2.2.1 Модель BDI [7].
Модель “переконання-бажання-намір” (BDI) є когнітивною архітектурою, яка використовується для моделювання процесів прийняття рішень і міркування IA. BDI забезпечує структуру для розуміння того, як агенти обробляють інформацію, встановлюють цілі, приймають рішення та виконують дії в складних і динамічних середовищах. Вона широко використовується в області AI, зокрема при розробці IA і MAS.
Переконання відображають сприйняття світу IA. Вони охоплюють знання агента про поточний стан середовища, включаючи інформацію про себе, інших агентів, об’єкти, події тощо. Переконання зазвичай представляють як набір суджень (propositions) або тверджень (statements).
Бажання представляють цілі або завдання агента. Вони вказують на те, чого агент хоче досягти або зробити в середовищі. Бажання можуть варіюватися від короткострокових цілей, таких як виконати певну дію, до довгострокових цілей, таких як максимізація корисності або досягнення певного результату.
Наміри охоплюють заплановані чи передбачувані дії IA для досягнення своїх бажань. Агент формує наміри, обираючи напрям дій, який, на його думку, допоможе досягти його цілей. Наміри керують прийняттям рішень і поведінкою агента, встановлюючи конкретний план дій.
Складові процесу BDI.
- Перегляд переконань (belief revision). IA постійно оновлюють і переглядають свої переконання на основі нової інформації та спостережень середовища.
- Вибір бажань (desire selection). IA визначають пріоритети своїх бажань на основі своїх поточних переконань і уподобань. Бажання можуть суперечливими, тому агенти мають вибирати, яким з них слідувати.
- Формування наміру (intention formation). IA приймають рішення про намір, вибираючи план або курс дій, які, на їхню думку, приведуть до досягнення їхніх бажань.
- Виконання плану (plan execution). IA виконують обрані ними плани для реалізації своїх намірів і досягнення своїх цілей.
- Моніторинг та перегляд планів (plan monitoring and reconsideration). IA контролюють своє середовище та виконання своїх планів. Якщо відбуваються несподівані події, агенти можуть переглянути свої наміри та відповідно сформувати нові плани.
BDI забезпечує структурований підхід до моделювання поведінки IA. Вона підходить для сценаріїв, коли агентам потрібно міркувати про складні та невизначені ситуації, приймати рішення на основі своїх переконань і бажань та адаптуватися до мінливого середовища.
Системи на основі BDI зазвичай застосовуються при моделюванні MAS, роботів, інтелектуальних помічників та систем підтримки прийняття рішень. Архітектура дозволяє розробляти агентів, які проявляють цілеспрямовану поведінку, ставлять пріоритети цілям і приймають відповідні контексту рішення.
BDI черпає натхнення у філософії, зокрема в роботах таких філософів, як Майкл Братман (Michael Bratman), і його теорії практичного міркування (theory of practical reasoning). Ідеї Братмана про те, як люди приймають рішення, формують наміри та переслідують цілі, вплинули на розвиток архітектури BDI [7 p.15]. Ранню концептуалізацію архітектури BDI можна прослідкувати у 1980-х роках в роботах таких дослідників, як Кейт Декер (Keith Decker), Ананд Рао (Anand S. Rao) та Майкл Джорджеф (Michael Georgeff). Вони досліджували способи моделювання поведінки IA у MAS.
Одним із новаторських внесків в архітектуру BDI стала модель «Системи практичного міркування» (Practical reasoning systems - PRS), розроблена Майклом Джорджефом і Емі Ланскі (Amy Lansky) наприкінці 1980-х років. PRS запропонувала структуру BDI для представлення практичних міркувань і поведінки агентів, заснованої на намірах [7 p.22]. BDI набула популярності в 1990-х роках, коли її все частіше почали застосовувати при розробці MAS. Її визнали ефективним підходом для моделювання поведінки агентів у складних середовищах, де агентам необхідно взаємодіяти та співпрацювати.
Для підтримки архітектури BDI були розроблені мови програмування та фреймворки. Одним із яскравих прикладів є сімейство мов AgentSpeak, включаючи AgentSpeak(L) та її варіанти. Ці мови забезпечили спосіб вираження поведінки та міркувань агентів на основі BDI [7 p.235].
Протягом багатьох років архітектура BDI широко вивчалася та застосовувалася в різних областях, включаючи багатоагентні системи, робототехніку, інтелектуальні системи навчання та системи підтримки прийняття рішень. Це сприяло прогресу в моделюванні складної поведінки, співпраці та прийнятті рішень. BDI продовжує розвиватися, враховуючи результати досліджень у таких сферах, як CS, AI та психологія. Досліджуються розширення та варіації моделі BDI, щоб знайти нові можливості застосування.
