Miesiąc: sierpień 2022

• Kluczowe atrybuty: Niektóre podstawowe atrybuty występują prawie w każdej dziedzinie problemowej.
• Związek między atrybutami: Związek między atrybutami i przedmiotami powinien być bardzo jasny i możliwy do przedstawienia.
• Wybór granulacji: Ilość szczegółowej wiedzy wymaganej do przedstawienia jest również bardzo ważna, dlatego poziom granularności odgrywa bardzo ważną rolę i jest jednym z trudnych zagadnień w KR.
• Zbiór obiektów: Prawidłowa reprezentacja zbioru obiektów jest również bardzo ważna. Jeśli zbiór obiektów nie jest jasno określony, to reprezentowana wiedza będzie częściowo i ponad wszystko wpływa na rozwiązywanie problemów .
• Wybór odpowiedniej struktury: Wszystkie przechowywane informacje stanowią ogromną ilość danych, więc dostęp do odpowiednich informacji jest utrudniony

Spektrum reprezentacji – atomowe, podzielone na czynniki i ustrukturyzowane – jest stałym tematem w sztucznej inteligencji. W przypadku modeli deterministycznych algorytmy wyszukiwania zakładają tylko reprezentację atomową; CSP i logika zdań zapewniają reprezentacje na czynniki; a logika pierwszego rzędu i systemy planowania wykorzystują ustrukturyzowane reprezentacje. Moc ekspresji, jaką dają ustrukturyzowane reprezentacje, daje modele, które są znacznie bardziej zwięzłe niż równoważne opisy faktorowe lub atomowe. W przypadku modeli probabilistycznych sieci bayesowskie  są reprezentacjami czynnikowymi: zbiór zmiennych losowych jest stały i skończony, a każda z nich ma ustalony zakres możliwych wartości. Fakt ten ogranicza stosowalność sieci bayesowskich, ponieważ reprezentacja sieci bayesowskiej dla domeny złożonej jest po prostu zbyt duża. Sprawia to, że ręczne konstruowanie takich reprezentacji jest niewykonalne i niemożliwe jest nauczenie się ich na podstawie jakiejkolwiek rozsądnej ilości danych. Problem stworzenia wyrazistego języka formalnego dla informacji probabilistycznych obciążył niektóre z największych umysłów w historii, w tym Gottfrieda Leibniza (współtwórcę rachunku różniczkowego), Jacoba Bernoulliego (odkrywcę e, rachunku wariacyjnego i Prawa Numbers), Augustus De Morgan, George Boole, Charles Sanders Peirce (jeden z głównych logików XIX wieku), John Maynard Keynes (czołowy ekonomista XX wieku wieku) oraz Rudolf Carnap (jeden z największych filozofów analitycznych XX wieku). Problem ten opierał się tym i wielu innym wysiłkom aż do lat 90. XX wieku. Częściowo dzięki rozwojowi sieci bayesowskich istnieją obecnie matematycznie eleganckie i niezwykle praktyczne języki formalne, które umożliwiają tworzenie modeli probabilistycznych dla bardzo złożonych dziedzin. Języki te są uniwersalne w tym samym sensie, w jakim maszyny Turinga są uniwersalne: mogą reprezentować dowolny obliczalny model prawdopodobieństwa, tak jak maszyny Turinga mogą reprezentować dowolną obliczalną funkcję. Ponadto języki te są wyposażone w algorytmy wnioskowania ogólnego przeznaczenia, z grubsza analogiczne do dźwięku i pełne algorytmy wnioskowania logicznego, takie jak rozdzielczość. Istnieją dwie drogi wprowadzenia siły wyrazu do teorii prawdopodobieństwa. Pierwszym z nich jest logika: wymyślenie języka, który definiuje prawdopodobieństwa na światach możliwych pierwszego rzędu, a nie na możliwych światach zdaniowych sieci Bayesa. Trasa ta dotyczy konkretnego przypadku wnioskowania w czasie. Druga droga prowadzi przez tradycyjne języki programowania: wprowadzamy elementy stochastyczne – na przykład losowe wybory – do takich języków i postrzegamy programy jako definiujące rozkłady prawdopodobieństwa na ich własnych śladach wykonania. Obie drogi prowadzą do probabilistycznego języka programowania (PPL). Pierwsza droga prowadzi do deklaratywnych PPL, które mają mniej więcej taki sam związek z ogólnymi PPL, jak programowanie logiczne  z ogólnymi językami programowania.

