Intelligente agenter
Intelligent agenter kan være enhver enhed eller objekt som mennesker, software, maskiner. Disse agenter er i stand til at træffe beslutninger baseret på de input, den modtager fra miljøet ved hjælp af dens sensorer og handlinger på miljøet ved hjælp af aktuatorer. AI-aktiverede agenter indsamler input fra miljøet ved at bruge sensorer som kameraer, mikrofon eller andre sensorenheder. Agenterne udfører noget realtidsberegning på input og leverer output ved hjælp af aktuatorer som skærm eller højttaler. Disse agenter har evner som problemløsning i realtid, analyse af fejl eller succesrate og hentning af oplysninger.
Tre former for intelligent agent
Intelligent Agent kan komme i en hvilken som helst af de tre former, såsom: -
- Menneske-agent
- Robot agent
- Software Agent
Disse tre former er beskrevet nedenfor:
Human-Agent: En Human-Agent bruger øjne, næse, tunge og andre sanseorganer som sensorer til at opfatte information fra miljøet og bruger lemmer og vokalstrakt som aktuatorer til at udføre en handling baseret på informationen
Robotagent : Robotikagent bruger kameraer og infrarøde radarer som sensorer til at registrere information fra miljøet, og det bruger refleksmotorer som aktuatorer til at levere output tilbage til miljøet.
Software Agent: Software Agent bruger tastaturstrøg, lydkommandoer som input sensorer og display skærm som aktuatorer.
For eksempel - AI-baserede smarte assistenter som Siri, Alexa. De bruger stemmesensorer til at modtage en anmodning fra brugeren og søge efter relevant information i sekundære kilder uden menneskelig indgriben og aktuatorer som dets stemmeforhold eller tekstmodul-relæinformation til miljøet.
Typer og regler for intelligente agenter
Disse agenter er klassificeret i fem typer på grundlag af deres kapacitetsområde og omfang af intelligens
1. Enkle refleksmidler
De er den grundlæggende form for agenter og fungerer kun i den aktuelle tilstand. De har meget lav efterretningsevne, da de ikke har evnen til at gemme tidligere tilstand. Denne type agenter reagerer på begivenheder baseret på foruddefinerede regler, der er forprogrammeret. De fungerer kun godt, når miljøet er fuldt observerbart. Disse agenter er kun nyttige i et begrænset antal tilfælde, noget som en smart termostat. simple refleksagenter har en statisk tabel, hvorfra de henter alle de foruddefinerede regler for udførelse af en handling.
2. Modelbaserede agenter
Det er en avanceret version af Simple Reflex-agenten. Ligesom Simple Reflex Agents kan den også reagere på begivenheder, der er baseret på de foruddefinerede betingelser, derudover har den også evnen til at gemme den interne tilstand (tidligere oplysninger) baseret på tidligere begivenheder. Modelbaserede agenter opdaterer den interne tilstand ved hvert trin. Disse interne stater hjælper agenter med at håndtere det delvist observerbare miljø. For at udføre en handling afhænger det af både intern tilstand og nuværende opfattelse. Imidlertid er det næsten næsten umuligt at finde den nøjagtige tilstand, når man beskæftiger sig med et delvist observerbart miljø.
3. Målbaserede agenter
Handlingen truffet af disse agenter afhænger af afstanden fra deres mål (Ønsket situation). Handlingerne er beregnet til at reducere afstanden mellem den aktuelle tilstand og den ønskede tilstand. For at nå sit mål bruger den søge- og planlægningsalgoritmen. En ulempe ved målbaserede agenter er, at de ikke altid vælger den mest optimerede sti for at nå det endelige mål. Dette underskud kan overvindes ved hjælp af Utility Agent beskrevet nedenfor.
4. Hjælpemidler
Handlingen truffet af disse agenter afhænger af slutmålet, så de kaldes Utility Agent. Hjælpemidler bruges, når der er flere løsninger på et problem, og det bedst mulige alternativ skal vælges. Det valgte alternativ er baseret på hver stats hjælp. De udfører en omkostnings-fordel-analyse af hver løsning og vælger den, der kan nå målet med mindstepriser.
5. Læringsagenter
Læringsagenter har indlæringsevner, så de kan lære af deres tidligere erfaringer. Disse typer agenter kan starte fra bunden og kan med tiden få betydelig viden fra deres miljø. Læringsagenterne har fire hovedkomponenter, der sætter den i stand til at lære af sin tidligere erfaring.
- Kritiker : Kritikeren vurderer, hvor godt agenten presterer i forhold til den faste performance-benchmark.
- Læringselementer: Det tager input fra kritikeren og hjælper Agent med at forbedre præstationer ved at lære af miljøet.
- Ydelseselement: Denne komponent beslutter, hvad der skal gøres for at forbedre ydelsen.
- Problemgenerator: Problemgenerator indtaster input fra andre komponenter og foreslår handlinger, der vil resultere i en bedre oplevelse.
Regler
Der er få regler, som agenter skal følge for at blive betegnet som intelligent agent.
- Regel 1 : Agenten skal have kapacitet til at opfatte oplysninger fra miljøet ved hjælp af dens sensorer
- Regel 2 : Indgangene eller observationen, der er indsamlet fra miljøet, skal bruges til at træffe beslutninger
- Regel 3: Den beslutning, der er truffet fra observationen, skulle resultere i en konkret handling
- Regel 4: Handlingen skal være en rationel handling
Struktur af Intelligent Agent
Den intelligente agentstruktur er kombinationen af Agentfunktion, Arkitektur og Agentprogram.
Agent = Arkitektur + Agentprogram
De tre enheder er beskrevet nedenfor
1. Arkitektur: Arkitektur er det maskiner, som agenten udfører sin handling på. Det er hovedsageligt en enhed med indlejrede aktuatorer og sensorer. Eksempel: Autonome biler, der har forskellige bevægelses- og GPS-sensorer knyttet til den og aktuatorer baseret på inputhjælpemidlerne til faktisk kørsel.
2. Agentfunktion: Agentfunktion hjælper med at kortlægge al den information, den har samlet fra miljøet, til handling
3. Agentprogram: Udførelsen af Agentfunktionen udføres af Agentprogrammet. Udførelsen sker oven på Agent Architecture og producerer den ønskede funktion.
Konklusion
Det endelige mål for ethvert middel er at udføre opgaver, der ellers skal udføres af mennesker. Agenter fungerer som intelligent assistent, der kan aktivere automatisering af gentagne opgaver, hjælpe med datasammendragning, lære af miljøet og fremsætte henstillinger til det rigtige handlingsforløb, som vil hjælpe med at nå målsætningen. Intelligente agenter er i enorm brug i dag, og brugen vil kun udvides i fremtiden.
Anbefalede artikler
Dette er en guide til intelligente agenter. Her diskuterer vi strukturen og nogle regler sammen med de fem typer intelligente agenter på grundlag af deres kapacitetsområde og omfang af intelligens. Du kan også se på den følgende artikel for at lære mere -
- 10 trin for at gøre en økonomisk intelligent karriereflyt
- Hvad er kunstig intelligens
- Følelsesmæssig intelligens på arbejdspladsen
- Et sundt arbejdsmiljø