WSTĘP

System inteligentny to system, który, podobnie jak żywy organizm, posiada spójny zestaw komponentów i podsystemów współpracujących ze sobą w celu podejmowania działań zorientowanych na cel. Ogólnie rzecz biorąc, inteligentny system jest w stanie wyczuwać zmieniające się środowisko i reagować na nie; zbierać i przechowywać informacje w swojej pamięci; uczyć się na wcześniejszych doświadczeniach; dostosować swoje zachowania do nowych wyzwań; i osiągnąć swoje z góry określone lub rozwijające się cele. System może zacząć od zestawu predefiniowanych reguł reakcji na bodziec. Zasady te można zmieniać i udoskonalać w drodze uczenia się. Za każdym razem, gdy system napotyka jakąś sytuację, ocenia i wybiera ze swojej pamięci najbardziej odpowiednie reguły, na podstawie których może podjąć działania. Większość organizacji ludzkich, takich jak narody, rządy, uniwersytety i firmy, można uznać za systemy inteligentne. W ostatnich latach badacze opracowali ramy budowania organizacji wokół inteligencji, w przeciwieństwie do tradycyjnych podejść, które koncentrują się na produktach, procesach lub funkcjach. Dzisiejsze organizacje muszą wykraczać poza tradycyjne cele wydajności i efektywności; muszą posiadać inteligencję organizacyjną, aby przystosować się i przetrwać w stale zmieniającym się środowisku . Inteligentne zachowania tych organizacji obejmują monitorowanie operacji, słuchanie i reagowanie na interesariuszy, obserwowanie rynków, gromadzenie i analizowanie danych, tworzenie i rozpowszechnianie wiedzy, uczenie się i skuteczne podejmowanie decyzji. Modelowanie inteligentnych systemów było wyzwaniem dla badaczy. Systemy inteligentne, w szczególności te, w których uczestniczy wiele inteligentnych graczy, to systemy złożone, w których dynamika systemu nie podlega jasno określonym regułom. Tradycyjne podejścia do dynamiki systemu lub podejścia do modelowania statystycznego opierają się na raczej restrykcyjnych założeniach, takich jak jednorodność jednostek w systemie. Wiele złożonych systemów ma komponenty lub jednostki, które również są systemami złożonymi. Fakt ten znacznie zwiększa trudność modelowania inteligentnych systemów. Oparte na agentach modelowanie złożonych systemów, takich jak systemy ekologiczne, giełda i usuwanie skutków awarii, wzbudziło ostatnio duże zainteresowanie badawcze z szerokiego spektrum dziedzin, od polityki, ekonomii, socjologii, matematyki, informatyki, zarządzania i systemów informatycznych. Modelowanie oparte na agentach doskonale nadaje się do badań nad inteligentnymi systemami, ponieważ oferuje platformę do badania zachowań systemów w oparciu o indywidualne działania i interakcje. Poniżej przedstawiamy koncepcje i ilustrujemy, w jaki sposób można wykorzystać inteligentnych agentów w modelowaniu inteligentnych systemów. Zaczynamy od podstawowych koncepcji inteligentnych agentów. Następnie definiujemy modelowanie agentowe (ABM) i omawiamy mocne i słabe strony ABM. W następnej sekcji zastosowano ABM do inteligentnego modelowania systemów. Dla ilustracji posłużymy się przykładem dyfuzji technologii. Następnie omówiono problematykę i kierunki badań oraz przedstawiono wnioski.

INTELIGENTNY AGENT

Inteligentni agenci, znani również jako agenci oprogramowania, to aplikacje komputerowe, które autonomicznie wyczuwają środowisko i reagują na nie, dążąc do określonych celów. Inteligentni agenci wykazują pewien poziom inteligencji. Mogą one obejmować poszukiwanie informacji, zakupy, planowanie, monitorowanie, kontrolę, negocjacje i targowanie się. Inteligentni agenci mogą występować w różnych kształtach i formach, takich jak knowboty, softboty, boty zadaniowe, agenci osobiści, boty sklepowe, agenci informacyjni itp. Bez względu na kształt i formę, inteligentni agenci wykazują jedną lub więcej z następujących cech:

