هوش مصنوعی توزیع شده یا Distributed Artificial Intelligence (DAI) که هوش مصنوعی نامتمرکز هم نامیده میشود، گرایشی از از تحقیقات هوش مصنوعی است که به توسعه راه حل های توزیع یافته برای مسائل، اختصاص یافته است. DAI ارتباط نزدیکی با سیستم های چندعاملی دارد و پیش زمینه آن است.

تعریف هوش مصنوعی توزیع شده

هوش مصنوعی توزیع شده (DAI) روشی برای حل مسائل یادگیری، برنامه ریزی و تصمیم گیری پیچیده است. این مسئله، موازی کامل (embarrassingly parallel) است و لذا قادر به بهره گیری از رایانش مقیاس بزرگ و توزیع فضایی منابع محاسباتی است. این ویژگی ها به DAI توانایی حل مسائلی را میدهد که نیازمند پردازش مجموعه داده های بسیار بزرگ هستند. سیستم های DAI متشکل از گِرِه (عامل) های پردازش یادگیری خودمختار هستند که معمولاً در مقیاسی بسیار بزرگ، توزیع یافته اند. گره های DAI میتوانند مستقل عمل کنند و پاسخ های جزئی، اغلب بطور غیرهمزمان، به واسطه ارتباط میان گره ها یکپارچه سازی میشوند. سیستم های DAI به واسطه مقیاس خود استوار و مرتجع هستند و بنا به نیاز، با آزادی کوپل میشوند. علاوه بر این، سیستم های DAI به علت بزرگی مقیاس و دشواری تنظیم مجدد، به گونه ای ساخته میشوند که با تغییرات صورت مسئله یا مجموعه داده های اساسی، تطابق پیدا کنند.

سیستم های DAI نیاز ندارند که تمام داده های مرتبط در یک مکان جمع شوند، برخلاف سیستم های هوش مصنوعی مرکزی یا یک تکه (مونولیتیک) که کوپل شدیدی دارند و پردازش گره ها را بطور موضعی مسدود میکنند. بنابراین سیستم های DAI اغلب روی زیرنمونه ها یا اطلاعات آمیحته مجموعه داده های خیلی بزرگ عمل میکنند. به علاوه، مجموعه داده منبع میتواند طی روند اجرای یک سیستم DAI تغییر یا به روزرسانی داشته باشد.

اهداف هوش مصنوعی توزیع شده

اهداف هوش مصنوعی توزیع شده مرتبط با استدلال، طرح ریزی، یادگیری و ادراک مسائل هوش مصنوعی هستند، به ویژه اگر این مسائل با توزیع به گره های پردازش خودمختار، نیازمند مجموعه های داده بزرگ باشند. جهت رسیدن به هدف، DAI نیازمند این موارد است:

• یک سیستم توزیع یافته همراه با رایانش مرتجع و استوار بر منابع نامطمئن و ناموفقی که کوپل آزادی دارند.
• هماهنگی عمل ها و ارتباطات گره ها.
• زیرنمونه هایی از مجموعه های بزرگ داده و یادگیری ماشین برخط (آنلاین).

دلایل زیادی برای مطلوبیت توزیع هوش یا مدیریت با سیستم های چندعاملی وجود دارد. مسائل متداول در تحقیقات DAI شامل موارد زیر است:

• حل مسئله موازی (Parallel problem solving): اغلب با چگونگی اصلاح مفاهیم هوش مصنوعی کلاسیک سروکار دارد، تا سیستم های چندپردازشگری و کامپیوترهای خوشه ای را بتوان برای تسریع محاسبه استفاده کرد.
• حل مسئله توزیع یافته – Distributed problem solving (DPS): مفهوم عامل، که عبارت است از نهادهای خودمختاری که میتوانند با یکدیگر ارتباط داشته باشند، به منظور ایجاد مفهومی انتزاعی جهت توسعه سیستم های DPS ساخته شد. برای جزییات بیشر مطالب زیر را دنبال کنید.
•  شبیه سازی مبتنی بر چندعاملی Multi-Agent Based Simulation (MABS): شاخه ای از DAI که مبنای شبیه سازی های مورد نیاز جهت تحلیل پدیده ها را نه تنها در سطح کلان بلکه در سطح خرد تولید میکند، همانطور که در بسیاری از سناریوهای شبیه سازی اجتماعی اینگونه است.

تاریخچه هوش مصنوعی توزیع شده

درسال 1975 هوش مصنوعی توزیع شده به عنوان گرایشی از هوش مصنوعی که با تعاملات عامل های هوشمند سروکار داشت ظهور کرد. سیستم های هوش مصنوعی توزیع یافته به عنوان گروهی از نهادهای هوشمند، به نام عامل، پنداشته شدند که به واسطه همکاری، همزیستی یا رقابت باهم تعامل داشتند. DAI به سیستم های چندعاملی و حل مسئله توزیع یافته طبقه بندی شده است. در سیستم های چندعاملی تمرکز اصلی بر چگونگی هماهنگی دانش و فعالیت های عامل هاست. برای حل مسئله توزیع یافته تمرکز اصلی بر چگونگی تجزیه مسئله و ساخت جواب ها است.

نمونه ها

سیستم های چندعاملی و حل مسئله توزیع یافته دو روش اصلی DAI هستند. ابزار و کاربردهای فراوانی برای آنها وجود دارند.

