インテリジェントエージェント

知能と人工知能において、インテリジェントエージェント( IA ) とは、環境を認識し、目標を達成するために自律的に行​​動し、学習や知識の獲得によってパフォーマンスを向上させることができるエージェントです。

インテリジェントエージェントは単純なものも複雑なものもある。サーモスタットやその他の制御システムは、人間や企業、国家、バイオームなど定義を満たすあらゆるシステムと同様に、インテリジェントエージェントの例であると考えられる。^[1]

主要なAIの教科書では、「人工知能」を「知的エージェントの研究と設計」と定義しており、目標指向的な行動が知性の本質であると考えている。目標指向エージェントは、経済学から借用した用語「合理的エージェント」を使用して説明されることもある。^[1]

エージェントは、IA の目標をすべて包含する「目的関数」を持っています。このようなエージェントは、完了時に目的関数の期待値を最大化する計画を作成し、実行するように設計されます。 ^[2]

例えば、強化学習エージェントには「報酬関数」があり、プログラマーはIAの望ましい動作を形作ることができます。^[3]また、進化アルゴリズムの動作は「適応度関数」によって形作られます。^[4]

人工知能におけるインテリジェントエージェントは経済学におけるエージェントと密接に関連しており、インテリジェントエージェントパラダイムのバージョンは、認知科学、倫理学、実践理性の哲学、および多くの学際的な社会認知モデリングやコンピューター社会シミュレーションで研究されています。

インテリジェント エージェントは、多くの場合、コンピュータ プログラムに似た抽象的な機能システムとして図式的に説明されます。

インテリジェント エージェントの抽象的な記述は、現実世界の実装と区別するために 抽象インテリジェント エージェント( AIA ) と呼ばれます。

自律型インテリジェント エージェントは、人間の介入なしに機能するように設計されています。インテリジェント エージェントは、ソフトウェア エージェントとも密接に関連しています。ソフトウェア エージェントとは、ユーザーに代わってタスクを実行する自律型コンピュータ プログラムです。

人工知能：現代的アプローチ^{[5] [6] [2]}では「エージェント」を次のように定義している。

「センサーを通じて環境を認識し、アクチュエータを通じてその環境に応じて動作すると考えられるもの」

「合理的なエージェント」を次のように定義します。

「過去の経験と知識に基づいて、パフォーマンス測定の期待値を最大化するように行動するエージェント。」

また、「人工知能研究」の分野を次のように定義しています。

「合理的エージェントの研究と設計」

Padgham & Winikoff (2005) は、インテリジェントエージェントは環境内に配置され、環境の変化にタイムリーに（必ずしもリアルタイムではないが）反応することに同意している。しかし、インテリジェントエージェントは、柔軟かつ堅牢な方法で積極的に目標を追求する必要もある。^[a]オプションの要件としては、エージェントが合理的であること、エージェントが信念・欲求・意図分析を実行できることなどがある。^[7]

カプランとヘンラインは人工知能を「外部データを正しく解釈し、そのデータから学習し、その学習結果を柔軟な適応を通じて特定の目標やタスクを達成するためのシステムの能力」と定義しています。^[8]この定義はインテリジェントエージェントの定義と密接に関連しています。

哲学的には、この人工知能の定義は、いくつかの批判を回避しています。チューリング テストとは異なり、人間の知能にはまったく言及していません。したがって、これが「本物の」知能か「模擬の」知能か (つまり、「合成」知能か「人工」知能か) を議論する必要はなく、そのような機械が心、意識、または真の理解力を持っていることを示すものではありません。ジョン サールの「強い AI 仮説」を暗示していないようです。また、「知的な」動作と「非知的な」動作の間に明確な境界線を引こうとしていません。プログラムは、目的関数の観点からのみ測定する必要があります。

さらに重要なのは、AI 研究の前進に役立つ実用的な利点が数多くあることです。プログラムをテストするための信頼性が高く科学的な方法を提供し、研究者は、特定の「目標関数」を最大化するのにどのエージェントが最も適しているかを尋ねることで、個別の問題に対するさまざまなアプローチを直接比較したり、組み合わせたりすることができます。

