هوش مصنوعی (فصل دوم: عامل های هوشمند)

هوش مصنوعی (فصل دوم: عامل های هوشمند)

اسلاید 1: 1فصل دومعامل هاي هوشمند

اسلاید 2: هوش مصنوعی - فصل دوم : عامل2هر چيزي که قادر است محيط خود را از طريق حسگرها (Sensor) درک کند و با اثرکننده ها (Effector) بر محيط تاثير بگذارد. عامل (Agent) :عامل انسانيحسگرها: گوش، چشم، ديگر ارگان‌هااثرکننده ها: دست، پا، اندام‌هاي ديگرعامل روباتيکيحسگرها: دوربين، يابنده‌هاي مادون قرمزاثرکننده ها: موتور

اسلاید 3: هوش مصنوعی - فصل دوم : عامل3environment?agentsensorseffectorsperceptsactionsعامل ها از طريق حسگرها و اثرکننده ها با محيط واکنش انجام مي دهند دنباله ادراکی (percept sequence) عامل: سابقه کامل هر چیزی که عامل تاکنون درک کرده است.

اسلاید 4: هوش مصنوعی - فصل دوم : عامل4اهداف(معيار کارآيي)محرک هاادراکاتمحيطنوع عاملايمني، سرعت، قانونمندي، راحتي،افزايش سودمنديراهنمايي کردن، شتاب‌دهنده، ترمز، صحبت با مسافر،بوقدوربين‌ها، سرعت سنج، GPS، Sonar، ميکروفون،صفحه کليد، حسگرهای موتورجاده، عابرین پياده‌رو، ترافيک، مشتريراننده تاکسيبيمار سالم، کاهش هزينه هاسوالات، آزمونها، رفتارها، مداواعلائم بیماری، يافته ها، پاسخهاي بيماربيمار، بيمارستان، کارکنانسيستم تشخيص پزشکيمثال هايي از انواع عامل ها و توضيح PEAS:

اسلاید 5: 5هوش مصنوعی - فصل دوم : طراحی عامل هوشمندعاملحسگرهامحرکها؟محيطادراک هافعاليت هااين طراحي شامل تابعي است که نگاشت عامل را از ادراک به عمليات پياده سازي مي‌کند.طراحي عامل :

اسلاید 6: 6هوش مصنوعی - فصل دوم : طراحی عامل هوشمند f : Pattern  Action تابع عامل (Agent Function) :رفتار عامل توسط تابع عامل توصيف ميشود که هر دنباله ادراک را به يک فعاليت نقش ميکند. فعاليت  دنباله ادراک : تابع عاملیعنی تابع عامل : نگاشت ايده‌آل از دنباله‌هاي ادراکي به عمليات است.پیاده سازی تابع عامل :تابع عامل را می توان جدول بندی نمود تا هر عاملی را تشریح کند. این جدول شامل تمام دنباله ادراکی، و عملی در پاسخ به هر دنباله ادراکي، در آن قرار مي‌گيرد. تابع عامل مربوط به عامل مصنوعی، توسط برنامه عامل (agent problem) پیاده سازی می شود.

اسلاید 7: 7هوش مصنوعی - فصل دوم : طراحی عامل هوشمندمثال از نگاشت دنباله ادراکی به فعالیت توسط جدول

اسلاید 8: 8هوش مصنوعی - فصل دوم : طراحی عامل هوشمندتفاوت :تابع عامل : یک توصیف ریاضی انتزاعی است.برنامه عامل: پیاده سازی دقیقی است که در معماری عامل اجرا می شود.- تابع عامل- برنامه عامل

اسلاید 9: هوش مصنوعی - فصل دوم : طراحی عامل هوشمند9ساختار عامل :عامل = برنامه + معماريProgramHardWareعاملجنس اين سخت افزار از نوع الکترومکانيک است که ما آنرا ماشين مي ناميم و يک لايه روي اين ماشين قرار مي گيرد تا باعث بکارگيري از اين ماشين شود.اين لايه مي تواند يک برنامه در زبان سطح بالا يا در زبان سطح پايين باشد.وظيفه هوش مصنوعي طراحي برنامه عامل است.