•  Autonomiczny: Możliwość sprawowania kontroli nad własnymi działaniami.
•  Adaptacyjny/uczenie się: umiejętność uczenia się i dostosowywania do środowiska zewnętrznego.
•  Społeczność: Możliwość komunikowania się, targowania się, współpracy i konkurowania z innymi agentami w imieniu swoich panów (użytkowników).
•  Urządzenia mobilne: możliwość migracji z jednego komputera/systemu na inny w sieci, np. w Internecie.
•  Zorientowany na cel: umiejętność działania zgodnie z wbudowanymi celami i zadaniami.
•  Komunikatywny: umiejętność komunikowania się z ludźmi lub innymi agentami za pomocą protokołów, takich jak język komunikacji agenta (ACL).
•  Inteligentny: umiejętność wykazywania inteligentnych zachowań, takich jak rozumowanie, generalizowanie, uczenie się, radzenie sobie z niepewnością, używanie heurystyki i przetwarzanie języka naturalnego.

MODELOWANIE OPARTE NA AGENTACH

Używanie inteligentnych agentów oraz ich działań i interakcji w danym środowisku do symulacji złożonej dynamiki systemu nazywa się modelowaniem opartym na agentach. Badania ABM są ściśle powiązane z badaniami nad systemami złożonymi, pojawieniem się, socjologią obliczeniową, systemami wieloagentowymi, programowaniem ewolucyjnym i organizacjami inteligentnymi. W ABM zachowanie systemu wynika z zachowań indywidualnych i zbiorowych zachowań agentów. Badacze ABM interesują się tym, jak zjawiska makro wyłaniają się z zachowań na poziomie mikro wśród heterogenicznego zestawu oddziałujących ze sobą czynników. Każdy agent ma swoje atrybuty i zasady zachowania. Kiedy agenci spotykają się w społeczeństwie agentów, każdy agent indywidualnie ocenia sytuację i podejmuje decyzje w oparciu o swoje reguły zachowania. Ogólnie rzecz biorąc, poszczególni agenci nie mają globalnej świadomości w systemie wieloagentowym. Modelowanie agentowe pozwala badaczowi ustawić różne parametry i reguły zachowania poszczególnych agentów. Osoba tworząca model przyjmuje najczęstsze założenia istotne dla danej sytuacji, a następnie obserwuje, jak zjawiska wyłaniają się z interakcji agentów. Zmieniając parametry i reguły agenta, można testować różne hipotezy. Wyłaniający się zbiorowy wzorzec społeczeństwa agentów często prowadzi do wyników, których być może nie można było przewidzieć. Jedną z głównych zalet ABM w porównaniu z tradycyjnym modelowaniem opartym na równaniach matematycznych jest możliwość modelowania indywidualnych stylów i atrybutów, zamiast zakładać jednorodność całej populacji. Tradycyjne modele oparte na technikach analitycznych często stają się trudne do wykonania, gdy systemy osiągają poziom złożoności w świecie rzeczywistym. ABM jest szczególnie odpowiedni do badania dynamiki systemów generowanych w wyniku interakcji heterogenicznych jednostek. W ostatnich latach ABM zaczęto wykorzystywać do badania wielu systemów świata rzeczywistego, takich jak rynki akcji, selekcja grupowa oraz przepływ pracy i rozpowszechnianie informacji . Bonabeau (2002) przedstawia dobre podsumowanie metodologii ABM i scenariuszy, w których ABM jest właściwa. ABM nie jest jednak wolne od krytyki. Za Bonabeau (2002): "model oparty na agentach będzie tak dokładny, jak założenia i dane, które w nim zastosowano, ale nawet przybliżone symulacje mogą być bardzo cenne". Zaobserwowano również, że ABM opiera się na uproszczonych modelach ludzkich zachowań opartych na regułach, które często nie uwzględniają złożoności ludzkiego poznania. Poza tym występuje problem z "rozpakowywaniem", ponieważ rozwiązanie jest wbudowane w program i w ten sposób zapobiega występowaniu nowych lub nieoczekiwanych zdarzeń .