また、数学的最適化（「目標」の観点から定義される）や経済学（「合理的なエージェント」の同じ定義を使用する）などの他の分野とコミュニケーションするための共通言語も提供します。^[9]

明示的な「目標関数」が割り当てられたエージェントは、プログラムされた目標関数を最大化するアクションを一貫して実行する場合、よりインテリジェントであると見なされます。

目標は単純です: IA がGoのゲームに勝った場合は 1 、そうでない場合は 0 です。

あるいは、目標は複雑になることもあります。つまり、過去に成功したアクションと数学的に類似したアクションを実行することです。

「目標関数」は、エージェントが行動するように促されるすべての目標をカプセル化します。合理的なエージェントの場合、この関数は、相反する目標を達成するための許容可能なトレードオフ もカプセル化します。

用語は様々です。例えば、エージェントの中には「効用関数」、「目的関数」、または「損失関数」を最大化または最小化しようとする人もいます。^{[6] [2]}

目標は明示的に定義することも、誘導することもできます。AI が「強化学習」用にプログラムされている場合、ある種の行動を奨励し、他の行動を罰する 「報酬機能」が備わります。

あるいは、進化システムは、「適応度関数」を使用して高得点のAIシステムを変異させ、優先的に複製することで目標を誘導することができます。これは、動物が進化して、食物を見つけるなどの特定の目標を本能的に望むようになったのと似ています。^[10]

最近傍法などの一部のAIシステムでは、類推による推論の代わりに、トレーニングデータに目標が暗黙的に含まれている場合を除き、一般的に目標は与えられません。^[11]このようなシステムは、非目標システムが「目標」が狭い分類タスクを達成することであるシステムとしてフレーム化されている場合、ベンチマークすることができます。 ^[12]

知識表現システムなど、従来はエージェントとはみなされていなかったシステムも、 （例えば）質問にできるだけ正確に答えるという目標を持つエージェントとして枠組みを定めることで、パラダイムに組み込まれることがある。ここでは、「アクション」の概念は、質問に回答するという「行為」を包含するように拡張されている。さらに拡張すると、模倣駆動型システムは、IA が望ましい動作をどれだけ忠実に模倣できるかに基づいて「目標関数」を最適化するエージェントとして枠組みを定めることができる。^{[6] [2] 2010 年代の}生成的敵対ネットワークでは、「エンコーダー」/「ジェネレーター」コンポーネントが人間のテキスト構成を模倣し、即興で作成しようとする。ジェネレーターは、敵対的な「予測子」/「識別子」コンポーネントをどれだけうまく騙せるかをカプセル化する関数を最大化しようとしている。^[13]

シンボリック AIシステムは明示的な目標関数を受け入れることが多いが、このパラダイムはニューラル ネットワークや進化的コンピューティングにも適用できる。強化学習は、「報酬関数」を最大化するように動作しているように見えるインテリジェント エージェントを生成できる。^[14]場合によっては、報酬関数を目的のベンチマーク評価関数と直接等しく設定するのではなく、機械学習プログラマーは報酬形成を使用して、学習の段階的な進歩に対して最初にマシンに報酬を与える。^[15] Yann LeCun は2018 年に、「人々が考え出した学習アルゴリズムのほとんどは、本質的に何らかの目的関数を最小化することで構成されています」と述べた。^[16] AlphaZeroチェスの目的関数は単純で、勝利は +1 ポイント、敗北は -1 ポイントとしてカウントされました。自動運転車の目的関数はもっと複雑にする必要があります。^[17]進化的コンピューティングは、各エージェントが残せる子孫の数に影響を与える「適応度関数」を最大化するように動作しているように見えるインテリジェント エージェントを進化させることができます。^[4]

AIXIの数学的形式は、このパラダイムにおける最大限に知的なエージェントとして提案された。^[18]しかし、AIXIは計算不可能である。現実の世界では、IAは有限の時間とハードウェアリソースによって制約されており、科学者は既存のハードウェアでベンチマークテストで徐々に高いスコアを達成できるアルゴリズムを生み出すために競争している。^[19]

単純なエージェントプログラムは、数学的には関数f（「エージェント関数」と呼ばれる）^[20]として定義することができ、これはあらゆる知覚シーケンスをエージェントが実行できる可能性のあるアクション、または最終的なアクションに影響を与える係数、フィードバック要素、関数、または定数にマッピングします。

