Inteligencia artificial distribuida

Subcampo de la inteligencia artificial

La inteligencia artificial distribuida ( DAI ), también llamada inteligencia artificial descentralizada ^[1], es un subcampo de la investigación en inteligencia artificial dedicado al desarrollo de soluciones distribuidas para problemas. La DAI está estrechamente relacionada con el campo de los sistemas multiagente y es un predecesor del mismo .

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

Definición

La inteligencia artificial distribuida (IAD) es un enfoque para resolver problemas complejos de aprendizaje, planificación y toma de decisiones. Es vergonzosamente paralela , por lo que puede explotar 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 de IA consisten en nodos de procesamiento de aprendizaje autónomos ( agentes ), que están distribuidos, a menudo a una escala muy grande. Los nodos de IA 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 de IA son robustos y elásticos y, por necesidad, están acoplados de forma flexible. Además, los sistemas de IA están diseñados para adaptarse a los cambios en la definición del problema o 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 única 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 con submuestras o impresiones en 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.

Desarrollo

En 1975 surgió la inteligencia artificial distribuida como un subcampo de la inteligencia artificial que se ocupaba de las interacciones de agentes inteligentes. ^[2] Los sistemas de inteligencia artificial distribuida se concibieron como un grupo de entidades inteligentes, llamadas agentes, que interactuaban por cooperación, por coexistencia o por competencia. La inteligencia artificial distribuida se clasifica en sistemas multiagente y resolución de problemas distribuida. ^[3] En los sistemas multiagente, el enfoque principal es cómo los agentes coordinan su conocimiento y actividades. Para la resolución de problemas distribuida, el enfoque principal es cómo se descompone el problema y se sintetizan las soluciones.

Objetivos

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 cantidades de datos, distribuyendo el problema a nodos de procesamiento autónomos (agentes). Para alcanzar el objetivo, la DAI requiere:

• Un sistema distribuido con computación robusta y elástica sobre recursos no confiables y fallidos que están acoplados de manera flexible
• Coordinación de las acciones y comunicación de los nodos
• Submuestras de grandes conjuntos de datos y aprendizaje automático en línea

Existen muchas razones para querer distribuir inteligencia o manejar sistemas multiagente. Entre los problemas principales en la investigación de DAI se incluyen los siguientes:

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

Aproches

Han surgido dos tipos de DAI:

• En los sistemas multiagente, 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 alcanzar objetivos. Los agentes cambian el estado de su entorno mediante sus acciones. Existen diversas técnicas de coordinación. ^[4]
• En la resolución de problemas distribuidos, el trabajo se divide entre los nodos y el conocimiento se comparte. Las principales preocupaciones son la descomposición de las tareas y la síntesis del conocimiento y las soluciones.

La DAI puede aplicar un enfoque ascendente a la IA, similar a la arquitectura de subsunción , así como al enfoque descendente tradicional de la IA. Además, la DAI también puede ser un vehículo para la emergencia .

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 garantizar la coherencia de los agentes?
3. Cómo sintetizar los resultados entre el grupo de “agentes inteligentes” mediante formulación, descripción, descomposición y asignación.

Aplicaciones y herramientas

Las áreas en las que se ha aplicado el DAI son:

• Comercio electrónico , por ejemplo, para estrategias comerciales, el sistema DAI aprende 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 ^[5]
• Enrutamiento , por ejemplo, modelar el flujo de vehículos en las redes de transporte
• Programación , por ejemplo, programación de flujo de trabajo donde la entidad de gestión de recursos garantiza la optimización local y la cooperación para lograr una coherencia global y local.
• Sistemas multiagente, por ejemplo , vida artificial , el estudio de la vida simulada.
• Sistemas de energía eléctrica, por ejemplo, el Sistema Multiagente de Monitoreo de Condiciones (COMMAS) aplicado al monitoreo de condiciones de transformadores y el Sistema de Restauración Automática IntelliTEAM II ^[6]

La integración de DAI en herramientas ha incluido:

• ECStar es un sistema de aprendizaje distribuido basado en reglas. ^[7]

Agentes

Sistemas: Agentes y multiagentes

Noción de Agentes: Los agentes pueden describirse como entidades distintas con límites e interfaces estándar diseñadas para la resolución de problemas.

