Jednym z możliwych sposobów osiągnięcia inteligencji jest tak zwane podejście emergentne (lub synergetyczne), które opiera się na fakcie, że połączone zachowanie wielu stosunkowo prostych agentów może prowadzić do bardziej złożonego (lub inteligentnego) zachowania całego systemu. Teoretycznie opiera się to na zasadach Inteligencji Kolektywnej, Emergentyzmu i Ewolucyjnej Cybernetyki, które zakładają, że systemy wyższego poziomu zyskują pewną wartość dodaną, gdy są odpowiednio połączone z systemami niższego poziomu (tak zwana zasada przejścia metasystemowego).
Kierunek Systemów Wieloagentowych pojawił się w AI w latach 90. XX wieku jako odpowiedź na rozwój Internetu i systemów rozproszonych. Jednym z klasycznych podręczników AI, Artificial Intelligence: A Modern Approach, skupia się na klasycznym podejściu AI z perspektywy systemów wieloagentowych.
Centralnym pojęciem w podejściu wieloagentowym jest Agent - jednostka, która żyje w pewnym środowisku, które może postrzegać i na które może wpływać. Jest to bardzo szeroka definicja, a agenci mogą być klasyfikowani na wiele różnych sposobów:
- Ze względu na zdolność do rozumowania:
- Reaktywne agenty zazwyczaj mają prosty typ zachowania oparty na zasadzie żądanie-odpowiedź
- Deliberatywne agenty wykorzystują pewien rodzaj logicznego rozumowania i/lub zdolności planowania
- Ze względu na miejsce wykonywania kodu agenta:
- Statyczne agenty działają na dedykowanym węźle sieci
- Mobilne agenty mogą przenosić swój kod między węzłami sieci
- Ze względu na zachowanie:
- Pasywne agenty nie mają określonych celów. Mogą reagować na bodźce zewnętrzne, ale nie inicjują działań samodzielnie.
- Aktywne agenty mają cele, które realizują
- Kognitywne agenty angażują się w złożone planowanie i rozumowanie
Systemy wieloagentowe są obecnie wykorzystywane w wielu aplikacjach:
- W grach, wiele postaci niezależnych wykorzystuje pewien rodzaj AI i może być uznawanych za inteligentne agenty
- W produkcji wideo, renderowanie złożonych scen 3D z tłumami jest zazwyczaj realizowane za pomocą symulacji wieloagentowej
- W modelowaniu systemów, podejście wieloagentowe jest używane do symulacji zachowania złożonego modelu. Na przykład podejście wieloagentowe zostało z powodzeniem wykorzystane do przewidywania rozprzestrzeniania się choroby COVID-19 na całym świecie. Podobne podejście można zastosować do modelowania ruchu w mieście i sprawdzenia, jak reaguje na zmiany w zasadach ruchu drogowego.
- W złożonych systemach automatyzacji, każde urządzenie może działać jako niezależny agent, co sprawia, że cały system jest mniej monolityczny i bardziej odporny.
Nie będziemy poświęcać dużo czasu na głębokie zagłębianie się w systemy wieloagentowe, ale rozważymy jeden przykład Modelowania Wieloagentowego.
NetLogo to środowisko modelowania wieloagentowego oparte na zmodyfikowanej wersji języka programowania Logo. Ten język został opracowany do nauczania dzieci podstaw programowania i pozwala kontrolować agenta zwanego żółwiem, który może się poruszać, pozostawiając za sobą ślad. Dzięki temu można tworzyć złożone figury geometryczne, co jest bardzo wizualnym sposobem na zrozumienie zachowania agenta.
W NetLogo możemy stworzyć wiele żółwi za pomocą polecenia create-turtles. Następnie możemy polecić wszystkim żółwiom wykonanie pewnych działań (w poniższym przykładzie - przesunięcie się o 10 punktów do przodu):
create-turtles 10
ask turtles [
forward 10
]
Oczywiście, nie jest interesujące, gdy wszystkie żółwie robią to samo, więc możemy ask grupy żółwi, np. tych, które znajdują się w pobliżu określonego punktu. Możemy również tworzyć żółwie różnych ras za pomocą polecenia breed [cats cat]. Tutaj cat to nazwa rasy, a musimy określić zarówno formę pojedynczą, jak i mnogą, ponieważ różne polecenia używają różnych form dla przejrzystości.
✅ Nie będziemy uczyć się języka NetLogo - jeśli jesteś zainteresowany, możesz odwiedzić świetny zasób Beginner's Interactive NetLogo Dictionary.