${\displaystyle f:P^{\ast }\rightarrow A}$

エージェント機能は、個々の選択肢の効用の計算、論理ルールの演繹、ファジー論理などのさまざまな意思決定の原則を組み込むことができるため、抽象的な概念です。^[21]

代わりに、プログラムエージェントはあらゆる可能な知覚を行動にマッピングします。^[22]

知覚という用語は、特定の瞬間におけるエージェントの知覚入力を指すために使用します。次の図では、エージェントとは、センサーを通じて環境を認識し、アクチュエータを通じてその環境に応じて動作するものと見なすことができるものを指します。

ラッセルとノーヴィグ（2003）は、知覚される知能と能力の程度に基づいてエージェントを5つのクラスに分類しています。^[23]

単純な反射エージェントは、現在の知覚に基づいてのみ動作し、知覚履歴の残りは無視します。エージェント機能は、「条件が満たされればアクションが実行される」という 条件アクション ルールに基づいています。

このエージェント機能は、環境が完全に観察可能な場合にのみ成功します。一部の反射エージェントには、現在の状態に関する情報も含まれており、アクチュエータがすでにトリガーされている条件を無視できます。

部分的に観察可能な環境で動作する単純な反射エージェントの場合、無限ループは避けられないことがよくあります。エージェントがアクションをランダム化できる場合、無限ループから抜け出すことができる可能性があります。

モデルベースのエージェントは、部分的に観測可能な環境を処理できます。エージェントの現在の状態は、見えない世界の部分を記述する何らかの構造を維持しながらエージェント内部に保存されます。この「世界の仕組み」に関する知識は世界のモデルと呼ばれ、そのため「モデルベースのエージェント」という名前が付けられています。

モデルベースの反射エージェントは、知覚履歴に依存し、現在の状態の観測されていない側面の少なくとも一部を反映する何らかの内部モデルを維持する必要があります。知覚履歴と環境に対するアクションの影響は、内部モデルを使用して決定できます。その後、反射エージェントと同じ方法でアクションを選択します。

エージェントはモデルを使用して、環境内の他のエージェントの行動を記述および予測することもできます。^[24]

目標ベースのエージェントは、「目標」情報を使用することで、モデルベースのエージェントの機能をさらに拡張します。目標情報は、望ましい状況を説明します。これにより、エージェントは複数の可能性の中から選択し、目標状態に到達するものを選択することができます。検索と計画は、エージェントの目標を達成するアクション シーケンスを見つけることに専念する人工知能のサブフィールドです。

目標ベースのエージェントは、目標状態と非目標状態のみを区別します。特定の状態がどの程度望ましいかの尺度を定義することもできます。この尺度は、状態をその状態の有用性の尺度にマッピングする有用性関数を使用して取得できます。より一般的なパフォーマンス尺度では、エージェントの目標をどの程度満たしているかに応じて、さまざまな世界の状態を比較できます。有用性という用語は、エージェントがどの程度「満足」しているかを表すために使用できます。

合理的な効用ベースのエージェントは、アクションの結果の期待効用を最大化するアクションを選択します。つまり、各結果の確率と効用を前提として、エージェントが平均的に得ると期待するものを選択します。効用ベースのエージェントは、環境をモデル化して追跡する必要があります。このタスクには、知覚、表現、推論、学習に関する膨大な研究が伴います。

学習には、エージェントが最初は未知の環境で動作し、初期の知識のみで可能になるよりも有能になることができるという利点があります。最も重要な違いは、改善を行う責任を負う「学習要素」と、外部アクションを選択する責任を負う「パフォーマンス要素」の違いです。

学習要素は、エージェントの現状に関する「批評家」からのフィードバックを使用して、パフォーマンス要素、つまり「アクター」を将来的に改善するためにどのように変更すべきかを決定します。以前はエージェント全体と考えられていたパフォーマンス要素は、知覚を取り入れてアクションを決定します。