اسلاید 10: هوش مصنوعی - فصل دوم : عامل10عامل‌ها چگونه بايد عمل کنند؟عملکرد منطقي: يعني با داشتن يکسري عقيده واحد به هدف واحد برسيم و اين عملکرد باعث موفقيت عامل مي گردد. عملکرد منطقي مشخصه هاي سيستم هوشمندي است که مي خواهند بطور منطقي عمل کنندچيزي است که کار درست و صحيح انجام مي‌دهد. در شيوه تفکر منطقي تاًکيد بر روي استنتاج درست است يعني بيشترين موفقيت عامل را به دنبال داشته باشدعامل منطقي (Rational Agent)(عقلایی - خردمند): ؟اين ارزيابي توسط معيار کارآيي انجام مي گيرد

اسلاید 11: هوش مصنوعی - فصل دوم : معیارکارآیی11 معيار کارايي، معياري براي موفقيت رفتار عامل است. معیار کارآیی چندان ثابت نيست، داراي يک سري قوانين خاص دارد. و به عنوان یک قاعده کلی بهتر است معیارکارآیی را براساس خواسته هاي فرد در محيط درنظر گرفت. معيار کارايي (Performance Measure) :عامل هوشمند طوري عمل ميکند که بهترين نتيجه را بدهد و در صورتي که عدم قطعيت وجود دارد بهترين جواب را ارائه دهد. مثال: یک پرسش فلسفی کدام بهتر است: زندگی بی اندیشه با فراز و نشیب و یا زندگی امن و یکنواخت؟

اسلاید 12: هوش مصنوعی - فصل دوم : عامل12دانش کل (Omniscience) منطقی بودن (Rationality)خود مختاری (Autonomy)بررسی سه اصطلاح در عامل ها : يک عامل با دانش کل معني خروجي واقعي اعمال خود را دانسته و بر پايه آن عمل مي‌کند و از نتيجه اعمال خويش کاملا آگاه است. اما داشتن دانش کل براي عامل منطقي در واقعيت هميشه ممکن نيست. اگر معين کنيم که هر عامل هوشمند همواره بايد همان کاري را انجام دهد که در عمل مناسب است، (یعنی داشتن دانش کل) هيچگاه نمي‌توان عاملي را طراحي نمود که اين مشخصات را مرتفع سازد.دانش کل (Omniscience)

اسلاید 13: هوش مصنوعی - فصل دوم : عامل13منطقی بودن عامل فقط به دنباله ادراکی تا آن زمان وابسته است، باید مطمئن باشیم که ندانسته کار غیر هوشمند (عقلایی) را انجام ندهد. مثل رد شدن از خیابان شلوغ ، بطوریکه خطری را نمی توان دید.منطقی بودن (Rationality)ولی : رد شدن از عرض خيابان در حالي که هيچ خطري نمي بيند پس منطقي است که از خيابان عبور کند.در اين هنگام جسمي از هواپيما جدا شده و با اين شخص برخورد مي کند (عبور از خيابان منطقي بود)

اسلاید 14: هوش مصنوعی - فصل دوم : عامل14اعمالي که عامل قادر به انجام آن باشد.رفتار عامل وابسته به دنباله ادراکي تا حال است. منطقي بودن به چهار چيز وابستگي دارد:معيار کارايي که درجه موفقيت را تعيين مي‌کند.هر چيزي که تا کنون عامل، مشاهده و درک نموده است. اين تاريخچه کامل ادراکي را دنباله ادراکي ‌ناميده مي شود.آنچه را که عامل درباره محيط اطراف خود مي‌داند (ادراکات) تعریف عامل منطقي:برای هر دنباله ادراکی ممکن، عامل منطقی یا خردمند باید فعالیتی را انتخاب کند که انتظار می رود معیار کارآیی اش حداکثر برساند.این کار با توجه به شواهدی که از طریق دنباله ادراکی بدست می آید و دانش درونی عامل، صورت می گیرد.