ABM DLA INTELIGENTNYCH SYSTEMÓW

Inteligentny system to system, który potrafi wyczuwać swoje otoczenie i reagować na nie, dążąc do swoich celów. Może się uczyć i dostosowywać w oparciu o przeszłe doświadczenia. Przykłady inteligentnych systemów obejmują między innymi: życie biologiczne, takie jak istoty ludzkie, zastosowania sztucznej inteligencji, roboty, organizacje, narody, projekty i ruchy społeczne. Walter Fritz (1997) sugeruje, że kluczowe elementy inteligentnego systemu obejmują cele, zmysły, koncepcje, rozwój koncepcji, obecną sytuację, reguły reagowania, metody mentalne, selekcję, działania, wzmacnianie, pamięć i zapominanie, sen i wzorce ( koncepcje wysokiego poziomu). Jest oczywiste, że tradycyjne techniki modelowania analitycznego nie są w stanie modelować wielu elementów inteligentnych systemów, nie mówiąc już o pełnej dynamice systemu. Jednak ABM dobrze nadaje się do takiego zadania. Wszystkie te komponenty mogą być modelami jako agentami (aczkolwiek niektóre w sensie abstrakcyjnym). Inteligentny system składa się zatem z wzajemnie powiązanych i interaktywnych agentów. ABM jest szczególnie odpowiedni dla inteligentnych systemów składających się z dużej liczby heterogenicznych uczestników, takich jak organizacja ludzka.

