Ағылшыншамен салыстырыңыз: абзацты басыңыз — түпнұсқа терезеде ашылады. Абзац астындағы EN түймесі оны мәтін ішінде көрсетеді.
Мазмұны
Кіріспе
Бағдарламалық агент, дербес әрекет ететін
Software agent which acts autonomously
интеллектуалды дизайн термині
the term in intelligent design
Интеллект және жасанды интеллект салаларында, интеллектуалды агент (ИА) – интеллектуалды түрде әрекет ететін агент. Ол өз ортасын сезінеді, мақсаттарға жету үшін дербес түрде әрекет етеді және оқу немесе білім жинау арқылы өнімділігін жақсарта алады. Интеллектуалды агент қарапайым немесе күрделі болуы мүмкін: термостат немесе басқа да басқару жүйесі – интеллектуалды агенттің мысалы, сондай-ақ адам, фирма, мемлекет немесе биома сияқты анықтамаға сай келетін кез келген жүйе де осыған жатады. Жетекші жасанды интеллект оқулықтары «жасанды интеллектті» «интеллектуалды агенттерді зерттеу және жобалау» деп анықтайды, бұл анықтама мақсатқа бағытталған мінез-құлықты интеллекттің мәні деп есептейді. Мақсатқа бағытталған агенттер экономикадан алынған «рационалды агент» терминімен де сипатталады. Агенттің «мақсатты функциясы» бар, ол ИА-ның барлық мақсаттарын қамтиды. Мұндай агент мақсатты функцияның күтілетін мәнін барынша арттыратын кез келген жоспарды жасау және орындау үшін жобаланған. Мысалы, күшейту оқыту агентінің «сыйлық функциясы» бар, ол бағдарламашыларға ИА-ның қажетті мінез-құлқын қалыптастыруға мүмкіндік береді, ал эволюциялық алгоритмнің мінез-құлқы «сайкестік функциясы» арқылы қалыптасады. Жасанды интеллекттегі интеллектуалды агенттер экономикадағы агенттермен тығыз байланысты, ал интеллектуалды агент парадигмасының нұсқалары танымдық ғылымда, этикада және практикалық ақыл-ой философиясында, сондай-ақ көптеген салааралық әлеуметтік-танымдық модельдеуде және компьютерлік әлеуметтік симуляцияларда зерттеледі. Интеллектуалды агенттер көбінесе компьютерлік бағдарламаға ұқсас абстрактілі функционалдық жүйе ретінде схемалық түрде сипатталады. Интеллектуалды агенттердің абстрактілі сипаттамалары, оларды нақты әлемдегі іске асырылуларынан ажырату үшін абстрактілі интеллектуалды агенттер (АИА) деп аталады. Дербес интеллектуалды агент адамның араласуынсыз жұмыс істеу үшін жобаланған. Интеллектуалды агенттер бағдарламалық агенттермен де тығыз байланысты (пайдаланушылардың атынан тапсырмаларды орындайтын дербес компьютерлік бағдарлама).
In intelligence and artificial intelligence, an intelligent agent (IA) is an agent acting in an intelligent manner. It perceives its environment, takes actions autonomously in order to achieve goals, and may improve its performance with learning or acquiring knowledge. An intelligent agent may be simple or complex: A thermostat or other control system is considered an example of an intelligent agent, as is a human being, as is any system that meets the definition, such as a firm, a state, or a biome. Leading AI textbooks define "artificial intelligence" as the "study and design of intelligent agents", a definition that considers goal directed behavior to be the essence of intelligence. Goal directed agents are also described using a term borrowed from economics, "rational agent". An agent has an "objective function" that encapsulates all the IA's goals. Such an agent is designed to create and execute whatever plan will, upon completion, maximize the expected value of the objective function. For example, a reinforcement learning agent has a "reward function" that allows the programmers to shape the IA's desired behavior, and an evolutionary algorithm's behavior is shaped by a "fitness function". Intelligent agents in artificial intelligence are closely related to agents in economics, and versions of the intelligent agent paradigm are studied in cognitive science, ethics, and the philosophy of practical reason, as well as in many interdisciplinary socio cognitive modeling and computer social simulations. Intelligent agents are often described schematically as an abstract functional system similar to a computer program. Abstract descriptions of intelligent agents are called abstract intelligent agents (AIA) to distinguish them from their real world implementations. An autonomous intelligent agent is designed to function in the absence of human intervention. Intelligent agents are also closely related to software agents (an autonomous computer program that carries out tasks on behalf of users).