اسلاید 15: هوش مصنوعی - فصل دوم : عامل15خود مختاری (Autonomy)عاملی که فقط براساس دانش اولیه طراح خود رفتار می کند ، عامل خود مختار نیست.در اينجا تعريف عامل بايد کامل‌تر شود و یادگیری به بخش دانش دروني اضافه ‌گردد. یعنی عامل باید یاد بگیرد که نقص دانش قبلی خود را چگونه جبران کند.رفتار عامل مي‌تواند متکي بر دو پايه دانش دروني و تجربه خود بنا نهاده شود.يعني عامل هاي هوش مصنوعي بايد داراي دانش اوليه در کنار توانايي يادگيري باشند

اسلاید 16: هوش مصنوعی - فصل دوم : عامل16 سيستم به وسعتي خود مختار است که رفتار آن براساس تجربه خودش تعيين مي‌شود. زماني که عامل فاقد تجربه و يا کم تجربه‌ است، مسلماً تصادفي عمل خواهد کرد، مگر آنکه طرح‌ کمک‌هايي به آن داده باشد. عامل هوشمند واقعاً خود مختار بايد قادر به عمل موفقيت‌آميز در دامنه وسيعي از محيط‌ها باشد و البته بايد زمان کافي جهت تطبيق نيز به آن داده شود.

اسلاید 17: هوش مصنوعی - فصل دوم : برنامه عامل17انواع برنامه هاي عامل: عاملهاي واکنشي سادهعاملهاي هدف گرا عاملهاي مدل گراعاملهاي سودمندگراجنبه‌هاي مختلف يک عمل، انواع مختلف برنامه‌هاي عامل را پيشنهاد خواهد کرد. براي مثال، پنج نوع عامل را مورد بررسي قرار مي دهيمعاملهاي يادگيرندهSimple reflex agentGoal-Base agentUtility-Base agentLearner agentModel-Base agent

اسلاید 18: هوش مصنوعی - فصل دوم : عامل واکنشی ساده181- عاملهاي واکنشي ساده (انعکاسی) عاملمحيطحسگرهاجهان چگونه استمحرکهاقانونشرط عملاکنون چه عملي بايد انجام دهماين عاملها اعمالي را بر طبق ادراک جاري انتخاب مي کنند بدون توجه به اينکه تاريخچه ادراکات قبلي چيست.انتخاب فعاليت بر اساس يکسري قوانين شرط-عمل انجام مي شود.در اينجا جدول رجوع بايد مورد توجه قرار گرفته و فيلدهاي مختلف آن توسط اطلاعات ورودي پر شود. بطوریکه به ازای هر ورودی فعالیت آن نیز مشخص شده است.

اسلاید 19: 19هوش مصنوعی - فصل دوم : عامل واکنشی سادهقوانين شرط -عملترمز کردن راننده جلويي اقدام به ترمزif condition then action

اسلاید 20: 20اتصالاتي (واکنش‌هايي) وجود دارند که انسان‌ها بسياري از آنها را دارا بوده:برخي از آنها قابل يادگيري (مثل رانندگي) و برخي ديگر غريزي (چشمک زدن حين نزديک شدن جسمي به چشم ) است.function REFLEX-VACUUM-AGENT ([location, status]) return an action if status == Dirty then return Suck else if location == A then return Right else if location == B then return Left مثالي از عامل واکنشي ساده در دنياي جارو برقي :تصميم گيري آن بر اساس مکان فعلي و کثيف بودن آن مکان صورت مي گيرد.هوش مصنوعی - فصل دوم : عامل واکنشی ساده

اسلاید 21: هوش مصنوعی - فصل دوم : عامل واکنشی مدل گرا21محيطحسگرهاجهان چگونه استمحرکهااکنون چه عملي بايد انجام دهم عامل بخشي از دنيايي را که فعلا مي بيند و مي شنود ذخيره مي کند. عامل بايد حالت جاري دنيا را به کمک يک مدل داخلي حفظ کند سپس يک عمل را همانند روش عامل واکنشي انتخاب کند.حالتجهان چگونه تکامل مي يابدکار فعاليت چيستعاملقانونشرط عمل2- عاملهاي واکنشي مدل گرا

اسلاید 22: 22در عامل قبلی مشکل آنجايي ناشي مي‌شد در صورتی که حسگرها نتوانند دسترسي کامل به وضعيت دنيا داشته باشند، ( يعني محيط نيمه قابل مشاهده )در چنين شرايطي، بهترين راه مديريت براي عامل آن است که بخشي از محيط را که نمي تواند الان ببيند در حافظه نگه دارد.هوش مصنوعی - فصل دوم : عامل واکنشی مدل گرا