Możesz pobrać i zainstalować NetLogo, aby spróbować.
Wspaniałą rzeczą w NetLogo jest to, że zawiera bibliotekę działających modeli, które możesz wypróbować. Przejdź do File → Models Library, gdzie znajdziesz wiele kategorii modeli do wyboru.
Zrzut ekranu biblioteki modeli autorstwa Dmitry Soshnikov
Możesz otworzyć jeden z modeli, na przykład Biology → Flocking.
Po otwarciu modelu zostaniesz przeniesiony na główny ekran NetLogo. Oto przykładowy model opisujący populację wilków i owiec, biorąc pod uwagę ograniczone zasoby (trawę).
Zrzut ekranu autorstwa Dmitry Soshnikov
Na tym ekranie możesz zobaczyć:
- Sekcję Interface, która zawiera:
- Główne pole, na którym żyją wszyscy agenci
- Różne kontrolki: przyciski, suwaki itp.
- Wykresy, które można wykorzystać do wyświetlania parametrów symulacji
- Zakładkę Code, która zawiera edytor, w którym można pisać programy w NetLogo
W większości przypadków interfejs będzie miał przycisk Setup, który inicjalizuje stan symulacji, oraz przycisk Go, który rozpoczyna wykonanie. Są one obsługiwane przez odpowiednie procedury w kodzie, które wyglądają tak:
to go [
...
]
Świat NetLogo składa się z następujących obiektów:
- Agenci (żółwie), którzy mogą poruszać się po polu i wykonywać różne działania. Możesz wydawać polecenia agentom za pomocą składni
ask turtles [...], a kod w nawiasach jest wykonywany przez wszystkich agentów w trybie żółwia. - Łaty to kwadratowe obszary pola, na których żyją agenci. Możesz odwoływać się do wszystkich agentów na tej samej łacie lub zmieniać kolory łaty i inne właściwości. Możesz również
ask patches, aby coś zrobiły. - Obserwator to unikalny agent, który kontroluje świat. Wszystkie procedury obsługiwane przez przyciski są wykonywane w trybie obserwatora.
✅ Piękno środowiska wieloagentowego polega na tym, że kod uruchamiany w trybie żółwia lub w trybie łaty jest wykonywany jednocześnie przez wszystkich agentów równolegle. Dzięki temu, pisząc niewielką ilość kodu i programując zachowanie pojedynczego agenta, można stworzyć złożone zachowanie całego systemu symulacji.
Jako przykład zachowania wieloagentowego rozważmy Flocking. Flocking to złożony wzorzec bardzo podobny do tego, jak stada ptaków latają. Obserwując ich lot, można pomyśleć, że podążają za jakimś zbiorowym algorytmem lub że posiadają pewną formę inteligencji kolektywnej. Jednak to złożone zachowanie pojawia się, gdy każdy indywidualny agent (w tym przypadku ptak) obserwuje tylko innych agentów w niewielkiej odległości od siebie i przestrzega trzech prostych zasad:
- Wyrównanie - kieruje się w stronę średniego kierunku sąsiednich agentów
- Spójność - stara się kierować w stronę średniej pozycji sąsiadów (przyciąganie na dużą odległość)
- Separacja - gdy zbliża się zbyt blisko do innych ptaków, stara się oddalić (odpychanie na krótką odległość)
Możesz uruchomić przykład flockingu i obserwować zachowanie. Możesz również dostosować parametry, takie jak stopień separacji czy zakres widzenia, który definiuje, jak daleko każdy ptak może widzieć. Zauważ, że jeśli zmniejszysz zakres widzenia do 0, wszystkie ptaki stają się "ślepe" i flocking się zatrzymuje. Jeśli zmniejszysz separację do 0, wszystkie ptaki zbierają się w prostą linię.
✅ Przełącz się na zakładkę Code i zobacz, gdzie trzy zasady flockingu (wyrównanie, spójność i separacja) są zaimplementowane w kodzie. Zwróć uwagę, jak odwołujemy się tylko do tych agentów, którzy są w zasięgu wzroku.
