هوش مصنوعی توزیعشده (DAI)، که با نام هوش مصنوعی غیرمتمرکز نیز شناخته میشود، زیرشاخهای از تحقیقات هوش مصنوعی است که به توسعه راهحلهای توزیعشده برای مسائل اختصاص دارد. DAI ارتباط نزدیکی با حوزه سیستمهای چندعاملی دارد و پیشزمینه آن محسوب میشود.
دو رویکرد اصلی در DAI عبارتند از: سیستمهای چندعاملی و حل مسئله توزیعشده. این حوزه دارای کاربردها و ابزارهای متعددی است.
تعریف
هوش مصنوعی توزیعشده (DAI) رویکردی برای حل مسائل پیچیده یادگیری، برنامهریزی و تصمیمگیری است. این رویکرد ذاتاً موازی است و قادر به بهرهبرداری از محاسبات در مقیاس بزرگ و توزیع منابع محاسباتی در فضا است. این ویژگیها به آن امکان میدهد تا مسائلی را که نیازمند پردازش مجموعه دادههای بسیار بزرگ هستند، حل کند. سیستمهای DAI از گرههای پردازشی خودآموز (عاملها) تشکیل شدهاند که توزیع شدهاند، اغلب در مقیاس بسیار بزرگ. گرههای DAI میتوانند به طور مستقل عمل کنند و راهحلهای جزئی از طریق ارتباط بین گرهها، اغلب به صورت ناهمزمان، یکپارچه میشوند. سیستمهای DAI به دلیل مقیاس خود، مقاوم و انعطافپذیر هستند و به دلیل ضرورت، به هم پیوستگی سستی دارند. علاوه بر این، سیستمهای DAI برای انطباق با تغییرات در تعریف مسئله یا مجموعه دادههای زیرین، به دلیل مقیاس و دشواری در بازاستقرار، ساخته میشوند.
برخلاف سیستمهای هوش مصنوعی یکپارچه یا متمرکز که گرههای پردازشی به هم پیوسته و نزدیک از نظر جغرافیایی دارند، سیستمهای DAI نیازی به تجمیع تمام دادههای مرتبط در یک مکان واحد ندارند. بنابراین، سیستمهای DAI اغلب بر روی زیرنمونهها یا برداشتهای هش شده از مجموعه دادههای بسیار بزرگ عمل میکنند. علاوه بر این، مجموعه داده منبع ممکن است در طول اجرای یک سیستم DAI تغییر کند یا بهروز شود.
توسعه
در سال 1975، هوش مصنوعی توزیعشده به عنوان زیرشاخهای از هوش مصنوعی ظهور کرد که با تعامل عاملهای هوشمند سروکار داشت. سیستمهای هوش مصنوعی توزیعشده به عنوان گروهی از موجودیتهای هوشمند، به نام عاملها، که از طریق همکاری، همزیستی یا رقابت با یکدیگر تعامل داشتند، تصور میشدند. DAI به سیستمهای چندعاملی و حل مسئله توزیعشده طبقهبندی میشود. در سیستمهای چندعاملی، تمرکز اصلی بر نحوه هماهنگی دانش و فعالیتهای عاملها است. برای حل مسئله توزیعشده، تمرکز اصلی بر نحوه تجزیه مسئله و سنتز راهحلها است.
اهداف
اهداف هوش مصنوعی توزیعشده، حل مسائل استدلال، برنامهریزی، یادگیری و ادراک هوش مصنوعی، بهویژه اگر به دادههای بزرگ نیاز داشته باشند، با توزیع مسئله به گرههای پردازشی خودآموز (عاملها) است. برای رسیدن به این هدف، DAI نیازمند موارد زیر است:
- یک سیستم توزیعشده با محاسبات مقاوم و انعطافپذیر بر روی منابع غیرقابل اعتماد و در حال شکست که به هم پیوستگی سستی دارند.
- هماهنگی اقدامات و ارتباطات گرهها.
- زیرنمونههایی از مجموعه دادههای بزرگ و یادگیری ماشین آنلاین.
دلایل زیادی برای توزیع هوش یا مقابله با سیستمهای چندعاملی وجود دارد. مسائل اصلی در تحقیقات DAI عبارتند از:
- حل مسئله موازی: عمدتاً به چگونگی اصلاح مفاهیم کلاسیک هوش مصنوعی میپردازد تا بتوان از سیستمهای چند پردازندهای و خوشههای کامپیوتری برای سرعت بخشیدن به محاسبات استفاده کرد.
- حل مسئله توزیعشده (DPS): مفهوم عامل، موجودیتهای خودآموز که میتوانند با یکدیگر ارتباط برقرار کنند، برای توسعه سیستمهای DPS به عنوان یک انتزاع، توسعه یافته است. جزئیات بیشتر در زیر آمده است.
- شبیهسازی مبتنی بر عامل چندگانه (MABS): شاخهای از DAI که اساس شبیهسازیهایی را که نیاز به تحلیل نه تنها پدیدهها در سطح کلان بلکه در سطح خرد دارند، همانطور که در بسیاری از سناریوهای شبیهسازی اجتماعی وجود دارد، بنا مینهد.
رویکردها
دو نوع DAI پدید آمده است:
- در سیستمهای چندعاملی، عاملها دانش و فعالیتهای خود را هماهنگ میکنند و درباره فرآیندهای هماهنگی استدلال میکنند. عاملها موجودیتهای فیزیکی یا مجازی هستند که میتوانند عمل کنند، محیط خود را درک کنند و با سایر عاملها ارتباط برقرار کنند. عامل خودآموز است و مهارتهایی برای دستیابی به اهداف دارد. عاملها با اقدامات خود وضعیت محیط خود را تغییر میدهند. تعداد تکنیکهای مختلف هماهنگی وجود دارد.
