Inteligencia artificial distribuida

Inteligencia Artificial Distribuida (DAI), también llamada Inteligencia Artificial Descentralizada, es un subcampo de 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.

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

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 es capaz de 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 DAI consisten en nodos de procesamiento de aprendizaje autónomo (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 asíncrona. En virtud de su escala, los sistemas DAI son robustos y elásticos y, por necesidad, débilmente acoplados. Además, los sistemas DAI 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 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 transcurso de la ejecución de un sistema DAI.

Desarrollo

En 1975, la inteligencia artificial distribuida surgió como un subcampo de la inteligencia artificial que se ocupaba de las interacciones de los agentes inteligentes. Los sistemas de inteligencia artificial distribuida se concibieron como un conjunto de entidades inteligentes, denominadas agentes, que interactuaban por cooperación, por coexistencia o por competencia. DAI se clasifica en sistemas multiagente y resolución de problemas distribuidos. En los sistemas de múltiples agentes, 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 cómo 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, DAI requiere:

• Un sistema distribuido con una computación robusta y elástica en recursos poco fiables y fallidos que se acoplan libremente
• Coordinación de las acciones y la comunicación de los nodos
• Submuestras de grandes conjuntos de datos y aprendizaje automático en línea

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

• Solución de problemas paralelos: se trata principalmente de cómo se pueden modificar los conceptos clásicos de inteligencia artificial, de modo que se puedan utilizar sistemas multiprocesadores y grupos de computadoras para acelerar el cálculo.
• Resolución de problemas distribuidos (DPS): el concepto de agente, entidades autónomas que pueden comunicarse entre sí, se desarrolló para servir de abstracción para desarrollar sistemas DPS. A continuación encontrará más detalles.
• Simulación basada en múltiples agentes (MABS): una rama de DAI que construye la base para simulaciones que necesitan analizar no sólo fenómenos a nivel macro sino también a nivel micro, como es en muchos escenarios de simulación social.

Enfoques

Han surgido dos tipos de DAI:

• En sistemas multiagentes, 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 metas. Los agentes cambian el estado de su medio ambiente por sus acciones. Existen varias técnicas de coordinación diferentes.
• En la solución de problemas distribuidos el trabajo se divide entre los nodos y el conocimiento es compartido. Las principales preocupaciones son la descomposición de tareas y la síntesis de los conocimientos y soluciones.

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

Desafíos

Los desafíos de la IA distribuida son:

1. Cómo llevar a cabo la comunicación e interacción de los agentes y qué lenguaje de comunicación o protocolos deben ser utilizados.
2. Cómo garantizar la coherencia de los agentes.
3. Cómo sintetizar los resultados entre 'agentes inteligentes' grupo por formulación, descripción, descomposición y asignación.

Aplicaciones y herramientas

Las áreas donde se ha aplicado DAI son:

• Comercio electrónico, por ejemplo, para las estrategias de comercio el sistema DAI aprende reglas de comercio financiero 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
• Routing, e.g. model vehicle flow in transport networks
• Programación, por ejemplo, programación de las tiendas de flujo donde la entidad de gestión de recursos garantiza la optimización y cooperación locales para la coherencia mundial y local
• Sistemas multiagentes, por ejemplo la vida artificial, el estudio de la vida simulada
• Sistemas eléctricos, por ejemplo, sistema de monitoreo de condiciones (COMMAS) aplicado a la vigilancia de las condiciones de transformador, y sistema de restauración automática IntelliTEAM II

La integración de DAI en las herramientas ha incluido:

• ECStar es un sistema de aprendizaje basado en normas.

Agentes

Sistemas: Agentes y multiagentes

Noción de agentes: los agentes se pueden describir como entidades distintas con límites estándar e interfaces diseñadas para la resolución de problemas.

Noción de agentes múltiples: el sistema de agentes múltiples se define como una red de agentes que están acoplados libremente y trabajan como una sola entidad, 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 en el 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 a los agentes en:

• agente reactiva – Un agente reactiva no es mucho más que un autómata que recibe entrada, lo procesa y produce una salida.
• agente deliberativo – Un agente deliberativo en contraste 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 también a veces reacciona directamente a eventos externos sin deliberación.

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

• ASMO (emergencia de módulos distribuidos)
• BDI (Creer Intención del Deseo, una arquitectura general que describe cómo se hacen los planes)
• InterRAP (Una arquitectura de tres capas, con una capa reactiva, deliberativa y social)
• PECS (Physics, Emotion, Cognition, Social, describe cómo esas cuatro partes influyen en el comportamiento de los agentes).
• Soar (un enfoque basado en las normas)