W dzisiejszym świecie ludzie używają komputerów na co dzień, aby rozwiązać coraz bardziej złożony problem. Interakcja między człowiekiem a komputerem rośnie bardzo szybko, co umożliwia wymianę informacji. Oba trendy wymagają od komputera wykorzystania ogromnej ilości wiedzy. Naukowcy zajmujący się sztuczną inteligencją badają, w jaki sposób wiedzę można łatwo wyrazić w systemie komputerowym. Istnieją cztery główne techniki KR, takie jak reprezentacja logiczna (LR), sieć semantyczna (Snet), rama i reguły produkcji.

• Reprezentacja logiczna: Jest to język mający pewne specyficzne reguły, które daje wraz z propozycjami. Oznacza wyciąganie wniosku na podstawie kilku warunków i zawiera dokładnie określoną składnię i semantykę, które wspierają wnioskowanie. Ta reprezentacja jest podzielona na dwie podkategorie: logikę zdań i logikę predykatów. Każde zdanie można przetłumaczyć na logikę za pomocą składni i semantyki. Składnia to reguły, które pomagają w konstruowaniu zdań prawnych w logice, a także określają, który symbol ma być użyty w reprezentacji wiedzy. Semantyka jest regułą, dzięki której interpretacja zdania w logice może być wykonana. Każdemu zdaniu przypisują znaczenie.
• Sieci semantyczne: są również ważną techniką reprezentacji wiedzy i stanowią alternatywę dla logiki predykatów. W tej technice wiedza może być reprezentowana w postaci sieci graficznych. Technika ta składa się z węzłów reprezentujących obiekty i łuków opisujących relacje między obiektami [3, 10, 32, 34]. Ta sieć jest łatwa do zrozumienia i rozszerzalna. Ta reprezentacja składa się głównie z dwóch typów relacji: (a) relacja IS-A (dziedziczenie) oraz (b) rodzaj relacji, w którym wiedza jest reprezentowana jako węzły i łuki. Każdy obiekt jest połączony z innym obiektem jakąś relacją.
• Ramki: Jest to baza danych, która składa się z atrybutów wraz z odpowiadającymi im wartościami opisującymi obiekt w świecie rzeczywistym. Zawiera kolekcję slotów i skojarzonych z nimi wartości, które są znane jako aspekty. Technika ta składa się z różnej liczby szczelin, a szczelina może zawierać dowolną liczbę ścianek [1–3, 31]. Może mieć dowolną liczbę wartości, jak pokazano na rysunku 2.7. Ramki są również znane jako „reprezentacja wiedzy z filtrem szczelinowym” i wywodzą się z sieci semantycznej. W tym przypadku wiedza o dowolnym obiekcie lub dowolnym zdarzeniu jest przechowywana w bazie wiedzy (KB).
• System reguł produkcji: Ten system składa się z pary warunków i akcji, co oznacza „Jeśli warunek, to akcja”. System ten składa się z trzech ważnych części: (1) zestawu reguł produkcji, (2) pamięci roboczej oraz (3) cyklu rozpoznawania aktów. W tym systemie agent AI sprawdza warunek, a jeśli stanie się spełniony, to tylko reguła zostanie odpalona i zostanie wykonana odpowiednia akcja. Następnie część warunku reguły sprawdza, która reguła ma być zastosowana do konkretnego problemu, a z drugiej strony część akcyjna składa się z kroków rozwiązywania problemu; proces ten jest znany jako cykl rozpoznawania aktów [1–3]. Pamięć robocza składa się z istniejącego stanu rozwiązywania problemów i reguł.