اسلاید 23: 23بهنگام‌سازي اطلاعات وضعيت داخلي همزمان با گذر زمان نيازمند دو نوع دانش کد شده در برنامه عامل است.اول: اطلاعاتي در مورد چگونگي تغيير دنيا مستقل از عاملمثال : ماشین جلویی از چند لحظه پیش نزدیکتر شده است؟دوم: چگونگي تاثيرات اعمال عامل در محيطمثال : اگر ترمز بزنم فاصله با ماشین جلویی چه تغییری می کند؟هوش مصنوعی - فصل دوم : عامل واکنشی مدل گرادر این صورت عامل بايد به نوعي حالت داخلي وابسته به تاريخچه ادراکي داشته باشد تا نياز به دستکاري برخي اطلاعات وضعيت داخلي باشد تا از طريق آن تمايز بين وضعيت‌هاي دنيا که در ظاهر ورودي ادراکي يکسان ولي در واقع معني کاملاً متفاوتي دارند را ميسر سازد. مثال: موقعي که چراغ ترمز خراب باشد

اسلاید 24: هوش مصنوعی - فصل دوم : عامل هدف گرا24محيطحسگرهاجهان چگونه استمحرکهااهدافاکنون چه عملي بايد انجام دهمحالتجهان چگونه تکامل مي يابدکار فعاليت چيستاگر فعاليت A را انجام دهم چه خواهد شدعامل3- عاملهاي هدف گرا جهت پيدا نمودن هدف مورد نظرمثلا :در يک چهار راه ، تاکسي مي تواند به سمت چپ، راست و يا مستقيم تغيير مسير دهدتصميم صحيح بستگي به مقصد یا هدف دارد

اسلاید 25: هوش مصنوعی - فصل دوم : عامل هدف گرا25دانستن درباره وضعيت کنوني محيط همواره براي تصميم‌گيري عمل نمي‌تواند کافي باشد.به همان گونه که عامل نيازمند شرح وضعيت جاري است به نوعي، نيازمند اطلاعات هدف (goal) نیز مي‌باشد که برای توضيح موقعيت، مطلوب است. اطلاعاتي نسبت به وضعيت جاري داردعاملو هم اطلاعاتي نسبت به وضعيت هدف داردبا ترکيب اين دو اطلاعات و نتايج اعمال ممکن موجود که مي تواند بروز رساني اطلاعات داخلي شودو در نتيجه فعالیت مناسب را جهت رسيدن به هدف انتخاب مي کند

اسلاید 26: هوش مصنوعی - فصل دوم : عامل هدف گرا26در مواقعي ساده است، وقتی که رضايت از هدف بلافاصله از یک فعالیت بدست می آید.در مواقعي پيچيده است، وقتی که عامل بايد دنباله‌هاي طولاني را در نظرگرفته تا راهي براي دستيابي به هدف پيدا کند. در این حالت:جستجو (Search) و برنامه‌ريزي (Planning) روشهايي از هوش مصنوعي هستند که دنباله اي از فعالیتها را براي رسيدن عامل به هدف، پیدا می کنند.انتخاب فعالیت در یک عامل :

اسلاید 27: هوش مصنوعی - فصل دوم : عامل هدف گرا27تفاوت عامل‌هاي واکنشي و هدف‌گرا:در طراحي عامل‌هاي واکنشي طراح براي حالات متفاوت عملي درست را پيش محاسبه مي‌کند. در عامل‌هاي هدف‌گرا، عامل مي‌تواند دانش خود را در مورد چگونگي واکنش بهنگام سازد.1. براي عامل واکنشي ما مجبور به دوباره نويسي تعداد زيادي قوانين شرط-عمل خواهيم بود.2. عامل هدف‌گرا نسبت به رسيدن به مقاصد متفاوت انعطاف پذير است.3. بسادگي با تعيين يک هدف تازه، مي‌توانيم عامل هدف‌گرا را به رفتار تازه برسانيم.

اسلاید 28: هوش مصنوعی - فصل دوم : عامل سودمندگرا28محيطحسگرهاجهان چگونه استمحرکهاسودمنداکنون چه عملي بايد انجام دهمحالتجهان چگونه تکامل مي يابدکار فعاليت چيستسودمندي تابعي است که به هر وضعيت، يک عدد حقيقي نسبت مي دهد که درجه رضايت از وضعيت را مشخص مي کنداگر فعاليت A را انجام دهم چه خواهد شددر چنين حالتي چقدر رضايت دارمعامل4- عاملهاي سودمندگرا اگر یک حالت دنیا به حالت دیگر دنیا ترجیح داده شود، آن حالت برای عامل سودمندتر است.