2.2.2 Модель ACT-R [8].
ACT-R (Adaptive Control of Thought - Rational) — це когнітивна архітектура, призначена для моделювання людського пізнання та поведінки. Розроблена Джоном Андерсоном (John Anderson) та його колегами з Університету Карнегі-Мелона (Carnegie Mellon University). ACT-R пропонує основу для розуміння та моделювання когнітивних процесів, включаючи сприйняття, пам’ять, увагу, навчання, вирішення задач і прийняття рішень. Вона має на меті охопити основні механізми людського пізнання та поведінки, що робить її цінним інструментом для CS, досліджень AI та створення KBIA.
Поняття та особливості ACT-R.
- Декларативна та процедурна пам’ять (declarative and procedural memory). Розділяє пам’ять на два компоненти: декларативну та процедурну пам’ять. Декларативна пам'ять зберігає факти, знання та концепції, тоді як процедурна пам'ять зберігає правила та процеси для виконання завдань.
- Продукційні правила (production rules). Використовує продукційні правила для представлення когнітивних процесів. Ці правила складаються з умов і дій, які дозволяють моделювати процеси прийняття рішень та поведінку агента. Правила ACT-R пов'язані з процедурною пам'яттю.
- Розбиття на фрагменти та навчання (chunking and learning). Включає в себе фрагментування, механізм для організації та представлення інформації. Розбиття на фрагменти дозволяє IA фіксувати та повторно використовувати шаблони інформації, що сприяє більш ефективній когнітивній обробці, містить механізми для навчення та отримання нових фрагментів.
- Буфери (buffers). Використовує буфери як тимчасові області зберігання інформації під час когнітивних задач. Буфери представляють різні аспекти пізнання, такі як сенсорний вхід (sensory input), робоча пам’ять (working memory) і інформація про цілі (goal information).
- Структура цілей (goal structure). Відображає цілеспрямовану поведінку IA. Цілі представляють бажані результати когнітивних задач, які агент прагне досягти шляхом виконання відповідних продукційних правил.
Фокус ACT-R на когнітивних процесах роблять його цінним інструментом для створення інтелектуальних систем, які імітують когнітивні процеси, включаючи включаючи сприйняття, пам'ять, увагу, навчання та прийняття рішень.
2.2.3 Модель Soar [9].
Soar — це когнітивна архітектура, яка служить обчислювальною моделлю людських когнітивних процесів, міркувань, вирішення задач і прийняття рішень. Він був розроблений Джоном Лердом (John Laird), Аленом Ньюеллом і Полом Розенблумом (Paul Rosenbloom) з Мічиганського університету (University of Michigan). Протягом багатьох років вона постійно вдосконалювалася та розширювалася. Метою розробки було охоплення механізмів, які лежать в основі інтелектуальної поведінки, що робить його цінним інструментом для моделювання людського пізнання та створення інтелектуальних агентів на основі знань [10].
Характеристики та концепції Soar.
Уніфікована структура (unified framework). Має на меті забезпечити уніфіковану структуру для моделювання широкого спектру когнітивних процесів, включаючи сприйняття, навчання, пам’ять, міркування та прийняття рішень.
Символічна та субсимволічна обробка (symbolic and subsymbolic processing). Використовує як символічну, так і субсимволічну обробку для представлення та маніпулювання знаннями: символічні структури (такі як продукції) для представлення когнітивних процесів високого рівня та субсимволічні коннекціоністські (connectionist) механізми для навчання.
Продукційні системи (production systems). Базується на концепції продукційні систем, які складаються з продукційних правил, що представляють моделі міркувань, прийняття рішень і поведінки. Продукції мають умови (передумови) і дії (висновки), що дозволяє використовувати їх для моделювання когнітивних процесів.
Робоча пам'ять (working memory). Зберігає поточний стан IA, включаючи інформацію про середовище, цілі та відповідні факти. Продукції зіставляються з вмістом робочої пам’яті для запуску дій.
Пошук у проблемному просторі (problem-space search). Використовує пошук у проблемному просторі, щоб дослідити потенційні послідовності дій і зробити висновок про порядок застосування продукцій, що дозволить досягти бажаних цілей.
Навчання (learning). Містить механізми для навчання, включаючи фрагментацію (навчання абстракціям вищого рівня) і RL. Механізми навчання дозволяють системі отримувати нові знання та покращувати свою ефективність.
Підцілі (subgoaling). Підтримує створення підцілей та ієрархічних планів, що дозволяє системі розбивати складні завдання на керовані підзадачі.
Soar забезпечує комплексну структуру для моделювання складних когнітивних процесів, що робить його придатним для створення KBIA, які можуть демонструвати поведінку подібну до людської. Вона долає розрив між символічним міркуванням і субсимволічним навчанням.