인공지능, 위치 접근법

Artificial intelligence, situated approach

인공지능 연구에서, 위치 접근법은 그들의 환경에서 효과적으로 성공적으로 행동하도록 고안된 에이전트를 만든다. 이를 위해서는 생존에 필요한 기본 지각능력과 운동능력에 초점을 맞춰 AI를 "상향부터" 설계해야 한다. 위치 접근법은 추상적 추론이나 문제 해결 능력에 훨씬 낮은 우선순위를 부여한다.

이 접근방식은 원래 전통적인 접근방식(즉 1985년 이전에 유행한 접근방식)에 대한 대안으로 제안되었다. 수십 년 후, 고전적인 AI 기술은 실제 모델링 문제에 직면했을 때 다루기 어려운 문제(예: 결합 폭발)에 직면하기 시작했다. 이러한 문제를 해결하기 위한 모든 접근방식은 환경에 위치한 인텔리전스 모델링에 초점을 맞춘다. 그들은 AI에 대한 위치적인 접근법으로 알려지게 되었다.

개념의 출현

기존 AI에서 누벨 AI로

1980년대 후반, 현재 누벨 AI(Nouvelle은 프랑스어로 새로운 것을 의미한다)로 알려진 접근법은 로드니 브룩스에 의해 MIT 인공지능 연구소에서 개척되었다. 클래식이나 전통적인 인공지능과는 반대로 누벨 AI는 인간 수준의 성능을 모델링한다는 전통적인 목표를 의도적으로 피했지만, 오히려 실제 로봇에 가까운 곤충 수준의 지능으로 시스템을 만들려고 한다. 그러나 결국 적어도 MIT의 새로운 AI는 톱니바퀴 프로젝트에서 휴머노이드 AI의 시도로 이어졌다.

누벨 AI에서 행동 기반 및 위치 기반 AI까지

누벨 AI가 도입한 개념적 변화는 로봇 분야에서 번창했는데, 이는 지능의 모듈식 분해에 기반한 AI 개발 방법론인 행동 기반 인공지능(BBAI)에 자리를 내주고 있다. 그것은 로드니 브룩스에 의해 유명해졌다: 그의 서브섬프 아키텍처는 BBAI를 개발하기 위한 메커니즘을 설명하기 위한 가장 초기 시도들 중 하나였다. 복잡한 환경에서 실행할 수 있는 실시간 동적 시스템을 성공적으로 만들 수 있기 때문에 지능형 가상 에이전트를 구현하는 것이 로봇공학에서 매우 인기가 있으며, 더 적은 수준으로도 인기가 있다. 예를 들어, 그것은 소니, 아이보 그리고 많은 로보컵 로봇 팀의 지능에 기초하고 있다.

사실 이러한 모든 접근방식이 추상적인 지능이 아니라 주어진 환경에 놓여 있는 지능을 구축하는 것을 목표로 하고 있다는 것을 깨달으면서, 그것들은 위치적인 접근방식으로 알려지게 되었다. 사실 이러한 접근법은 체스 놀이와 같은 추상적인 활동에 초점을 맞추지 않고 실제 세계에서 직접 배울 수 있는 감각 기관을 갖춘 기계를 만들어야 할 필요성을 설명하는 앨런 튜링의 초기 통찰에서 비롯된다.[relevant?]

정의들

분류학적으로 소프트웨어 실체는 시뮬레이션된 요소로 정의되며, 자신과 환경에 따라 행동할 수 있으며, 그 실체는 자신과 외부 세계에 대한 내부적 표현을 가지고 있다. 기업은 다른 기업과 의사소통할 수 있으며, 기업의 행동은 인식, 표현, 그리고 다른 기업과의 상호작용의 결과물이다.

AI 루프

가상 환경에서 실체를 시뮬레이션하려면 환경에 대한 인식 또는 보다 일반적으로 자극으로부터 환경에 대한 작용으로 이어지는 전체 프로세스를 시뮬레이션해야 한다. 이 과정을 AI 루프라고 하며 이를 시뮬레이션하는 데 사용되는 기술은 두 가지 범주로 세분할 수 있다. 센서리모터나 저수준 AI는 인식 문제(인식되는 것은 무엇인가)나 애니메이션 문제(행동 실행 방법은 무엇인가)를 다룬다. 의사결정 또는 고수준 AI는 행동 선택 문제를 다룬다(주어진 인식에 대응하는 가장 적절한 행동, 즉 가장 적절한 행동은 무엇인가).

기존 또는 상징적인 AI

의사결정 AI에는 크게 두 가지 접근법이 있다. 계획 알고리즘, 유한 상태 기계(FSA), 또는 전문가 시스템 등 시중에 유통되는 기술의 대부분은 전통적 또는 상징적인 AI 접근법에 기반을 두고 있다. 주요 특징은 다음과 같다.

  • 그것은 하향식이다: 주어진 문제를 재귀적으로 일련의 하위 문제로 세분화하여 해결하기가 더 쉬울 것이다.
  • 그것은 지식 기반이다: 그것은 일련의 규칙과 같은 세계에 대한 상징적인 설명에 의존한다.

그러나 인간의 지능을 모방한 시스템을 구축하는 것이 목표인 기존 AI의 한계는 잘 알려져 있는데, 환경의 복잡성으로 인해 필연적으로 규칙 수의 조합 폭발이 일어난다. 사실 자치단체가 맞닥뜨릴 모든 상황을 예측하는 것은 불가능하다.