Procesy modelowania

Modelowanie agentowe dla inteligentnych systemów rozpoczyna się od dokładnej analizy inteligentnych systemów. Ponieważ rozważany system może wykazywać złożone zachowania, musimy zidentyfikować jedną lub kilka kluczowych cech, na których powinniśmy się skupić. Biorąc pod uwagę scenariusz docelowego inteligentnego systemu, najpierw ustalamy zestaw celów, które chcemy osiągnąć poprzez symulację opartej na agentach reprezentacji inteligentnego systemu. Cele badania można wyrazić w formie zestawu pytań, na które szukamy odpowiedzi (Doran, 2006). Tworzony jest model koncepcyjny w celu określenia wymagań niezbędnych do osiągnięcia celów. Obejmuje to definiowanie jednostek, takich jak agenci, środowisko, zasoby, procesy i relacje. Faza modelowania koncepcyjnego odpowiada na pytanie, czego - co jest potrzebne. Model projektowy określa sposób, w jaki można wdrożyć wymagania, w tym definiowanie cech i odpowiednich zachowań agentów (Brown, 2006). W zależności od celów konkretnego badania model może obejmować wykorzystanie zaprojektowanych lub empirycznie ugruntowanych środków. Zaprojektowani agenci to ci, którzy mają cechy i zachowania, które reprezentują warunki do testowania konkretnych hipotez na temat inteligentnych systemów. Gdy agenci są ugruntowani empirycznie, używa się ich do reprezentowania jednostek ze świata rzeczywistego, takich jak osoby lub procesy w organizacji. Empirycznie ugruntowani agenci są możliwe tylko wtedy, gdy dostępne są dane o bytach ze świata rzeczywistego. Podobnie środowisko, w którym działają agenci, można zaprojektować lub ugruntować empirycznie. W praktyce badanie można rozpocząć od prostych modeli, często z zaprojektowanymi agentami i środowiskami, w celu zbadania określonej dynamiki systemu. Model projektowy jest udoskonalany w procesie kalibracji, podczas którego parametry projektowe są modyfikowane w celu poprawy pożądanych właściwości modelu. Ostatnim krokiem w procesie modelowania jest walidacja, podczas której sprawdzamy indywidualne zachowanie agenta, interakcje i wyłaniające się właściwości systemu z oczekiwanymi cechami projektowymi. Walidacja zwykle polega na porównaniu wyników modelu, często na poziomie makro, z porównywalnymi wynikami w świecie rzeczywistym .ABM na rzecz rozpowszechniania innowacji. Przedstawiamy przykład wykorzystania agentowego modelowania inteligentnego systemu do badania akceptacji i rozpowszechniania innowacyjnych pomysłów lub technologii. W ciągu ostatnich kilku dekad szeroko badano dyfuzję innowacji (Rogers, 1995). Jednakże tradycyjne badania nad rozpowszechnianiem innowacji opierają się na analizie przypadków i modelowaniu systemów analitycznych (np. przy użyciu równań różniczkowych i różnicowych). Oparte na agentach modelowanie dyfuzji innowacji jest stosunkowo nowe. Nasz przykład zaczerpnięty jest z modelu stworzonego przez Michaela Samuelsa (2007), zaimplementowanego przy pomocy popularnego systemu modelowania agentów - NetLogo. Celem modelowania dyfuzji innowacji jest udzielenie odpowiedzi na pytania, takie jak sposób przyjęcia pomysłu lub technologii w populacji, jak różni ludzie (np. innowatorzy, pierwsi adaptatorzy i agenci zmiany) wpływają na siebie nawzajem oraz pod jakimi warunkami innowacja będzie wdrażana. akceptowane lub odrzucane przez społeczeństwo. W modelowaniu koncepcyjnym identyfikujemy różne czynniki, które wpływają na skłonność jednostki do przyjęcia innowacji. Czynniki te można ogólnie podzielić na dwie kategorie: wpływy wewnętrzne (np. poczta pantoflowa) i wpływy zewnętrzne (np. środki masowego przekazu). Za wpływ wewnętrzny uważa się każdy czynnik, który wywiera wpływ poprzez indywidualny kontakt. Osoby w populacji docelowej dzielą się na cztery grupy: adoptujący, potencjalny (adoptor), agent zmiany i zakłócacz. Adoptorami są ci, którzy przyjęli innowację, natomiast potencjał to ci, którzy mają pewne prawdopodobieństwo przyjęcia innowacji. Agenci zmiany są mistrzami innowacji. Mają dużą wiedzę i entuzjazm w stosunku do innowacji i często odgrywają kluczową rolę w ułatwianiu jej rozpowszechniania. Zakłócacze to ci, którzy odgrywają przeciwną rolę agentów zmiany. Są przeciwni obecnym innowacjom, często dlatego, że opowiadają się za jeszcze nowszymi i postrzeganymi lepszymi innowacjami. Cztery grupy agentów i ich relacje przedstawiono na rysunku 2. Często, choć nie jest to konieczne, zakłada się, że te cztery grupy tworzą całą populację. W tradycyjnym modelu dyfuzji, takim jak model Bassa , stopień rozpowszechniania zależy jedynie od liczby adoptujących (i potencjalnych adoptujących, biorąc pod uwagę stałą wielkość populacji). Charakterystyka jednostek w populacji jest ignorowana. Nawet w tych modelach, w których zakłada się, że potencjalni użytkownicy mają różny próg przyjęcia innowacji, indywidualność jest bardzo ograniczona. Jednak w modelowaniu agentowym typy jednostek i indywidualne cechy są w zasadzie nieograniczone. Na przykład, możemy łatwo podzielić adoptujących na innowatorów, wczesnych i późnych użytkowników itd. W razie potrzeby poszczególnym agentom można nadać różne cechy demograficzne i społeczno-ekonomiczne. Co więcej, zarówno wpływ wewnętrzny, jak i wpływ zewnętrzny można dalej przypisać bardziej konkretnym przyczynom. Na przykład wpływ wewnętrzny za pośrednictwem sieci społecznościowych można podzielić na tradycyjne sieci społecznościowe, w skład których wchodzą przyjaciele i znajomi, oraz wirtualne sieci społecznościowe tworzone online. Wstępne badanie rozpowszechniania innowacji, takie jak to przeprowadzone przez Michaela Samuelsa (2007), może po prostu zagregować wszystkie wpływy wewnętrzne w "słowo miesiąca", a wszystkie wpływy zewnętrzne w środkach masowego przekazu. Na skłonność każdego potencjalnego adopcyjnego do przekształcenia się w adopcyjnego wpływa przypadkowe spotkanie z innymi agentami. Jeśli potencjalny adaptator spotka agenta zmiany, który jest zagorzałym promotorem innowacji, zdobędzie większą wiedzę na temat zalet innowacji i będzie bardziej skłonny do jej przyjęcia. Spotkanie z zakłócaczem wywołuje odwrotny skutek, ponieważ zakłócacz faworyzuje inny rodzaj innowacji. Aby symulowany model dokładnie odzwierciedlał sytuację w świecie rzeczywistym, należy starannie dobrać strukturę modelu i wartości parametrów. Na przykład musimy zdecydować, jaki wpływ będzie miało każde spotkanie; jakie jest prawdopodobieństwo spotkania agenta zmiany lub zakłócacza; jak duży jest wpływ pochodzące ze środków masowego przekazu itp. Wartości te możemy uzyskać poprzez ankiety, analizę statystyczną danych empirycznych lub eksperymenty specjalnie zaprojektowane w celu uzyskania danych z rzeczywistych sytuacji.