- در حل مسئله توزیعشده، کار بین گرهها تقسیم میشود و دانش به اشتراک گذاشته میشود. نگرانیهای اصلی تجزیه وظیفه و سنتز دانش و راهحلها است.
DAI میتواند رویکردی از پایین به بالا به هوش مصنوعی، مشابه معماری زیرمجموعه، و همچنین رویکرد از بالا به پایین سنتی هوش مصنوعی را به کار گیرد. علاوه بر این، DAI میتواند وسیلهای برای ظهور باشد.
چالشها
چالشهای هوش مصنوعی توزیعشده عبارتند از:
- چگونه ارتباط و تعامل عاملها انجام شود و از چه زبان ارتباطی یا پروتکلهایی باید استفاده شود.
- چگونه از انسجام عاملها اطمینان حاصل شود.
- چگونه نتایج در گروه 'عاملهای هوشمند' از طریق فرمولبندی، توصیف، تجزیه و تخصیص سنتز شود.
کاربردها و ابزارها
زمینههایی که DAI در آنها به کار گرفته شده است عبارتند از:
- تجارت الکترونیک: به عنوان مثال، برای استراتژیهای معاملاتی، سیستم DAI قوانین معاملاتی مالی را از زیرنمونههای بسیار بزرگ دادههای مالی یاد میگیرد.
- شبکهها: به عنوان مثال، در مخابرات، سیستم DAI منابع همکاری در شبکه WLAN را کنترل میکند.
- مسیریابی: به عنوان مثال، مدل جریان وسایل نقلیه در شبکههای حمل و نقل.
- زمانبندی: به عنوان مثال، زمانبندی جریان کار، که در آن موجودیت مدیریت منابع، بهینهسازی محلی و همکاری را برای سازگاری جهانی و محلی تضمین میکند.
- سیستمهای چندعاملی: به عنوان مثال، حیات مصنوعی، مطالعه حیات شبیهسازی شده.
- سیستمهای قدرت الکتریکی: به عنوان مثال، سیستم عامل چندعاملی نظارت بر وضعیت (COMMAS) که برای نظارت بر وضعیت ترانسفورماتورها به کار میرود، و سیستم بازیابی خودکار IntelliTEAM II.
ادغام DAI در ابزارها شامل موارد زیر بوده است:
- ECStar: یک سیستم یادگیری توزیعشده مبتنی بر قوانین.
عاملها
سیستمها: عاملها و چند عاملها
مفهوم عاملها: عاملها را میتوان به عنوان موجودیتهای متمایز با مرزها و رابطهای استاندارد طراحی شده برای حل مسئله توصیف کرد.
مفهوم چند عاملها: سیستم چند عاملی به عنوان شبکهای از عاملهای به هم پیوسته سست تعریف میشود که مانند یک نهاد واحد، مانند جامعه، برای حل مسئلهای که یک عامل منفرد قادر به حل آن نیست، کار میکنند.
عاملهای نرمافزاری
مفهوم کلیدی مورد استفاده در DPS و MABS، انتزاعی به نام عاملهای نرمافزاری است. عامل یک موجودیت خودآموز مجازی (یا فیزیکی) است که درک محیط خود را دارد و بر روی آن عمل میکند. عامل معمولاً قادر به ارتباط با سایر عاملها در همان سیستم برای دستیابی به یک هدف مشترک است که یک عامل به تنهایی قادر به دستیابی به آن نیست. این سیستم ارتباطی از یک زبان ارتباطی عامل استفاده میکند.
یک طبقهبندی اول که مفید است، تقسیم عاملها به موارد زیر است:
- عامل واکنشی: عامل واکنشی چیزی بیش از یک اتوماتون نیست که ورودی را دریافت، آن را پردازش و خروجی تولید میکند.
- عامل تأملکننده: عامل تأملکننده در مقابل باید نمای داخلی از محیط خود داشته باشد و قادر به دنبال کردن برنامههای خود باشد.
- عامل ترکیبی: عامل ترکیبی ترکیبی از واکنشی و تأملکننده است که برنامههای خود را دنبال میکند، اما گاهی اوقات مستقیماً به رویدادهای خارجی بدون تأمل واکنش نشان میدهد.
معماریهای شناخته شده عامل که نحوه ساختار داخلی یک عامل را توصیف میکنند عبارتند از:
- ASMO (ظهور ماژولهای توزیعشده)
- BDI (باور، میل، قصد؛ یک معماری عمومی که نحوه ساخت برنامهها را توصیف میکند)
- InterRAP (یک معماری سه لایه، با لایه واکنشی، تأملکننده و اجتماعی)
- PECS (فیزیک، احساسات، شناخت، اجتماعی؛ نحوه تأثیر این چهار بخش بر رفتار عامل را توصیف میکند)
- Soar (رویکردی مبتنی بر قوانین)
جستارهای وابسته
منابع
مطالعه بیشتر
- Hewitt, Carl; and Jeff Inman (November/December 1991). "DAI Betwixt and Between: From 'Intelligent Agents' to Open Systems Science" IEEE Transactions on Systems, Man, and Cybernetics. Volume: 21 Issue: 6, pps. 1409–1419. ISSN 0018-9472
- Grace, David; Zhang, Honggang (August 2012). Cognitive Communications: Distributed Artificial Intelligence(DAI), Regulatory Policy and Economics, Implementation. John Wiley & Sons Press.
- Sun, Ron, (2005). Cognition and Multi-Agent Interaction. New York: Cambridge University Press.