Miesiąc: sierpień 2022

W realistycznej domenie aplikacji wiedza zajmuje kluczową pozycję dla wykazywania inteligentnych zachowań u agentów AI. W sztucznej inteligencji agent może działać dokładnie, jeśli ma doświadczenie z danymi wejściowymi lub pewną wiedzę na temat danych wejściowych. Na przykład jest jeden decydent który wykorzystuje wiedzę i odpowiednio działa, wyczuwając swoje otoczenie. Jeśli wcześniejsza wiedza nie jest obecna, to nie może działać dokładnie. W nadchodzących latach prawdopodobnie będziemy mieli bardzo dużą ilość KB, która składa się z informacji, danych i wiedzy, która przyniesie korzyści różnym branżom. Znaczenie analizy danych i tekstu rośnie z dnia na dzień. Dzięki dużej liczbie internetowych baz danych i nadchodzącemu oprogramowaniu KB, sztuczna inteligencja i zarządzanie wiedzą zyskują na popularności. Ale jest jedno główne wyzwanie, a mianowicie obecność nieustrukturyzowanych danych. W niedalekiej przyszłości organizacje będą miały mnożenie się zarówno danych ustrukturyzowanych, jak i nieustrukturyzowanych. To zmusza ludzkość do odkrywania ścieżek, które odkrywają wiedzę z różnych zasobów. W tego rodzaju scenariuszach brane są pod uwagę takie dziedziny jak big data. Obliczenia kognitywne (CC) to ważne narzędzie do wydobywania informacji z Big Data.

Ta analiza mówi nam, że jeśli nie zostaną nałożone żadne ograniczenia na liczbę rund, to będzie nieskończona liczba równowag Nasha. Dodajmy więc założenie:

Dla dowolnego wyniku x i czasów t₁ i t₂, gdzie t₁ < t₂, obaj agenci woleliby wynik x w chwili t₁ od wyniku x w chwili t₂.

Innymi słowy, agenci są niecierpliwi. Standardowym podejściem do zniecierpliwienia jest zastosowanie współczynnika dyskontowego dla każdego agenta (0 ≤ < 1). Załóżmy, że w pewnym momencie agent negocjacyjny i otrzymuje propozycję kawałka tortu o rozmiarze x. Wartość wycinka x w czasie t to . Zatem na pierwszym etapie negocjacji (czas 0) wartość wynosi  a w każdym kolejnym momencie wartość tej samej oferty będzie mniejsza. Większa wartość dla (bliższa 1) implikuje zatem więcej cierpliwości; mniejsza wartość oznacza mniej cierpliwości. Aby przeanalizować ogólny przypadek, rozważmy najpierw negocjacje w ustalonych okresach, jak powyżej. Przypadek 1-rundowy ma taką samą analizę, jak podana powyżej: po prostu mamy grę ultimatum. Po dwóch rundach sytuacja się zmienia, ponieważ wartość tortu zmniejsza się zgodnie z czynnikami dyskontowymi Załóżmy, że A₂ odrzuca początkową propozycję A₁. Wtedy A₂ otrzyma całe ciasto z ultimatum w drugiej rundzie. Ale wartość całego ciasta spadła: jest tylko warta do A₂. Agent A₁ może wziąć ten fakt pod uwagę, oferując ofertę, którą A₂ może równie dobrze przyjąć, ponieważ A₂ nie może w tym momencie zrobić nic lepszego niż . Jeśli martwisz się, co dzieje się z remisami, po prostu złóż ofertę dla pewnej małej wartości .) Zatem dwie strategie oferowania A_{1 i A2 akceptowania tej oferty są w równowadze Nasha. Cierpli gracze (ci z większym )}

będą mogli uzyskać większe kawałki tortu zgodnie z tym protokołem: w tym ustawieniu cierpliwość naprawdę jest cnotą. Rozważmy teraz ogólny przypadek, w którym nie ma ograniczeń co do liczby rund. Podobnie jak w przypadku 1 rundy, A₁ może stworzyć propozycję, którą A₂ powinien zaakceptować, ponieważ daje to A₂ maksymalną możliwą do osiągnięcia kwotę, biorąc pod uwagę współczynniki dyskontowe. Okazuje się, że dostanie A₁ 

a A₂ otrzyma resztę.