В исследованиях искусственного интеллекта ситуативный подход создает агентов , которые разработаны для эффективного успешного поведения в своей среде. Это требует проектирования ИИ «снизу вверх», фокусируясь на базовых перцептивных и двигательных навыках, необходимых для выживания. Ситуативный подход отдает гораздо меньший приоритет абстрактному мышлению или навыкам решения проблем.
Первоначально этот подход был предложен как альтернатива традиционным подходам (то есть подходам, популярным до 1985 года или около того). Спустя несколько десятилетий классические технологии ИИ начали сталкиваться с неразрешимыми проблемами (например, комбинаторным взрывом ) при столкновении с реальными проблемами моделирования. Все подходы к решению этих проблем сосредоточены на моделировании интеллектов, расположенных в среде. Они стали известны как ситуативный подход к ИИ.
В конце 1980-х годов подход, который сейчас известен как Nouvelle AI ( Nouvelle означает новый по-французски), был впервые предложен в Лаборатории искусственного интеллекта Массачусетского технологического института Родни Бруксом . В отличие от классического или традиционного искусственного интеллекта , Nouvelle AI намеренно избегал традиционной цели моделирования производительности на уровне человека, а вместо этого пытался создать системы с интеллектом на уровне насекомых, более близкие к реальным роботам. Но в конечном итоге, по крайней мере в MIT new AI привел к попытке создания гуманоидного ИИ в проекте Cog .
Концептуальный сдвиг, введенный nouvelle AI, расцвел в области робототехники, уступив место поведенческой робототехнике (BBR), методологии разработки ИИ, основанной на модульной декомпозиции интеллекта. Он стал известен благодаря Родни Бруксу : его архитектура категоризации была одной из самых ранних попыток описать механизм разработки BBAI. Он чрезвычайно популярен в робототехнике и в меньшей степени для реализации интеллектуальных виртуальных агентов, поскольку позволяет успешно создавать динамические системы в реальном времени, которые могут работать в сложных средах. Например, он лежит в основе интеллекта Sony Aibo и многих команд роботов RoboCup .
Понимая, что на самом деле все эти подходы были направлены на создание не абстрактного интеллекта, а скорее интеллекта, находящегося в заданной среде, они стали известны как ситуативный подход. Фактически, этот подход вытекает из ранних идей Алана Тьюринга , описывающего необходимость создания машин, оснащенных органами чувств, чтобы учиться непосредственно в реальном мире, а не сосредотачиваться на абстрактных действиях, таких как игра в шахматы. [ релевантно? ]
Классически программная сущность определяется как смоделированный элемент, способный воздействовать на себя и на свою среду, и который имеет внутреннее представление о себе и внешнем мире. Сущность может общаться с другими сущностями, и ее поведение является следствием ее восприятий, ее представлений и ее взаимодействий с другими сущностями.
Моделирование сущностей в виртуальной среде требует моделирования всего процесса, который идет от восприятия среды или, в более общем смысле, от стимула до действия в среде. Этот процесс называется циклом ИИ, и технология, используемая для его моделирования, может быть подразделена на две категории. Сенсомоторный или низкоуровневый ИИ решает либо проблему восприятия (что воспринимается?), либо проблему анимации (как выполняются действия?). Решающий или высокоуровневый ИИ решает проблему выбора действия (какое действие является наиболее подходящим в ответ на данное восприятие, т. е. какое поведение является наиболее подходящим?).
В области принятия решений на основе ИИ существует два основных подхода. Подавляющее большинство технологий, доступных на рынке, таких как алгоритмы планирования , конечные автоматы (FSA) или экспертные системы , основаны на традиционном или символическом подходе ИИ. Его основными характеристиками являются:
Однако ограничения традиционного ИИ, целью которого является создание систем, имитирующих человеческий интеллект, хорошо известны: неизбежно происходит комбинаторный взрыв количества правил из-за сложности среды. Фактически, невозможно предсказать все ситуации, с которыми столкнется автономная сущность.
Для решения этих проблем был предложен другой подход к ИИ принятия решений, также известный как ситуативный или поведенческий ИИ. Он не пытается моделировать системы, которые производят дедуктивные процессы рассуждения, а скорее системы, которые ведут себя реалистично в своей среде . Основные характеристики этого подхода следующие:
Целью локализованного ИИ является моделирование сущностей, которые автономны в своей среде. Это достигается как благодаря внутренней надежности архитектуры управления, так и ее возможностям адаптации к непредвиденным ситуациям.
В искусственном интеллекте и когнитивной науке термин расположен относится к агенту , который встроен в среду. Термин расположен обычно используется для обозначения роботов , но некоторые исследователи утверждают, что программные агенты также могут быть расположены, если:
Примерами могут служить веб-агенты, которые могут изменять данные или запускать процессы (например, покупки) через Интернет, или боты виртуальной реальности, которые населяют и изменяют виртуальные миры, такие как Second Life .
Нахождение в месте обычно считается частью воплощения , но полезно рассматривать каждую перспективу по отдельности. Нахождение в месте подчеркивает, что разумное поведение вытекает из окружающей среды и взаимодействия агента с ней. Характер этих взаимодействий определяется воплощением агента.
Самым важным атрибутом системы, управляемой расположенным ИИ, является то, что интеллект контролируется набором независимых полуавтономных модулей. В исходных системах каждый модуль фактически был отдельным устройством или, по крайней мере, задумывался как работающий на своем собственном потоке обработки . Однако, как правило, модули являются просто абстракциями . В этом отношении расположенное ИИ можно рассматривать как подход к программной инженерии ИИ, возможно, родственный объектно-ориентированному проектированию .
Ситуативный ИИ часто ассоциируется с реактивным планированием , но эти два понятия не являются синонимами. Брукс отстаивал экстремальную версию когнитивного минимализма, которая изначально требовала, чтобы модули поведения были конечными автоматами и, таким образом, не содержали обычной памяти или обучения . Это связано с реактивным ИИ, поскольку реактивный ИИ требует реагирования на текущее состояние мира, а не на память агента или предвзятое мнение об этом мире. Однако обучение, очевидно, является ключом к реалистичному сильному ИИ , поэтому это ограничение было смягчено, хотя и не полностью отменено.
Сообщество расположенного ИИ представило несколько решений для моделирования процессов принятия решений, также известных как механизмы выбора действий. Первая попытка решить эту проблему восходит к архитектурам подчинения [1] , которые на самом деле были скорее методом реализации, чем алгоритмом. Однако эта попытка проложила путь к нескольким другим, в частности, иерархиям свободного потока [2] и сетям активации [3] . Сравнение структуры и производительности этих двух механизмов продемонстрировало преимущество использования иерархий свободного потока при решении проблемы выбора действий [4] [5] . Однако схемы двигателей [6] и языки описания процессов [7] — это два других подхода, которые с успехом использовались для автономных роботов.