Istnieje kilka innych interesujących modeli, które możesz wypróbować:
- Art → Fireworks pokazuje, jak fajerwerki mogą być uznawane za zbiorowe zachowanie indywidualnych strumieni ognia
- Social Science → Traffic Basic i Social Science → Traffic Grid pokazują model ruchu miejskiego w 1D i 2D z lub bez sygnalizacji świetlnej. Każdy samochód w symulacji przestrzega następujących zasad:
- Jeśli przestrzeń przed nim jest pusta - przyspiesz (do określonej maksymalnej prędkości)
- Jeśli widzi przeszkodę przed sobą - hamuj (i możesz dostosować, jak daleko kierowca może widzieć)
- Social Science → Party pokazuje, jak ludzie grupują się podczas przyjęcia koktajlowego. Możesz znaleźć kombinację parametrów, które prowadzą do najszybszego wzrostu szczęścia grupy.
Jak widać z tych przykładów, symulacje wieloagentowe mogą być bardzo użytecznym sposobem na zrozumienie zachowania złożonego systemu składającego się z jednostek przestrzegających tych samych lub podobnych zasad. Mogą być również używane do kontrolowania wirtualnych agentów, takich jak NPC w grach komputerowych lub agentów w animowanych światach 3D.
Opisani powyżej agenci są bardzo prostymi jednostkami, reagującymi na zmiany w środowisku za pomocą pewnego rodzaju algorytmu. Są to agenci reaktywni. Jednak czasami agenci mogą rozumować i planować swoje działania, w takim przypadku nazywani są deliberatywnymi.
Typowym przykładem może być osobisty agent, który otrzymuje instrukcję od człowieka, aby zarezerwować wycieczkę wakacyjną. Załóżmy, że istnieje wiele agentów żyjących w Internecie, którzy mogą mu pomóc. Powinien wtedy skontaktować się z innymi agentami, aby sprawdzić, jakie loty są dostępne, jakie są ceny hoteli na różne daty i spróbować wynegocjować najlepszą cenę. Gdy plan wakacji zostanie ukończony i potwierdzony przez właściciela, może przystąpić do rezerwacji.
Aby to zrobić, agenci muszą komunikować się. Do skutecznej komunikacji potrzebują:
- Pewnych standardowych języków do wymiany wiedzy, takich jak Knowledge Interchange Format (KIF) i Knowledge Query and Manipulation Language (KQML). Języki te są projektowane na podstawie Teorii Aktów Mowy.
- Języki te powinny również zawierać pewne protokoły negocjacyjne, oparte na różnych typach aukcji.
- Wspólnej ontologii, aby odwoływać się do tych samych pojęć, znając ich semantykę
- Sposobu na odkrycie, co różni agenci mogą zrobić, również opartego na pewnego rodzaju ontologii
Agenci deliberatywni są znacznie bardziej skomplikowani niż reaktywni, ponieważ nie tylko reagują na zmiany w środowisku, ale także powinni być w stanie inicjować działania. Jedną z proponowanych architektur dla agentów deliberatywnych jest tak zwany agent Wiara-Pragnienie-Intencja (BDI):
- Wiara tworzy zbiór wiedzy o środowisku agenta. Może być strukturyzowana jako baza wiedzy lub zbiór reguł, które agent może zastosować do konkretnej sytuacji w środowisku.
- Pragnienia definiują, co agent chce osiągnąć, czyli jego cele. Na przykład celem osobistego asystenta powyżej jest zarezerwowanie wycieczki, a celem agenta hotelowego jest maksymalizacja zysku.
- Intencje to konkretne działania, które agent planuje podjąć, aby osiągnąć swoje cele. Działania zazwyczaj zmieniają środowisko i powodują komunikację z innymi agentami.
Istnieją platformy dostępne do budowy systemów wieloagentowych, takie jak JADE. Ten artykuł zawiera przegląd platform wieloagentowych, wraz z krótką historią systemów wieloagentowych i ich różnymi scenariuszami użycia.
Systemy wieloagentowe mogą przybierać bardzo różne formy i być wykorzystywane w wielu różnych aplikacjach. Wszystkie skupiają się na prostszym zachowaniu pojedynczego agenta, a bardziej złożone zachowanie całego systemu osiągają dzięki efektowi synergii.
Przenieś tę lekcję do rzeczywistości i spróbuj zaprojektować system wieloagentowy, który może rozwiązać problem. Co na przykład musiałby zrobić system wieloagentowy, aby zoptymalizować trasę szkolnego autobusu? Jak mógłby działać w piekarni?
Przeanalizuj zastosowanie tego typu systemów w przemyśle. Wybierz dziedzinę, taką jak produkcja lub przemysł gier wideo, i odkryj, jak systemy wieloagentowe mogą być wykorzystywane do rozwiązywania unikalnych problemów.