Ta wiedza pasuje i może odpalić inne zasady. W przypadku wygenerowania nowego stanu, jednocześnie zostanie uruchomiona więcej niż jedna reguła, co jest znane jako „zestaw konfliktów”. Teraz agent może wybrać regułę z istniejącego stanu, znanego jako „rozwiązywanie konfliktów”

• Planowanie wieloagentowe jest konieczne, gdy w środowisku są inni agenci, z którymi można współpracować lub konkurować. Można tworzyć wspólne plany, ale muszą być one rozszerzone o jakąś formę koordynacji, jeśli dwóch agentów ma uzgodnić, który wspólny plan wykonać.
• Teoria gier opisuje racjonalne zachowanie agentów w sytuacjach, w których oddziałuje wielu agentów. Teoria gier ma się do podejmowania decyzji z udziałem wielu podmiotów, tak jak teoria decyzji do podejmowania decyzji z jednym podmiotem.
• Koncepcje rozwiązań w teorii gier mają na celu scharakteryzowanie racjonalnych wyników gry – wyników, które mogłyby wystąpić, gdyby każdy podmiot działał racjonalnie.
• Teoria gier niekooperacyjnych zakłada, że ​​agenci muszą podejmować decyzje niezależnie. Równowaga Nasha jest najważniejszą koncepcją rozwiązania w niekooperacyjnej teorii gier. Równowaga Nasha to profil strategii, w którym żaden agent nie ma motywacji do odstąpienia od określonej strategii. Mamy techniki radzenia sobie z powtarzającymi się grami i grami sekwencyjnymi.
• Teoria gier kooperacyjnych uwzględnia warunki, w których agenci mogą zawierać wiążące porozumienia, tworząc koalicje w celu współpracy. Koncepcje rozwiązań w grze kooperacyjnej próbują sformułować, które koalicje są stabilne (rdzeń) i jak sprawiedliwie podzielić wartość, którą uzyskuje koalicja (wartość Shapleya).
• Dostępne są specjalistyczne techniki dla pewnych ważnych klas decyzji wieloagentowych: sieć kontraktowa do dzielenia się zadaniami; aukcje służą do efektywnej alokacji ograniczonych zasobów; negocjacje w celu osiągnięcia porozumień w sprawach będących przedmiotem wspólnego zainteresowania; oraz procedury głosowania w celu agregowania preferencji.

W tej sekcji przedstawiono niektóre ogólne wymagania dotyczące systemu KR, a także szczegółowo omówiono wymagania. System KR to kompletny pakiet zawierający język KR zawierający semantykę i składnię. Po drugie, silnik wnioskowania jest używany do wnioskowania z określoną reprezentacją zakodowaną w LISP lub prologu, aby odpowiedzieć [3, 10]. Istnieje jedno środowisko programistyczne KB, które zawiera niektóre narzędzia do edycji, w tym narzędzia do edycji wiedzy i debugowania. Dobry system KR musi mieć następujące cechy:

• Dokładność: System musi posiadać zdolność do reprezentowania wszelkiego rodzaju wymaganej wiedzy.
• Efektywność przyswajania: Jest to zdolność do pozyskania nowej wiedzy ze starej.
• Przejrzystość semantyczna: system powinien mieć dobrze zdefiniowaną semantykę.
• Skalowalność: wydajność systemu nie powinna się obniżać, jeśli KB staje się duża i powinna zająć mniej czasu odpowiedzi.
• Ekspresyjność: Język KB powinien być wyrazisty i łatwy do zrozumienia dla inżyniera wiedzy.
• Naturalność: Reprezentacja językowa powinna być przyjazna systemowi, aby osoba posiadająca wiedzę mogła wyrazić swoje wymagania w naturalny sposób.
• Obsługa wprowadzania wiedzy: Baza wiedzy powinna reagować na niespójności w danych wprowadzonych przez inżyniera i na początku powinno być wprowadzone ograniczenie uniemożliwiające inżynierowi z bazy wiedzy wprowadzanie danych. Pomaga również inżynierowi wiedzy przeprowadzać debugowanie lub korygować reguły w przypadku wystąpienia niespójności.
• Interfejs systemu obcego: System powinien być w stanie połączyć się z innym systemem lub siecią WWW (www).
• Grafika: Powinien mieć przyjazny dla użytkownika edytor graficzny do wprowadzania danych, przeglądania danych i stosowania wiedzy.
• Solidność: System powinien być wolny od błędów i błędów.
• Przenośność: system powinien być łatwo przenośny na różnych platformach.
• Dokumentacja: System powinien być dobrze udokumentowany.
• Koszt: system powinien być tańszy