اسلاید 29: هوش مصنوعی - فصل دوم : عامل سودمندگرا29مشخصات کامل تابع سودمندي امکان تصميم‌گيري منطقي را براي دو نوع مواردی که هدف برآورده نمی شود، فراهم می سازد.2. زماني که چندين هدف دارند که هيچ يک از آنها با قطعيت قابل حصول نيست.آنگاه تابع سودمندي به هر هدف بر اساس ميزان اهميت آن براي عامل، وزني اختصاص مي دهد که به اين ترتيب احتمال موفقيت عامل افزايش خواهد يافت زماني که اهداف متناقص وجود دارند. (مثل سرعت و امنيت) که در این حالت فقط بعضی از آنها برآورده می شوند

اسلاید 30: هوش مصنوعی - فصل دوم : عامل یادگیرنده30حسگرهامحرکهامولد مسئله مسئول پيشنهاد فعاليتهايي است که منجر به تجربيات آموزنده جديدي ميشود.محيطعنصر کاراييمنتقدعنصر يادگيرندهمولد مسئلهاستاندارد کاراييبازخورداهداف يادگيريتغييراتدانشعامل5- عاملهاي يادگيرنده عنصرِِيادگيرنده مسئول ايجاد بهبودهاست. بازخورد منتقدان را در مورد چگونگی عملکرد عامل دریافت کرده و مشخص می کند عنصر کارایی چگونه باید اصلاح گردد تا در آینده بهتر عمل کند.عنصر کارايي مسئول انتخاب فعاليتهاي خارجي است.از ادراکات استفاده می کند و در مورد فعالیتها تصمیم می گیرد. و شامل مجموعه ای از دانش و رویه هایی جهت انتخاب فعالیتهاست.منتقد به عنصر يادگيرنده می گوید که عامل با توجه به استانداردهاي کارايي چگونه عمل ميکند

اسلاید 31: هوش مصنوعی - فصل دوم : عامل یادگیرنده31عامل نیاز به استاندارد کارایی دارد تا بداند که این فعالیت درست است یا نه؟ (در صورتی که ادراک چنین چیزی را بیان نمی کند)استاندارد کارایی باید ثابت باشد و از نظر مفهومی خارج از عامل قرار گیرد. زیرا عامل نباید آنرا اصلاح کند تا رفتارش را تنظیم کند.استاندارد کارایی

اسلاید 32: هوش مصنوعی - فصل دوم : عامل و محیط32ارتباط بين عامل و محيط: اعمال بوسيله عامل بر محيط انجام مي‌شود، که خود ادراک عامل را مهيا مي‌سازد. خواص محيط ها :5. گسسته در مقابل پيوسته4. ايستا در مقابل پويا3. تقسيم پذير در مقابل تقسيم ناپذير2. قطعي در مقابل احتمالي1. قابل مشاهده در مقابل نيمه قابل مشاهدهFully observableDeterministic – StochasticEpisodic – Non episodicStatic - DynamicDiscrete - Continuous6. تک عامله در مقابل چند عاملهSingle – Multi agent

اسلاید 33: هوش مصنوعی - فصل دوم : انواع محیط33محيط قابل مشاهده: محيطي که عامل آن توسط ابزار حس‌کننده‌اش امکان دسترسي به وضعيت کامل محيط را در هر مقطع زماني داشته باشد.محيط قابل مشاهده راحت است، زيرا عامل نيازمند دستکاري هيچ وضعيت داخلي براي حفظ دنيا را نخواهد داشت.مثل : بازي شطرنجعامل با حسگرها احاطه کامل بر محيط دارد و تمام جنبه هاي لازم جهت انتخاب عمل شناسايي مي کنند1- قابل مشاهده در مقابل نيمه قابل مشاهده