Артықшылықтар
Философиялық тұрғыдан алғанда, жасанды интеллекттің бұл анықтамасы бірнеше сын тұрғысынан қанағаттандырады. Тьюринг тестісінен өзгеше, ол адам интеллектына ешқандай сілтеме жасамайды. Осылайша, оның "шынайы" және "модельделген" интеллект (яғни "синтетикалық" және "жасанды" интеллект) екенін талқылау қажеттігі тумайды, сондай-ақ мұндай машинаның санасы, есі немесе нағыз түсінігі бар екенін көрсете алмайды (яғни Джон Сёрлдің "күшті ЖА гипотезасын" білдірмейді). Бұдан бөлек, ол "ақылды" және "ақылсыз" мінез-құлықтар арасында нақты шекара салуға тырыспайды – бағдарламалар тек олардың объективті функциясы бойынша бағалануы керек. Ең маңыздысы, оның бірқатар практикалық артықшылықтары бар, олар ЖА зерттеулерін дамытуға көмектесті. Ол бағдарламаларды сынаудың сенімді және ғылыми жолын ұсынады; зерттеушілер оқшауланған мәселелерге қатысты әртүрлі тәсілдерді тікелей салыстыра алады немесе тіпті біріктіре алады, берілген "мақсат функциясын" барынша арттыруға қай агент жақсырақ екенін анықтау арқылы. Сонымен қатар, бұл оларға математикалық оптимизация (ол "мақсаттар" арқылы анықталады) немесе экономика (ол "рационалды агент" анықтамасын қолданады) сияқты басқа салалармен байланыс орнатуға ортақ тіл береді.
Philosophically, this definition of artificial intelligence avoids several lines of criticism. Unlike the Turing test, it does not refer to human intelligence in any way. Thus, there is no need to discuss if it is "real" vs "simulated" intelligence (i. e., "synthetic" vs "artificial" intelligence) and does not indicate that such a machine has a mind, consciousness or true understanding (i. e., it does not imply John Searle's "strong AI hypothesis"). It also doesn't attempt to draw a sharp dividing line between behaviors that are "intelligent" and behaviors that are "unintelligent"—programs need only be measured in terms of their objective function. More importantly, it has a number of practical advantages that have helped move AI research forward. It provides a reliable and scientific way to test programs; researchers can directly compare or even combine different approaches to isolated problems, by asking which agent is best at maximizing a given "goal function". It also gives them a common language to communicate with other fields—such as mathematical optimization (which is defined in terms of "goals") or economics (which uses the same definition of a "rational agent").
Мақсатты қызмет
Ашық "мақсат функциясы" берілген агент, егер ол бағдарламаланған мақсат функциясын сәтті максимизациялайтын әрекеттерді үнемі жасаса, интеллектуалды деп есептеледі. Мақсат қарапайым болуы мүмкін ("1 егер ИА Го ойынында жеңіске жетсе, 0 болмаса") немесе күрделі ("Бұрын сәтті болғандарға ұқсас математикалық әрекеттерді орындау"). "Мақсат функциясы" агенттің әрекет етуге ынталандыратын барлық мақсаттарын қамтиды; рационалды агенттер үшін функция қарама-қайшы мақсаттарды орындау арасындағы қабылданатын айырбастарды да қамтиды. (Терминология әртүрлі; мысалы, кейбір агенттер "пайда функциясын", "мақсатты функцияны" немесе "жоғалту функциясын" барынша арттыруға немесе азайтуға тырысады.) Дәстүрлі түрде агенттер деп есептелмейтін жүйелер, мысалы, білімді ұсыну жүйелері, кейде оларды (мысалы) сұрақтарға мүмкіндігінше дәл жауап беру мақсаты бар агенттер ретінде қарастыру арқылы парадигмаға енгізіледі; "әрекет" ұғымы мұнда сұраққа жауап берудің "әрекеті" үшін кеңейтіледі. Қосымша кеңейту ретінде, мимикрияға негізделген жүйелерді ИА-ның қажетті мінез-құлықты қаншалықты жақсы еліктей алатынына негізделген "мақсат функциясын" оңтайландыратын агенттер ретінде қарастыруға болады. Символдық ИИ жүйелері көбінесе нақты мақсат функциясын қабылдаса да, парадигманы нейрондық желілерге және эволюциялық есептеулерге де қолдануға болады. Күшейту оқыту "сыйлық функциясын" барынша арттыруға ұмтылатын интеллектуалды агенттерді жасай алады. Кейде сыйлық функциясын тікелей қажетті эталондық бағалау функциясына теңеудің орнына, машиналық оқыту бағдарламашылары машинаға оқытудағы прогресс үшін бастапқыда сыйлық беру үшін сыйлықты қалыптастыруды қолданады. Янн ЛеКун 2018 жылы "Адамдар ойлап тапқан оқыту алгоритмдерінің көпшілігі, негізінен, қандай да бір объективті функцияны азайтудан тұрады" деді. AlphaZero шахматында қарапайым объективті функция болды; әрбір жеңіске +1 ұпай, ал әрбір жеңіліске -1 ұпай берілді. Өзін-өзі басқаратын автомобиль үшін объективті функция күрделірек болуы керек. Эволюциялық есептеулер әрбір агенттің қанша ұрпақ қалдыруға рұқсат етілгеніне әсер ететін "фитнес функциясын" барынша арттыруға ұмтылатын интеллектуалды агенттерді дамыта алады. Дегенмен, нақты әлемде ИА шектеулі уақыт пен аппараттық ресурстармен шектеледі, және ғалымдар нақты әлемдегі аппараттық жабдықтармен салыстырмалы сынақтарда үнемі жоғары нәтижелерге қол жеткізе алатын алгоритмдерді жасау үшін бәсекелеседі.