Jak dotąd nie powiedzieliśmy nic o tym, jak uczestnicy negocjacji mogą lub powinni zachowywać się podczas korzystania z monotonicznego protokołu koncesji dla domen zadaniowych. Jedną z możliwych strategii jest strategia Zeuthen. Ideą strategii Zeuthen jest pomiar gotowości agenta do ryzyka konfliktu. Intuicyjnie agent będzie bardziej skłonny zaryzykować konflikt, jeśli różnica w użyteczności między jego obecną propozycją a porozumieniem w sprawie konfliktu jest niewielka. W takim przypadku agent ma niewiele do stracenia, jeśli negocjacje się nie powiodą, a porozumienie w sprawie konfliktu zostanie wdrożone, a więc jest bardziej skłonny do ryzyka konfliktu i mniej skłonny do poddania się. W przeciwieństwie do tego, jeśli różnica między obecną propozycją agenta a porozumieniem w sprawie konfliktu jest duża, agent ma więcej do stracenia w wyniku konfliktu i dlatego jest mniej skłonny do ryzyka konfliktu – a tym samym bardziej skłonny do poddania się. Gotowość agenta i do podejmowania ryzyka konfliktu w rundzie t, oznaczona jako riskt i , jest mierzona w następujący sposób:

risk^t_i = użyteczność i traci się, poddając się i przyjmując ofertę j / użyteczność, którą tracę, nie poddając się i powodując konflikt

Dopóki nie dojdzie do porozumienia, wartość risk^t_i będzie wynosić od 0 do 1. Wyższe wartości risk^t_i (bliższe 1) wskazują, że i ma mniej do stracenia z powodu konfliktu, a zatem jest bardziej skłonny do ryzyka konfliktu.

Strategia Zeuthen mówi, że pierwsza propozycja każdego agenta powinna być umową w zestawie negocjacyjnym, która maksymalizuje jego użyteczność (może być więcej niż jedna). Następnie agent, który powinien ustąpić w rundzie t negocjacji, powinien być tym, który ma mniejszą wartość ryzyka – ten, który ma najwięcej do stracenia z powodu konfliktu, jeśli żaden z nich się nie poddaje.

Kolejne pytanie, na które należy odpowiedzieć, to ile należy przyznać? Odpowiedź udzielona przez strategię Zeuthen brzmi: „Wystarczy, aby zmienić równowagę ryzyka na drugiego agenta”. Oznacza to, że agent powinien zrobić najmniejsze ustępstwo, które spowoduje, że drugi agent podda się w następnej rundzie. Jest jeszcze jedno ostateczne udoskonalenie strategii Zeuthen. Załóżmy, że w pewnym momencie obaj agenci mają równe ryzyko. Następnie, zgodnie ze strategią, obaj powinni się poddać. Ale wiedząc o tym, jeden agent może potencjalnie „uszkodzić”, nie poddając się, a tym samym czerpać korzyści. Aby uniknąć możliwości poddania się obu stron w tym momencie, rozszerzamy strategię, pozwalając agentom „rzucać monetą”, aby zdecydować, kto powinien się poddać, jeśli kiedykolwiek dojdzie do sytuacji równego ryzyka. Dzięki tej strategii porozumienie będzie optymalne w sensie Pareto i indywidualnie racjonalne. Jednak ponieważ przestrzeń możliwych transakcji jest wykładnicza w liczbie zadań, stosowanie tej strategii może wymagać obliczenia funkcji kosztu O(2^|T|) na każdym etapie negocjacji. Wreszcie strategia Zeuthena (z zasadą rzucania monetą) jest w równowadze Nasha.