Noción de Multiagentes: Un sistema multiagente se define como una red de agentes acoplados de forma flexible que trabajan como una sola entidad, como una 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 en consecuencia. Un agente suele ser capaz de comunicarse con otros agentes del mismo sistema para lograr un objetivo común que un agente solo no podría lograr. Este sistema de comunicación utiliza un lenguaje de comunicación de agentes .

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

• agente reactivo – Un agente reactivo no es mucho más que un autómata que recibe una entrada, la procesa y produce una salida.
• agente deliberativo – Un agente deliberativo , por el contrario, debe tener una visión interna de su entorno y es 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:

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

Véase también

• Inteligencia colectiva  : inteligencia grupal que surge de esfuerzos colectivos
• Aprendizaje federado  : aprendizaje automático descentralizado
• Realidad simulada  – Concepto de una versión falsa de la realidad
• Inteligencia de enjambre  : comportamiento colectivo de sistemas descentralizados y autoorganizadosPages displaying short descriptions of redirect targets

Referencias

1. Demazeau, Yves y JP. Müller, eds. Inteligencia artificial descentralizada. Vol. 2. Elsevier, 1990.
2. Chaib-Draa, Brahim; Moulin, B.; Mandiau, R.; Millot, P. (1992). "Tendencias en inteligencia artificial distribuida". Artificial Intelligence Review . 6 (1): 35–66. doi :10.1007/BF00155579. S2CID  15730245.
3. Bond, Alan H.; Gasser, Les, eds. (1988). Lecturas en inteligencia artificial distribuida. San Mateo, California: Morgan Kaufmann Publishers. ISBN 9781483214443.
4. Jennings, Nick (1996). "Técnicas de coordinación para la inteligencia artificial distribuida" (PDF) . En Gregory MP O'Hare; NR Jennings (eds.). Fundamentos de la inteligencia artificial distribuida . Nueva York: Wiley. pp. 187−210. ISBN 978-0-471-00675-6Archivado desde el original el 1 de noviembre de 2018.
5. Anita Raja; Linda Xie ; Ivan Howitt; Shanjun Cheng. "Gestión de recursos WLAN mediante optimización de restricciones distribuidas". UNC Charlotte: Departamento de Ciencias de la Computación . Patrocinador del proyecto: NSF. Investigación en Ciencias de la Computación: Proyectos anteriores – Resumen del proyecto. Archivado desde el original el 12 de mayo de 2015.Facultad de Computación e Informática de la UNC Charlotte
6. Catterson, Victoria M.; Davidson, Euan M.; McArthur, Stephen DJ (1 de marzo de 2012). "Aplicaciones prácticas de sistemas multiagente en sistemas de energía eléctrica" ​​(PDF) . Transacciones europeas sobre energía eléctrica . 22 (2): 235–252. doi :10.1002/etep.619. ISSN  1546-3109.
7. "Aprendizaje a cualquier escala para todos | alfagroup". alfagroup.csail.mit.edu .

Lectura adicional

• Hewitt, Carl; y Jeff Inman (noviembre/diciembre de 1991). "DAI entre dos mundos: de los 'agentes inteligentes' a la ciencia de sistemas abiertos" IEEE Transactions on Systems, Man, and Cybernetics . Volumen: 21 Número: 6, pp. 1409–1419. ISSN 0018-9472
• Grace, David; Zhang, Honggang (agosto de 2012). Comunicaciones cognitivas: inteligencia artificial distribuida (IAD), política regulatoria y economía, implementación . John Wiley & Sons Press. ISBN 978-1-119-95150-6 
• Shoham, Yoav; Leyton-Brown, Kevin (2009). Sistemas multiagente: fundamentos algorítmicos, lógicos y de teoría de juegos. Nueva York: Cambridge University Press . ISBN 978-0-521-89943-7.
• Sun, Ron, (2005). Cognición e interacción entre múltiples agentes . Nueva York: Cambridge University Press. ISBN 978-0-521-83964-8 
• Trentesaux, Damien; Philippe, Pesin; Tahon, Christian (2000). "Inteligencia artificial distribuida para programación, control y soporte de diseño de FMS". Journal of Intelligent Manufacturing . 11 (6): 573–589. doi :10.1023/A:1026556507109. S2CID  36570655.
• Vlassis, Nikos (2007). Una breve introducción a los sistemas multiagente y la inteligencia artificial distribuida . San Rafael, CA: Morgan & Claypool Publishers. ISBN 978-1-59829-526-9.