学習エージェントの最後のコンポーネントは「問題ジェネレーター」です。これは、新しい有益な体験につながるアクションを提案する役割を担います。

ワイス（2013）は、エージェントを4つのクラスに分類しています。

• ロジックベースのエージェント - 実行するアクションの決定は論理的推論によって行われます。
• 反応型エージェント - 状況からアクションへの直接的なマッピングという形で意思決定が実装されます。
• 信念・欲求・意図エージェント - 意思決定はエージェントの信念、欲求、意図を表すデータ構造の操作に依存する。そして最後に、
• 階層型アーキテクチャ - 意思決定がさまざまなソフトウェア層を介して実現され、各層は異なる抽象化レベルで環境について多かれ少なかれ明示的に推論します。

2013年、アレクサンダー・ウィスナー・グロスは、インテリジェントエージェントの自由と知能に関する理論を発表しました。^{[25] [26]}

インテリジェント エージェントは、複数の「サブエージェント」に階層的に編成できます。インテリジェント サブエージェントは、低レベルの機能を処理および実行します。インテリジェント エージェントとサブエージェントを組み合わせると、ある種の知能を示す動作と応答によって困難なタスクや目標を達成できる完全なシステムが作成されます。

一般的に、エージェントは、身体をセンサーとアクチュエーターに分離して構築することができ、世界の説明をコントローラーの入力として受け取り、アクチュエーターにコマンドを出力する複雑な知覚システムで動作します。ただし、低レベルのタスクに必要な即時の反応と、複雑で高レベルの目標に関する遅い推論のバランスをとるために、コントローラー層の階層が必要になることがよくあります。^[27]

「インテリジェントエージェント」は曖昧な用語としてもよく使用され、「仮想パーソナルアシスタント」と同義語として使われることもあります。^[28] 20世紀の定義では、エージェントはユーザーを支援するプログラム、またはユーザーに代わって動作するプログラムとされています。^[29]これらの例はソフトウェアエージェントと呼ばれ、時には「インテリジェントソフトウェアエージェント」（つまり、知能を備えたソフトウェアエージェント）が「インテリジェントエージェント」と呼ばれることもあります。

ニコラ・カサボフによれば、IAシステムは以下の特性を示す必要がある。^[30]

• 新しい問題解決ルールを段階的に取り入れる
• オンラインでリアルタイムに適応
• 行動、エラー、成功の観点から自分自身を分析することができます。
• 環境との相互作用を通じて学び、向上する（具体化）
• 大量のデータから素早く学習
• メモリベースのサンプル保存および検索機能を持つ
• 短期および長期の記憶、年齢、忘却などを表すパラメータがあります。

Hallerbachらは、試験車両のデジタルツインと独立エージェントに基づく微視的交通シミュレーションを介して、自動運転システムの開発と検証にエージェントベースのアプローチを適用することを議論した。^[31] Waymoは、自動運転車のアルゴリズムをテストするために、マルチエージェントシミュレーション環境Carcraftを作成した。^{[32] [33]}これは、人間の運転手、歩行者、自動運転車の間の交通相互作用をシミュレートする。人間の行動は、実際の人間の行動データに基づいて人工エージェントによって模倣される。自動運転車を理解するためにエージェントベースのモデリングを使用するという基本的なアイデアは、2003年にすでに議論されていた。^[34]

• ドミンゴス、ペドロ（2015 年 9 月 22 日）。『マスター アルゴリズム: 究極の学習マシンの探求が世界をどのように作り変えるか』。ベーシック ブックス。ISBN 978-0465065707。
• ラッセル、スチュアート J. ;ノーヴィグ、ピーター(2003)。人工知能: 現代的アプローチ (第 2 版)。アッパー サドル リバー、ニュージャージー: プレンティス ホール。第 2 章。ISBN 0-13-790395-2。
• Kasabov, N. (1998). 「序論: ハイブリッドインテリジェント適応システム」. International Journal of Intelligent Systems . 13 (6): 453–454. doi : 10.1002/(SICI)1098-111X(199806)13:6<453::AID-INT1>3.0.CO;2-K . S2CID  120318478.
• ワイス、G. (2013)。マルチエージェントシステム（第2版）。ケンブリッジ、マサチューセッツ州：MITプレス。ISBN 978-0-262-01889-0。

• 円錐状