W literaturze obecne są różne podejścia do KR, takie jak prosta wiedza relacyjna, wiedza dziedziczna, wiedza proceduralna i wiedza wnioskowa. Wiedza relacyjna jest uważana za najprostszy sposób przechowywania faktów, a każdy fakt dotyczący zbioru obiektów jest przechowywany w kolumnie w uporządkowanej kolejności. W metodzie wiedzy dziedzicznej dane są przechowywane w sposób hierarchiczny, a do reprezentowania obiektów używane są strzałki i związane z nimi wartości. W tym podejściu stosuje się podejście uogólnione lub hierarchiczne oraz stosuje się koncepcję dziedziczenia, co oznacza, że ​​elementy mogą dziedziczyć wartości od innych członków klasy [10]. To podejście składa się z dziedzicznej wiedzy, która pokazuje połączenie między klasą a instancją, znane jako relacja instancji. Każda ramka reprezentuje grupę atrybutów i ich wartość. Wiedza inferencyjna przedstawia wiedzę w postaci dobrze sformułowanych formuł (wff) i logiki. Ta metoda gwarantuje poprawność w porównaniu z innymi metodami, a także służy do wyprowadzania większej liczby faktów, takich jak reprezentowane w Równaniu.

Rozważmy następujące stwierdzenia:

• „Daphne jest damą”
• „Wszystkie panie są śmiertelne”

Z powyższych zestawień można wygenerować nowe zestawienie:

W przypadku wiedzy proceduralnej używa się małych programów lub fragmentów kodu, które opisują, jak postępować z konkretnymi rzeczami. W tym podejściu stosowana jest reguła If-Then, a kodowanie może być wykonane przy użyciu LISP i języka programowania prolog. Dzięki temu podejściu można łatwo przedstawić heurystyczną lub specyficzną dla domeny wiedzę.

Protokół negocjacji, który rozważamy dla domen zadaniowych, jest znany jako protokół koncesji monotonicznych. Zasady tego protokołu są następujące. protokół koncesyjny

• Negocjacje toczą się w serii rund.
• W pierwszej rundzie obaj agenci jednocześnie proponują umowę, D_i = (T₁,T₂), z zestawu negocjacyjnego. (Różni się to od naprzemiennych ofert, które widzieliśmy wcześniej.)
• Porozumienie zostaje osiągnięte, gdy dwaj agenci zaproponują rozdanie odpowiednio D₁ i D₂, tak że albo (i) U₁(D₂) ≥ U1(D1) albo (ii) U₂(D₁) ≥ U₂(D₂), to znaczy jeden z agentów stwierdza, że ​​oferta zaproponowana przez drugiego jest co najmniej tak samo dobra lub lepsza niż propozycja, którą złożył. W przypadku osiągnięcia porozumienia zasada określania umowy jest następująca: Jeśli oferta każdego agenta jest zgodna lub wyższa od oferty innego agenta, wówczas jedna z propozycji jest wybierana losowo. Jeśli tylko jedna propozycja przekracza lub odpowiada propozycji drugiej, to jest to umowa.
• Jeśli nie zostanie osiągnięte porozumienie, negocjacje przechodzą do kolejnej rundy równoczesnych propozycji. W rundzie t +1 każdy agent musi albo powtórzyć propozycję z poprzedniej rundy, albo zrobić ustępstwo – propozycję, która jest bardziej preferowana przez drugiego agenta (tj. ma wyższą użyteczność).
• Jeśli żaden z agentów nie ustąpi, negocjacje się kończą, a obaj agenci realizują porozumienie w sprawie konfliktu, wykonując zadania, które zostały im pierwotnie przydzielone.

Ponieważ zestaw możliwych umów jest ograniczony, agenci nie mogą negocjować w nieskończoność: albo agenci dojdą do porozumienia, albo nastąpi runda, w której żaden z agentów się nie podda. Protokół nie gwarantuje jednak, że porozumienie zostanie osiągnięte szybko: ponieważ liczba możliwych transakcji wynosi O(2^|T|), można sobie wyobrazić, że negocjacje będą trwały przez kilka rund wykładniczych pod względem liczby zadań do przydzielenia.