An agent that is assigned an explicit "goal function" is considered more intelligent if it consistently takes actions that successfully maximize its programmed goal function. The goal can be simple ("1 if the IA wins a game of Go, 0 otherwise") or complex ("Perform actions mathematically similar to ones that succeeded in the past"). The "goal function" encapsulates all of the goals the agent is driven to act on; in the case of rational agents, the function also encapsulates the acceptable trade offs between accomplishing conflicting goals. (Terminology varies; for example, some agents seek to maximize or minimize a "utility function", "objective function", or "loss function".) Systems that are not traditionally considered agents, such as knowledge representation systems, are sometimes subsumed into the paradigm by framing them as agents that have a goal of (for example) answering questions as accurately as possible; the concept of an "action" is here extended to encompass the "act" of giving an answer to a question. As an additional extension, mimicry driven systems can be framed as agents who are optimizing a "goal function" based on how closely the IA succeeds in mimicking the desired behavior. While symbolic AI systems often accept an explicit goal function, the paradigm can also be applied to neural networks and to evolutionary computing. Reinforcement learning can generate intelligent agents that appear to act in ways intended to maximize a "reward function". Sometimes, rather than setting the reward function to be directly equal to the desired benchmark evaluation function, machine learning programmers will use reward shaping to initially give the machine rewards for incremental progress in learning. Yann LeCun stated in 2018, "Most of the learning algorithms that people have come up with essentially consist of minimizing some objective function." AlphaZero chess had a simple objective function; each win counted as +1 point, and each loss counted as 1 point. An objective function for a self driving car would have to be more complicated. Evolutionary computing can evolve intelligent agents that appear to act in ways intended to maximize a "fitness function" that influences how many descendants each agent is allowed to leave. however, in the real world, the IA is constrained by finite time and hardware resources, and scientists compete to produce algorithms that can achieve progressively higher scores on benchmark tests with real world hardware.
Қарапайым рефлексілік агенттер
Қарапайым рефлекс агенттері тек қазіргі қабылдау негізінде ғана әрекет етеді, ал қабылдау тарихының қалған бөлігін ескермейді. Агенттік функция "егер шарт орындалса, онда әрекет жаса" деген шартты-әрекеттік ережеге негізделген. Бұл агенттік функция тек қоршаған орта толық көрінетін жағдайда ғана табысқа жетеді. Кейбір рефлекс агенттері өздерінің қазіргі күйі туралы ақпаратты да қамти алады, бұл оларға осы уақытта іске қосылған атқарушы органдарға қатысты шарттарды елемеуге мүмкіндік береді. Толық көрінбейтін ортада жұмыс істейтін қарапайым рефлекс агенттері үшін шексіз циклдер жиі кездеседі. Егер агент өз әрекеттерін кездейсоқ түрде таңдай алса, онда шексіз циклден шығу мүмкін болады.
Simple reflex agents act only on the basis of the current percept, ignoring the rest of the percept history. The agent function is based on the condition action rule: "if condition, then action". This agent function only succeeds when the environment is fully observable. Some reflex agents can also contain information on their current state which allows them to disregard conditions whose actuators are already triggered. Infinite loops are often unavoidable for simple reflex agents operating in partially observable environments. If the agent can randomize its actions, it may be possible to escape from infinite loops.