اسلاید 34: هوش مصنوعی - فصل دوم : انواع محیط34محيط قطعي: محيطي است که اگر حالت بعدي محيط کاملا توسط حالت فعلی و عملی که عامل در حال انجام آن است، قابل تعيين باشد. اگر محيط کاملاً قابل مشاهده و قطعي باشد آنگاه عامل نبايد نگران عدم قطعيت باشداگر محيط نيمه قابل مشاهده باشد، محيط غيرقطعي و احتمالي به نظر مي آيد. اگر محيط پيچيده باشد و رديابي تمام جنبه هاي مشاهده نشده دشوار است لذا بهتر است قطعي بودن يا نبودن محيط را از ديدگاه عامل در نظر بگيريم.2- قطعي در مقابل احتمالي ( غير قطعي )

اسلاید 35: هوش مصنوعی - فصل دوم : انواع محیط35اگر محيط در مواردي غير از فعاليتهاي عاملهاي ديگر، قطعي باشد آنگاه محيط استراتژيک (راهبردی) است.مثال :1- بازي شطرنج2- راننده تاکسي3- دنياي مکشمحيط استراتژيکمحيط احتمالي -رفتار ترافيکي -پنچر شدن -خراب شدن موتوربر اساس تعريف قبلي باشد آنگاه :محيط قطعيولي با افزودن پارامتري مثل پيدايش کثيفي و فرآيند مکش غير مطمئن آنگاه: محيط احتمالي

اسلاید 36: هوش مصنوعی - فصل دوم : انواع محیط36 محيط اپيزوديک (محيط نامنظم يا رويدادي)، تجربه عامل به اپيزودهايي (يا رويدادهاي اتميک) تقسيم مي‌گردد. هر اپيزود شامل ادراک عامل و سپس انجام يک عمل است. کيفيت اعمال آن تنها به خود اپيزود وابسته است، و به فعاليتهاي اپيزودهاي قبلي بستگي ندارد. محيط‌هاي دنباله اي يا ترتيبي تصميم فعلي مي تواند در تمام تصميمات بعدي موثر باشد.مثل : شطرنج - يک محيط غير اپيزوديکمثل : آناليز تصوير - يک محيط اپيزوديک3- رویدادی (اپيزوديک) در مقابل ترتیبي (غير اپيزوديک)

اسلاید 37: هوش مصنوعی - فصل دوم : انواع محیط37محيط پويا: محيطي که در حين سنجيدن عامل تغيير مي‌کند.محيط نيمه‌پويا: محيطي که با گذر زمان تغيير نمي‌کند اما امتياز کارايي تغيير مي‌کند.محيط‌هاي ايستا براي کار ساده هستند زيرا عامل نياز به نگاه‌کردن به دنيا در حين تصميم‌گيري عملي نداشته و همچنين در مورد گذر زمان نيز نگران نمي‌باشد. مثال محيط پويا : تشخيص نوع پرنده در حال پرواز - راننده تاکسيمثال محيط نيمه پويا: بازي شطرنج با در نظر گرفتن زمان4- ايستا در مقابل پويا

اسلاید 38: هوش مصنوعی - فصل دوم : انواع محیط38محيط گسسته: اگر تعداد مشاهدات و ادراکات محدود و متناهي باشد. مثال: - بازي شطرنج گسسته است زيرا چند حالت مجزاي متناهي در هر نوبت وجود دارد. - رانندگي تاکسي پيوسته است زيرا سرعت، محل تاکسي، وضيت هوا، زمان و ... هميشه در حال تغيير است.5- گسسته در مقابل پيوسته

اسلاید 39: هوش مصنوعی - فصل دوم : انواع محیط39تعداد عاملهاي در نظر گرفته شده در مسئله سخت‌ترين مسئله در بين حالات موجود براي یک عامل در ارتباط با محيط:نيمه قابل مشاهده ، غير اپيزوديک ، پويا ، پيوسته و چند عاملهمثال: - حل جدول متقاطع - تک عامله- بازي شطرنج - محيط دو عامله رقابتي رانندگي تاکسي - اجتناب از تصادف اندازه کارآيي تمام عاملها را افزايش مي دهد پس محيط، چند عامله نيمه همکار است و نيز نيمه رقابتي است مثل پارک نمودن6- تک عامله در مقابل چند عامله

اسلاید 40: هوش مصنوعی - فصل دوم : انواع محیط40مثال‌هايي از انواع محيط و ويژگي‌هاي آنها