W systemie AI istnieje pięć głównych elementów zaangażowanych w wyświetlanie inteligentnego zachowania: percepcja, uczenie się, KRR, planowanie i wykonanie. Podana liczba przedstawia KRR jako główny składnik. Interakcja świata rzeczywistego i jego komponentów pomaga maszynie wyświetlać inteligencję. Używając percepcji, pozyskuje informacje z otoczenia, które mogą być wizualne, dźwiękowe lub jakąkolwiek inną formą bodźców zmysłowych. Po drugie, składnik uczenia się (LC) jest odpowiedzialny za uczenie się na podstawie danych zebranych przez percepcję. W tym cyklu głównym elementem jest KRR. Te komponenty są również zaangażowane w reprezentowanie ludzkiej inteligencji w maszynach i chociaż są niezależne od siebie, są również zintegrowane jednocześnie. W tym przypadku zarówno projektowanie, jak i wdrażanie AI zależy od analizy KRR.

W tej sekcji rozważymy negocjowanie domen zadaniowych. W takiej domenie należy wykonać zestaw zadań, a każde zadanie jest początkowo przypisane do zestawu agentów. Agenci mogą odnieść korzyści, negocjując, kto będzie wykonywał jakie zadania. Załóżmy na przykład, że niektóre zadania są wykonywane na tokarce, a inne na frezarce, a każdy agent korzystający z maszyny musi ponieść znaczne koszty konfiguracji. Wtedy sensowne byłoby, gdyby jeden agent zaproponował drugiemu: „I tak muszę ustawić na frezarce; co powiesz na to, że ja wykonam wszystkie twoje zadania związane z frezowaniem, a ty wykonasz wszystkie moje zadania na tokarce? W przeciwieństwie do scenariusza negocjacyjnego, zaczynamy od alokacji wstępnej, więc jeśli agenci nie dojdą do porozumienia, wykonują zadania T⁰_i, które im pierwotnie przydzielono. Aby uprościć sprawę, ponownie założymy tylko dwóch agentów. Niech T będzie zbiorem wszystkich zadań i niech (T⁰₁ ;T⁰₂ ) oznacza początkowy przydział zadań dwóm agentom w czasie 0. Każde zadanie w T musi być przypisane dokładnie jednemu agentowi. Zakładamy, że mamy funkcję kosztu c, która dla każdego zbioru zadań T’ daje dodatnią liczbę rzeczywistą c(T’) wskazującą na koszt dowolnego agenta wykonania zadań T’. (Załóżmy, że koszt zależy tylko od zadań, a nie od agenta wykonującego zadanie.) Funkcja kosztu jest monotoniczna – dodawanie kolejnych zadań nigdy nie zmniejsza kosztów — a koszt nierobienia niczego wynosi zero: c({}) = 0. Dla przykładu załóżmy, że koszt ustawienia frezarki wynosi 10, a każde zadanie frezowania kosztuje 1, wtedy koszt zestawu dwóch zadań frezowania wyniesie 12, a koszt zestawu pięciu to 15. Oferta postaci (T_1,T₂) oznacza, że ​​agent i jest zobowiązany do wykonania zbioru zadań T_i, kosztem c(T_i). Użyteczność dla agenta i to kwota, którą muszą zyskać na zaakceptowaniu oferty – różnica między kosztem wykonania tego nowego zestawu zadań a pierwotnie przydzielonym zestawem zadań:

U_i((T₁,T₂)) = c(T_i)-c(T⁰_i):

Oferta (T₁,T₂) jest indywidualnie racjonalna, jeśli U_i((T_{1 ,}T₂)) ≥ 0 dla obu agentów. Jeśli transakcja nie jest indywidualnie racjonalna indywidualnie, wtedy przynajmniej jeden agent może zrobić lepiej, po prostu wykonując zadania, które zostało pierwotnie przydzielone. Zbiór negocjacyjny dla dziedzin zadaniowych (przy założeniu racjonalnych podmiotów) to zbiór ofert zarówno indywidualnie racjonalnych, jak i optymalnych w sensie Pareto. Nie ma sensu składanie indywidualnie irracjonalnej oferty, która zostanie odrzucona, ani składanie oferty, gdy istnieje lepsza oferta, która poprawia użyteczność jednego agenta, nie krzywdząc nikogo innego.