TRENDY I ZAGADNIENIA BADAWCZE Jak pokazano na przykładzie modelowania rozprzestrzeniania się innowacji w organizacji, branży lub społeczeństwie, modelowanie agentowe można wykorzystać do modelowania adaptacji inteligentnych systemów składających się z inteligentnych jednostek. Ponieważ większość inteligentnych systemów jest złożona zarówno pod względem struktury, jak i dynamiki systemu, tradycyjne narzędzia do modelowania, które wymagają zbyt wielu nierealistycznych założeń, stały się mniej skuteczne w modelowaniu inteligentnych systemów. W ostatnich latach modelowanie agentowe znalazło szerokie spektrum zastosowań, takich jak strategiczne rozwiązania biznesowe, zarządzanie łańcuchem dostaw, rynki akcji, gospodarka energetyczna, ewolucja społeczna, operacje wojskowe, bezpieczeństwo i ekologia. W miarę jak narzędzia i zasoby ABM staną się coraz bardziej dostępne, oczekuje się, że w najbliższej przyszłości nastąpi wzrost liczby badań i zastosowań inteligentnego modelowania systemów opartych na agentach. Jednak pewne wyzwania pozostają. Wykorzystanie ABM do modelowania inteligentnych systemów to obszar badawczy, który czerpie teorie z innych dziedzin, takich jak ekonomia, psychologia, socjologia itp., Jednak bez własnych, ugruntowanych podstaw teoretycznych. ABM opiera się na czterech kluczowych założeniach : agenci działają lokalnie, mając niewielką władzę centralną lub bez niej; agenci są współzależni; agenci kierują się prostymi zasadami, a agenci są adaptacyjni. Jednak niektóre z tych założeń mogą nie mieć zastosowania do modelowania inteligentnych systemów. Władze centralne lub centralne autorytatywne informacje, takie jak środki masowego przekazu w przykładzie dyfuzji innowacji, mogą odgrywać ważną rolę w inteligentnych organizacjach. Nie wszyscy agenci są tacy sami w inteligentnym systemie. Niektóre mogą być niezależne, nieadaptacyjne lub kierować się złożonymi zasadami zachowania. ABM stosuje podejście "oddolne", tworząc wyłaniające się zachowania inteligentnego systemu poprzez "aktorów", a nie "czynniki". Jednakże czynniki na poziomie makro mają bezpośredni wpływ na makro zachowania systemu. Macy i Willer (2002) sugerują, że powrót do czynników na poziomie makro sprawi, że modelowanie oparte na agentach będzie bardziej skuteczne, szczególnie w systemach inteligentnych, takich jak organizacje społeczne. Niedawne badania nad inteligentnymi systemami rozwinęły koncepcję integracji danych, wiedzy i inteligencji pochodzących z ludzi i maszyn. Kirn (1996) postuluje, że organizacja XXI wieku będzie opierać się na systemie opartym na sztucznych agentach, silnie powiązanym z ludzką inteligencją organizacji. Zatem nowym wyzwaniem dla inteligentnego modelowania systemów opartych na agentach jest opracowanie modeli uwzględniających interakcję, agregację i koordynację inteligentnego agenta i agentów ludzkich. ABM będzie reprezentować nie tylko ludzi w inteligentnym systemie, ale także inteligentnych agentów opracowywanych w rzeczywistych zastosowaniach w tych systemach.

WNIOSEK

Modelowanie inteligentnych systemów obejmujących wiele inteligentnych graczy przy użyciu tradycyjnych podejść było trudne. Dokonaliśmy przeglądu ostatnich osiągnięć w modelowaniu agentowym i sugerujemy, że modelowanie agentowe dobrze nadaje się do badania inteligentnych systemów, szczególnie tych, których uczestnicy są wyrafinowani i heterogeniczni. Modelowanie agentowe pozwala nam modelować zachowania systemu w oparciu o działania i interakcje poszczególnych osób w systemie. Chociaż większość badań ABM koncentruje się na lokalnych zasadach i zachowaniach, możliwe jest, że w modelach uwzględnimy wpływy globalne. ABM reprezentuje nowatorskie podejście do modelowania inteligentnych systemów. W połączeniu z tradycyjnymi podejściami do modelowania (na przykład symulacją mikropoziomu zaproponowaną w MoSeS), ABM oferuje naukowcom obiecujące narzędzie do rozwiązywania złożonych i praktycznych problemów oraz poszerzania wysiłków badawczych .