Förståelse för AI-agenter
AI-agenter översikt
Vad är en AI-agent?
Du känner redan till grunderna i artificiell intelligens. Låt oss nu bygga vidare på det och introducera ett centralt begrepp: agenten. I AI-sammanhang är en agent allt som kan uppfatta sin omgivning och agera i den. Tänk på det som en autonom enhet som fattar beslut.
En agent interagerar med sin miljö genom två grundläggande mekanismer:
-
Sensorer: Dessa är agentens verktyg för att uppfatta omgivningen. För en självkörande bil kan det vara kameror, GPS och mikrofoner. För en schackdator är det informationen om pjäsernas positioner på brädet.
-
Aktuatorer: Dessa är de verktyg agenten använder för att agera. Bilen använder ratt, pedaler och blinkers. Schackdatorn flyttar pjäser på det digitala brädet.
Enkelt uttryckt: En agent tar in information (perception) och gör något med den (handling).
Det som kopplar perception till handling är agentprogrammet. Det är den interna logiken, eller "hjärnan", som bestämmer vilken handling som ska utföras baserat på den information som samlats in. Denna funktion kan vara allt från en enkel uppsättning regler till ett komplext neuralt nätverk.
Rationalitet och prestanda
Hur vet vi om en agent är "bra"? Inom AI pratar vi inte om agenter i termer av mänsklig intelligens. Istället utvärderar vi deras rationalitet. En är en som agerar för att maximera sitt förväntade resultat, baserat på den information den har.
För att mäta detta resultat använder vi ett prestandamått. Detta är en uppsättning kriterier som definierar framgång i miljön. För en dammsugarrobot kan prestandamåttet inkludera:
- Mängden smuts som samlats upp.
- Tiden det tog.
- Mängden el som förbrukades.
- Ljudnivån den genererade.
En rationell dammsugarrobot skulle agera för att optimera dessa faktorer, inte för att den "tänker" som en människa. Rationalitet är helt beroende av prestandamåttet, agentens förkunskaper, de handlingar den kan utföra och dess perceptionssekvens.
För att strukturera detta använder vi ofta ramverket PEAS: Performance, Environment, Actuators, Sensors.
| Agent | Prestandamått (Performance) | Miljö (Environment) | Aktuatorer (Actuators) | Sensorer (Sensors) |
|---|---|---|---|---|
| Självkörande bil | Säkerhet, snabbhet, laglighet, komfort | Vägar, trafik, fotgängare, väder | Ratt, acceleration, broms, blinkers | Kameror, radar, GPS, hastighetsmätare |
| Skräppostfilter | Minimera falska positiva, maximera upptäckt skräppost | E-postkonton, e-postmeddelanden | Markera som skräppost, flytta till inkorg | Avsändare, meddelandetext, metadata |
Miljön är allt
En agents design är djupt kopplad till den miljö den ska verka i. En agent byggd för att spela schack skulle vara helt värdelös på att navigera i stadstrafik. Därför klassificerar vi miljöer längs flera axlar för att förstå vilka utmaningar en agent står inför.
Fullt vs. Delvis observerbar: Kan agenten se hela det relevanta tillståndet i miljön? I schack är miljön fullt observerbar. I poker är den delvis observerbar eftersom du inte ser motståndarnas kort.
Deterministisk vs. [{
}] : Är nästa tillstånd helt bestämt av det nuvarande tillståndet och agentens handling? Schack är deterministiskt. En självkörande bil verkar i en stokastisk miljö, där en punktering kan inträffa slumpmässigt eller en annan förare kan agera oförutsägbart.
Episodisk vs. Sekventiell: Är varje beslut oberoende av tidigare beslut? Att klassificera bilder är ofta episodiskt. Schack är sekventiellt, eftersom varje drag påverkar hela resten av spelet.
Statisk vs. Dynamisk: Förändras miljön medan agenten överväger sitt nästa drag? Ett korsord är statiskt. En fabrik där en robot måste undvika andra rörliga delar är dynamisk.
Diskret vs. Kontinuerlig: Finns det ett begränsat antal tydliga tillstånd och handlingar? Schack är diskret. Att köra bil är kontinuerligt, med ett oändligt antal möjliga hastigheter och rattpositioner.
Enkel-agent vs. Multi-agent: Är agenten den enda aktören? Ett pussel är en enkel-agentmiljö. En fotbollsmatch är en multi-agentmiljö där agenter både samarbetar och konkurrerar.
Genom att förstå dessa egenskaper kan vi börja utforma ett lämpligt agentprogram. Agentprogrammet är kärnan som tar en serie percept (vad agenten uppfattar) och översätter dem till handlingar. I sin enklaste form är det en funktion som mappar varje möjlig perceptionssekvens till en handling.
När agenten agerar, övergår miljön till ett nytt tillstånd. Ibland får agenten en belöning (eller bestraffning) baserat på resultatet av sin handling, vilket är centralt för många inlärningsalgoritmer. Dessa grundläggande begrepp – tillstånd, handling och belöning – är byggstenarna för mer avancerade agentarkitekturer som vi kommer att utforska senare.
Nu när du har en grundläggande förståelse för vad en AI-agent är, är det dags att testa dina kunskaper.
Vad är den grundläggande definitionen av en agent inom artificiell intelligens?
För en självkörande bil, vad är ett exempel på en aktuator?
Att förstå dessa grundläggande principer är avgörande. De utgör grunden för att bygga allt från enkla reflexbaserade agenter till komplexa system som kan lära sig, planera och resonera i osäkra miljöer.