Распределённый искусственный интеллект

Распределённый искусственный интеллект — это подход к решению сложных задач обучения, планирования и принятия решений. Он отличается высокой степенью параллелизма, позволяя использовать значительные вычислительные ресурсы и их пространственное распределение. Эти свойства дают возможность решать задачи, требующие обработки очень больших массивов данных. DAI-системы состоят из автономных обучающихся вычислительных узлов (агентов), которые распределены зачастую в очень большом масштабе. Узлы DAI могут действовать независимо, а частичные решения интегрируются посредством коммуникаций между узлами, часто асинхронно. Благодаря масштабу такие системы обладают высокой устойчивостью и эластичностью, а по необходимости — слабо связаны друг с другом. Кроме того, DAI-системы проектируются адаптивными к изменениям как в постановке задачи, так и в исходных данных, поскольку в силу их размера и сложности перераспределение системы затруднительно.

В отличие от монолитных или централизованных систем искусственного интеллекта, где вычислительные узлы жёстко связаны и географически близки, DAI-системам не требуется агрегировать все необходимые данные в одном месте. Поэтому они нередко работают с подвыборками или хеш-репрезентациями очень больших массивов данных. Кроме того, исходный набор данных может меняться или обновляться в процессе работы DAI-системы.

В 1975 году распределённый искусственный интеллект выделился как самостоятельная область искусственного интеллекта, изучающая взаимодействия интеллектуальных агентов^[2]. DAI-системы рассматривались как группы интеллектуальных сущностей — агентов, которые могут взаимодействовать посредством сотрудничества, сосуществования или конкуренции. DAI подразделяется на мультиагентные системы и распределённое решение задач^[3]. В мультиагентных системах основное внимание уделяется координации знаний и действий агентов. В распределённом решении задач ключевая задача — разложение проблемы на подзадачи и синтез решений.

Основная задача распределённого искусственного интеллекта — решать задачи рассуждения, планирования, обучения и восприятия, особенно требующие обработки больших данных, за счёт распределения вычислений между автономными узлами (агентами). Для этого DAI требует:

• распределённой системы с устойчивыми и масштабируемыми вычислениями на ненадёжных либо отказывающих ресурсах, слабо связанных между собой,
• координации действий и коммуникации между узлами,
• работы с подвыборками больших наборов данных и онлайн-обучение моделей.

Причины для распределения интеллекта или работы с мультиагентными системами разнообразны. Ключевые задачи, исследуемые в DAI:

• Параллельное решение задач — модификация классических методов искусственного интеллекта для использования мультипроцессорных систем и компьютерных кластеров с целью ускорения вычислений.
• Распределённое решение задач — абстракция агента, автономной сущности, способной к коммуникации, создана для разработки систем DPS (Distributed Problem Solving).
• Мультиагентное моделирование (MAS или MABS) — направление, закладывающее основы симуляций, анализирующих явления не только на макро, но и на микро уровне (например, в социальных симуляциях).

Выделяют два ключевых типа DAI:

• В мультиагентных системах агенты координируют свои знания, действия и рассуждают о процессах координации. Агент — это физическая или виртуальная сущность, способная действовать, воспринимать окружающую среду и общаться с другими агентами. Агент автономен и обладает навыками достижения целей. Действиями агенты изменяют состояние среды. Существует множество техник координации^[4].
• В распределённом решении задач работа делится между узлами, а знания и решения синтезируются общими усилиями. Основное внимание уделяется декомпозиции задачи и интеграции знаний и решений.

DAI может реализовывать как нисходящий (top-down), так и восходящий (bottom-up, по аналогии с субсумпционной архитектурой) подходы, а также быть инструментом для анализа эмэрджентности.

Сферы применения DAI включают:

• Электронную коммерцию — например, системы, обучающие торговым стратегиям на подвыборках огромных финансовых данных.
• Телекоммуникационные сети — например, в WLAN DAI управляет кооперативными ресурсами сети^[5].
• Маршрутизацию — моделирование транспортных потоков в сетях.
• Планирование — например, flow shop scheduling, когда управляющая сущность обеспечивает локальную оптимизацию и координацию для согласованности глобальных и локальных решений.
• Поисковые системы — например, федеративный поиск в LLM, как у Ithy, где извлечение и анализ документов происходит распределённо через DAI-агентов до агрегации результатов^[6].
• Мультиагентные системы — например, искусственная жизнь, исследования симулированной жизни.
• Электроэнергетические системы — мониторинг состояния оборудования (например, система COMMAS для трансформаторов) и системы автоматического восстановления IntelliTEAM II^[7].

В области инструментов DAI реализуется, например, в:

• ECStar — распределённая обучающая система на базе правил^[8].