هوش مصنوعی توزیع شده یا Distributed Artificial Intelligence (DAI) که هوش مصنوعی نامتمرکز هم نامیده میشود، گرایشی 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.
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 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.
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.
چالش ها
چالش های AI توزیع یافته شامل موارد زیر است:
- چگونگی ایجاد ارتباط و تعامل عامل ها و استفاده از کدام زبان یا پروتکل ارتباطی.
- چگونگی تضمین انسجام عامل ها.
- چگونگی ساخت نتایج میان گروه “عامل های هوشمند” با فرمولاسیون، توصیف، تجزیه و تخصیص.
ارتباط با ما: ۰۵۱۴۲۶۱۶۲۸۳ _ ۰۹۱۵۰۶۲۰۰۶۴