Модельге негізделген рефлексілер
Модельге негізделген агент ішінара байқалатын ортамен жұмыс істей алады. Оның ағымдағы жағдайы агенттің ішінде сақталады, көрінбейтін әлем бөлігін сипаттайтын бір түрлі құрылымды ұстап тұрады. "Әлем қалай жұмыс істейді" деген білім әлем моделі деп аталады, содан кейін "модельге негізделген агент" деп аталады. Модельге негізделген рефлекс агент қабылдау тарихына сүйенетін ішкі модельді сақтауы керек, осылайша ағымдағы жағдайдың байқалмаған кейбір аспектілерін көрсетеді. Ішкі модельді пайдаланып, ортаға әрекеттің әсерін және салдарларын анықтауға болады. Содан кейін ол рефлекс агент сияқты әрекет таңдайды. Агенттер басқа агенттердің мінез-құлқындарын сипаттау және болжау үшін де модельдерді қолдана алады.
A model based agent can handle partially observable environments. Its current state is stored inside the agent maintaining some kind of structure that describes the part of the world which cannot be seen. This knowledge about "how the world works" is called a model of the world, hence the name "model based agent". A model based reflex agent should maintain some sort of internal model that depends on the percept history and thereby reflects at least some of the unobserved aspects of the current state. Percept history and impact of action on the environment can be determined by using the internal model. It then chooses an action in the same way as reflex agent. An agent may also use models to describe and predict the behaviors of other agents in the environment.
Мақсатқа негізделген агенттер
Мақсатқа негізделген агенттер "мақсат" туралы ақпаратты пайдалану арқылы модельге негізделген агенттердің мүмкіндіктерін одан әрі кеңейтеді. Мақсат туралы ақпарат – қалаулы жағдайларды сипаттайды. Бұл агентке көптеген мүмкіндіктердің арасынан, мақсатқа жетуге мүмкіндік беретін нұсқаны таңдауға жол ашады. Іздеу және жоспарлау – жасанды интеллект салаларының мақсатқа жету үшін қажетті әрекеттер тізбегін табуға бағытталған бөлімдері.
Goal based agents further expand on the capabilities of the model based agents, by using "goal" information. Goal information describes situations that are desirable. This provides the agent a way to choose among multiple possibilities, selecting the one which reaches a goal state. Search and planning are the subfields of artificial intelligence devoted to finding action sequences that achieve the agent's goals.
Пайдалылық негіздегі агенттер
Мақсатқа бағытталған агенттер тек мақсатқа жеткен және жетпеген күйлерді ажырата алады. Сонымен қатар, нақты бір күйдің қаншалықты қажетті екенін анықтау да мүмкін. Бұл өлшемді күйдің пайдалылығын бағалайтын пайдалылық функциясын қолдану арқылы алуға болады. Көрсеткіштің жалпы шарасы агенттің мақсаттарын қаншалықты толық орындағанына қарай әртүрлі жағдайларды салыстыруға мүмкіндік беруі керек. Пайдалылық термині агенттің қаншалықты "қуанышты" екенін сипаттау үшін қолданылады. Ұсынысқа негізделген рационалды агент, әрекеттің нәтижелерінен күтілетін пайдалылықты барынша арттыратын әрекетті таңдайды – яғни, агент әр нәтижеге байланысты ықтималдықтар мен пайдалылықтарды ескере отырып, орташа алғанда қандай нәтиже алуды күтеді. Пайдалылыққа негізделген агент өзінің ортасын модельдеуі және оны қадағалауы керек, бұл қабылдау, бейнелеу, ой-өріс және оқу салаларында көптеген зерттеулерді қамтиды.
Goal based agents only distinguish between goal states and non goal states. It is also possible to define a measure of how desirable a particular state is. This measure can be obtained through the use of a utility function which maps a state to a measure of the utility of the state. A more general performance measure should allow a comparison of different world states according to how well they satisfied the agent's goals. The term utility can be used to describe how "happy" the agent is. A rational utility based agent chooses the action that maximizes the expected utility of the action outcomes that is, what the agent expects to derive, on average, given the probabilities and utilities of each outcome. A utility based agent has to model and keep track of its environment, tasks that have involved a great deal of research on perception, representation, reasoning, and learning.
