia .

Aplicaciones

Las áreas donde se ha aplicado DAI son:

  • Comercio electrónico, por ejemplo, para estrategias comerciales, el sistema DAI aprende las reglas comerciales financieras a partir de submuestras de muestras muy grandes de datos financieros.
  • Redes, por ejemplo, en telecomunicaciones, el sistema DAI controla los recursos cooperativos en una red WLAN http://dair.uncc.edu/projects/past-projects/wlan-resource
  • Enrutamiento , por ejemplo, modelo de flujo de vehículos en redes de transporte.
  • Programación , por ejemplo, programación de flujo de trabajo donde la entidad de gestión de recursos asegura la optimización local y la cooperación para la coherencia global y local.
  • Sistemas de agentes múltiples, por ejemplo , vida artificial , el estudio de la vida simulada
  • Sistemas de energía eléctrica, p. Ej., El sistema de múltiples agentes de monitoreo de condición (COMMAS) aplicado al monitoreo de la condición del transformador y el sistema de restauración automática IntelliTEAM II

Instrumentos

  • ECStar , un sistema de aprendizaje distribuido basado en reglas

Agentes y sistemas multiagente

Más información: Multi-agent_system § Aplicaciones

Noción de agentes: los agentes pueden describirse como entidades distintas con límites e interfaces estándar diseñados para la resolución de problemas.

Noción de agentes múltiples: el sistema de agentes múltiples se define como una red de agentes que están débilmente acoplados y trabajan como una entidad única como la sociedad para resolver problemas que un agente individual no puede resolver.

Agentes de software

El concepto clave utilizado en DPS y MABS es la abstracción denominada agentes de software . Un agente es una entidad autónoma virtual (o física) que comprende su entorno y actúa sobre él. Por lo general, un agente puede comunicarse con otros agentes del mismo sistema para lograr un objetivo común, que un agente por sí solo no podría lograr. Este sistema de comunicación utiliza un lenguaje de comunicación de agentes .

Una primera clasificación que resulta útil es dividir los agentes en:

  • agente reactivo - Un agente reactivo no es mucho más que un autómata que recibe entradas, las procesa y produce una salida.
  • agente deliberativo: un agente deliberativo, en cambio, debe tener una visión interna de su entorno y ser capaz de seguir sus propios planes.
  • Agente híbrido: un agente híbrido es una mezcla de reactivo y deliberativo, que sigue sus propios planes, pero a veces también reacciona directamente a eventos externos sin deliberación.

Las arquitecturas de agentes bien reconocidas que describen cómo se estructura internamente un agente son:

  • OMAPE (aparición de módulos distribuidos)
  • BDI (Believe Desire Intention, una arquitectura general que describe cómo se hacen los planes)
  • InterRAP (Una arquitectura de tres capas, con una capa reactiva, deliberativa y social)
  • PECS (Física, Emoción, Cognición, Social, describe cómo esas cuatro partes influyen en el comportamiento de los agentes).
  • Soar (un enfoque basado en reglas)

Desafíos

Los desafíos de la IA distribuida son:

1.Cómo realizar la comunicación e interacción de los agentes y qué lenguaje o protocolos de comunicación se deben utilizar.

2.Cómo asegurar la coherencia de los agentes.

3. Cómo sintetizar los resultados entre el grupo de 'agentes inteligentes' por formulación, descripción, descomposición y asignación.

Ver también

Referencias

  • A. Bond y L. Gasser. Lecturas en Inteligencia Artificial Distribuida. Morgan Kaufmann , San Mateo, CA, 1988.
  • Brahim Chaib-Draa, Bernard Moulin, René Mandiau y P Millot. Tendencias en inteligencia artificial distribuida.

Revisión de inteligencia artificial, 6 (1): 35-66, 1992.

  • Nick R. Jennings. Técnicas de coordinación para inteligencia artificial distribuida. Fundamentos de artificial distribuida

Intelligence, páginas 187-210, 1996.

  • Damien Trentesaux, Philippe Pesin y Christian Tahon. Inteligencia artificial distribuida para programación y control de fms

y soporte de diseño. Revista de fabricación inteligente, 11 (6): 573-589, 2000.

  • Catterson, VM, Davidson, EM y McArthur, SDJ Aplicaciones prácticas de sistemas multiagente en sistemas de energía eléctrica. Transacciones europeas sobre energía eléctrica , 22 (2), 235–252. 2012

Otras lecturas