روش ها

دو نوع DAI ظهور داشته اند:

• در سیستم های چندعاملی، عامل ها دانش و فعالیت خود را هماهنگ میکنند و درباره فرایندهای هماهنگ سازی استدلال میکنند. عامل ها، نهاد هایی فیزیکی یا مجازی هستند که میتوانند عمل کنند، محیط خود را درک کنند و با سایر عامل ها ارتباط داشته باشند. عامل، خودمختار است و برای رسیدن به اهداف، دارای مهارت است. عامل ها وضع محیط را با عمل های خود دگرگون میکنند. تعدادی تکنیک متفاوت برای هماهنگ سازی وجود دارد.
• در حل مسئله توزیع یافته، کار میان گره ها تقسیم میشود و دانش به اشتراک گذاشته میشود. نگرانی های اصلی، تجزیه کار و ساخت دانش و راه حل است.

DAI میتواند هم روش پایین به بالا را روی AI اِعمال کند، شبیه معماری زیرفرضی (subsumption architecture) و هم روش سنتی بالا به پایین AI را استفاده کند. به علاوه، DAI میتواند وسیله ای برای ظهور (emergence) باشد.

کاربردهای هوش مصنوعی توزیع شده

زمینه های کاربردی DA شامل موارد زیر است:

• تجارت الکترونیک، مثلاً برای استراتژی های تجاری، سیستم DAI قواعد تجارت مالی را از زیرمثال هایی از مثال های خیلی بزرگ داده های مالی، یاد میگیرد.
• شبکه ها، مثلاً در مخابرات، سیستم DAI منابع همکارانه را در یک شبکه WLAN کنترل میکند .
• مسیریابی، مثلاً مدلسازی حرکت وسایل نقلیه در شبکه های حمل و نقل
• برنامه ریزی، مثلاً برنامه ریزی جریان کارگاهی که در آن نهاد مدیریت منبع، بهینه سازی و همکاری موضعی را جهت سازگاری موضعی و سراسری تضمین میکند.
• سیستم های چندعاملی، مثلاً زندگی مصنوعی، مطالعه زندگی شبیه سازی شده.
• سیستم های توان الکتریکی، مثلاً سیستم چندعاملی نظارتی Condition (یا COMMAS) که در نظارت شرایط مبدل استفاده میشود، و سیستم بازیابی خودکار IntelliTEAM II.

ابزارها

ECStar، یک سیستم یادگیری قاعده مند توزیع یافته.

عامل ها و سیستم های چندعاملی (Agents and Multi-agent systems)

مفهوم عامل ها: عامل ها را میتوان به عنوان نهادهای مجزا با رابط ها و مرزهای استاندارد طراحی شده جهت حل مسئله توصیف کرد.

مفهوم سیستم های چندعاملی: سیستم چندعاملی به عنوان شبکه ای از عامل ها با کوپل آزاد تعریف میشود که برای حل مسئله ای که یک عامل منفرد قادر به حل آن نیست، به عنوان نهادی واحد مثل یک جامعه کار میکنند.

عامل های نرم افزاری

مفهوم کلیدی مورد استفاده در DPS و MABS، مفهومی انتزاعی به نام عامل های نرم افزاری است. عامل، یک نهاد خودمختار مجازی (یا فیزیکی) است که از محیط خود، درک دارد و بر اساس آن عمل میکند. یک عامل معمولاً قادر به ارتباط با سایر عامل ها در یک سیستم جهت دستیابی به هدفی مشترک است که یک عامل به تنهایی قادر به انجام آن نیست. این سیستم ارتباطی از یک زبان ارتباط عاملی استفاده میکند.

یک طبقه بندی اولیه مفید، این است که عامل ها را به دسته های زیر تقسیم کنیم:

• عامل انفعالی – یک عامل واکنشی یا انفعالی چیزی بیشتر از یک اتوماتون نیست که ورودی را دریافت میکند، آن را پردازش میکند و یک خروجی تولید میکند.
• عامل متفکر – برعکس، یک عامل متفکر باید نگرشی درونی از محیط خود داشته باشد و قادر باشد نقشه های خود را دنبال کند.
• عامل ترکیبی – یک عامل ترکیبی، مخلوطی از انفعالی و متفکر است که نقشه های خود را دنبال میکند اما گاهی اوقات به رویدادهای بیرونی، مستقیماً و بدون تفکر عکس العمل نشان میدهد.

معماری های عاملی شناخته شده ای که ساختار درونی عامل را توصیف میکنند، عبارت اند از:

• ASMO – (ظهور مدول های توزیع یافته) – emergence of distributed modules
•  BDI (باور-خواسته-نیت، یک معماری کلی که چگونگی ایجاد نقشه ها را توصیف میکند) – Believe Desire Intention, a general architecture that describes how plans are made
• InterRAP (یک معماری سه لایه ای، متشکل از یک لایه انفعالی، یک لایه متفکر و یک لایه اجتماعی) – A three-layer architecture, with a reactive, a deliberative and a social layer
• PECS (فیزیک، احساس، شناخت، اجتماع – توصیف میکند که این چهار قسمت چگونه رفتار عامل ها را تحت تاثیر قرار میدهند) – Physics, Emotion, Cognition, Social, describes how those four parts influences the agents behavior
• Soar (یک روش قاعده مند) – a rule-based approach

چالش ها

چالش های AI توزیع یافته شامل موارد زیر است:

1. چگونگی ایجاد ارتباط و تعامل عامل ها و استفاده از کدام زبان یا پروتکل ارتباطی.
2. چگونگی تضمین انسجام عامل ها.
3. چگونگی ساخت نتایج میان گروه “عامل های هوشمند” با فرمولاسیون، توصیف، تجزیه و تخصیص.