Оқу агенттері
Оқу агенттерге бастапқыда белгісіз ортада жұмыс істеуге және бастапқы білімдерімен салыстырғанда тиімдірек болуға мүмкіндік береді. Ең маңызды айырмашылық – жақсартулар жасауға жауапты "оқу элементі" мен сыртқы әрекеттерді таңдауға жауапты "орындау элементі". Оқу элементі "сыншыдан" агенттің жұмысы туралы кері байланыс алып, болашақта жақсарту үшін орындау элементін немесе "әрекет етушіні" қалай өзгерту керектігін анықтайды. Бұрын толық агент деп есептелген орындау элементі сезімталдық ақпаратты қабылдап, әрекеттерді шешеді. Оқу агентінің соңғы құралы – "мәселе тудырушы". Ол жаңа және пайдалы тәжірибелерге алып келетін әрекеттерді ұсынуға жауапты.
Learning has the advantage of allowing agents to initially operate in unknown environments and become more competent than their initial knowledge alone might allow. The most important distinction is between the "learning element", responsible for making improvements, and the "performance element", responsible for selecting external actions. The learning element uses feedback from the "critic" on how the agent is doing and determines how the performance element, or "actor", should be modified to do better in the future. The performance element, previously considered the entire agent, takes in percepts and decides on actions. The last component of the learning agent is the "problem generator". It is responsible for suggesting actions that will lead to new and informative experiences.
Басқа
2013 жылы Александр Висснер Гросс ақылды агенттерге қатысты еркіндік және интеллект туралы теория жариялады.
In 2013, Alexander Wissner Gross published a theory pertaining to Freedom and Intelligence for intelligent agents.
Агенттер иерархиясы
Өз функцияларын белсенді түрде орындау үшін, қазіргі заманғы ақылды агенттер көбінесе көптеген "кіші агенттерден" тұратын иерархиялық құрылымда бірігеді. Ақылды кіші агенттер төменгі деңгейдегі функцияларды өңдейді және орындайды. Ақылды агент пен кіші агенттер бірігіп, интеллекттің белгілі бір деңгейін көрсететін мінез-құлық пен жауаптар арқылы қиын міндеттерді немесе мақсаттарды орындай алатын толыққанды жүйені құрайды. Әдетте, агенттің денесін сенсорлар мен орындаушы құрылғыларға бөліп құрастыруға болады, осылайша ол әлемді сипаттауды контроллерге енгізіп, орындаушы құрылғыға командалар беретін күрделі қабылдау жүйесімен жұмыс істейді. Дегенмен, төменгі деңгейдегі міндеттерге қажетті жылдам реакцияны және күрделі, жоғары деңгейдегі мақсаттарды ойластырудың баяулығын теңестіру үшін контроллер қабаттарының иерархиясы жиі қажет болады.
To actively perform their functions, Intelligent Agents today are normally gathered in a hierarchical structure containing many “sub agents”. Intelligent sub agents process and perform lower level functions. Taken together, the intelligent agent and sub agents create a complete system that can accomplish difficult tasks or goals with behaviors and responses that display a form of intelligence. Generally, an agent can be constructed by separating the body into the sensors and actuators, and so that it operates with a complex perception system that takes the description of the world as input for a controller and outputs commands to the actuator. However, a hierarchy of controller layers is often necessary to balance the immediate reaction desired for low level tasks and the slow reasoning about complex, high level goals.
Қолданбалар
Hallerbach және басқалар агенттік тәсілдерді қолдануды талқылады, бұл тәсілдер сынақтан өтетін көліктің цифрлық егізін және тәуелсіз агенттерге негізделген микроскопиялық көлік қозғалысын модельдеу арқылы автоматтандырылған жүргізу жүйелерін әзірлеу және тексеру үшін пайдаланылады. Waymo өзін-өзі басқаратын автомобильдердің алгоритмдерін сынау үшін Carcraft атты көп агенттік симуляциялық орта құрды. Ол адам жүргізушілер, жаяу жүргіншілер және автоматтандырылған көліктер арасындағы жол қозғалысын симуляциялайды. Адамдардың мінез-құлқы нақты адамдардың мінез-құлқы туралы деректерге негізделген жасанды агенттер арқылы имитацияланады. Өзін-өзі жүргізуші көліктерді түсіну үшін агенттік модельдеуді қолдану идеясы бұрын 2003 жылы талқыланған болатын.
Hallerbach et al. discussed the application of agent based approaches for the development and validation of automated driving systems via a digital twin of the vehicle under test and microscopic traffic simulation based on independent agents. Waymo has created a multi agent simulation environment, Carcraft, to test algorithms for self driving cars. It simulates traffic interactions between human drivers, pedestrians and automated vehicles. People's behavior is imitated by artificial agents based on data of real human behavior. The basic idea of using agent based modeling to understand self driving cars was discussed as early as 2003.