위치 또는 동작 AI

이러한 문제를 해결하기 위해, 위치형 AI 또는 행동형 AI라고도 알려진 의사결정 AI에 대한 또 다른 접근법이 제안되었다. 연역적 추론 과정을 생성하는 시스템을 모델링하려는 것이 아니라, 오히려 그들의 환경에서 현실적으로 행동하는 시스템을 모델링하려고 한다. 이 접근법의 주요 특징은 다음과 같다.

  • 그것은 상향식이다: 그것은 더 복잡한 행동을 실행하기 위해 결합될 수 있는 기본적인 행동에 의존한다.
  • 그것은 행동에 기반한다: 그것은 환경에 대한 상징적인 설명에 의존하지 않고 오히려 그 환경과 기업의 상호작용을 모형에 의존한다.

위치 AI의 목표는 환경에 자율적인 기업을 모델화하는 것이다. 이것은 제어 아키텍처의 본질적인 강건성과 예측하지 못한 상황에 대한 적응 능력 둘 다 덕분에 달성된다.

위치 에이전트

인공지능과 인지과학에서 위치하는 용어는 환경에 내재된 작용제를 가리킨다. 위치하는 용어는 일반적으로 로봇을 지칭할 때 사용되지만, 일부 연구자들은 다음과 같은 경우 소프트웨어 에이전트도 위치할 수 있다고 주장한다.

  • 그들은 역동적인 (동적 변화) 환경에 존재하며, 그것은
  • 그들은 그들의 행동을 통해 조작하거나 변화시킬 수 있고, 그리고 어떤 것이
  • 그들은 감지하거나 인지할 수 있다.

예를 들어 인터넷을 통해 데이터를 변경하거나 프로세스를 트리거(예: 구매)할 수 있는 웹 기반 에이전트나 SL과 같은 가상 세계에 거주하고 변경하는 가상 현실 봇이 해당될 수 있다.

위치하는 것은 일반적으로 구현되는 것의 일부라고 생각되지만, 각각의 관점을 개별적으로 고려하는 것이 유용하다. 위치적인 관점은 지능적인 행동이 환경과 그것과의 상호작용에서 나온다는 것을 강조한다. 이러한 상호작용의 본질은 에이전트의 구현에 의해 정의된다.

이행원칙

모듈식 분해

위치 AI에 의해 구동되는 시스템의 가장 중요한 특성은 인텔리전스가 일련의 독립적인 반자율 모듈들에 의해 제어된다는 것이다. 원래 시스템에서는 각 모듈이 실제로는 별도의 장치였거나 최소한 자체 처리 쓰레드에서 실행되는 것으로 간주되었다. 하지만 일반적으로, 이 모듈들은 추상적인 개념일 뿐이다. 이 점에서, 위치 AI는 아마도 객체 지향 설계와 유사하게, AI에 대한 소프트웨어 엔지니어링 접근방식이라고 볼 수 있다.

위치 AI는 종종 사후 대응적 계획과 관련이 있지만, 이 둘은 동의어가 아니다. 브룩스는 처음에는 행동 모듈이 유한한 상태 기계이므로 기존의 기억이나 학습이 포함되지 않도록 요구하는 인지적 미니멀리즘의 극단적인 버전을 주창했다. 이것은 반응형 AI와 관련이 있는데, 반응형 AI는 대리인의 기억이나 그 세계에 대한 선입견이 아니라 세계의 현재 상태에 대한 반응을 필요로 하기 때문이다. 그러나 학습은 분명 현실적인 강한 AI의 핵심이기 때문에 완전히 버림받은 것은 아니지만 이러한 제약은 완화되었다.

작용 선택 메커니즘

위치하는 AI 커뮤니티는 의사결정 프로세스를 모델링하기 위한 몇 가지 솔루션을 제시했으며, 이를 행동 선택 메커니즘이라고도 한다. 이 문제를 해결하기 위한 첫 번째 시도는 사실 알고리즘보다는 구현 기법이었던 서브섬션 아키텍처로 거슬러 올라간다.[1] 그러나, 이 시도는 특히 자유 흐름 계층[2] 구조와 활성화 네트워크, 다른 몇몇 사람들에게 길을 열어주었다.[3] 이 두 메커니즘의 구조와 성능을 비교한 결과, 행동 선택 문제를 해결하는 데 자유 흐름 계층을 사용할 수 있다는 장점이 입증되었다.[4][5] 그러나 모터 스키마와[6] 프로세스 설명 언어는[7] 자율 로봇의 성공과 함께 사용되어 온 다른 두 가지 접근법이다.

참고 및 참조

  1. ^ 브룩스, R. (1986) 모바일 로봇을 위한 강력한 레이어드 제어 시스템. IEEE Journal of Robotics and Automation 2(1):14-23.
  2. ^ 로젠블랫 J.와 페이튼 D. (1989년). 모바일 로봇 제어를 위한 서브섬프 아키텍처에 대한 세부적인 대안. In: 신경망 IEEE 국제회의 2:317-324.
  3. ^ Maes P. (1989년). 옳은 일을 하는 법 기술 보고서 AIM-1180, MIT 인공지능 연구소.
  4. ^ 티렐 T. (1993년). 작업 선택을 위한 계산 메커니즘. 에든버러 대학의 박사학위.
  5. ^ 티렐 T(1993) 작업 선택을 위한 계층 사용. 적응 동작 1(4):387-420.
  6. ^ 아르킨 R. 모바일 로봇을 위한 모터 스키마 기반 탐색: 동작별 프로그래밍 접근 방식. 인: IEEE 로봇 및 자동화에 관한 회의, 페이지 264-271, 1987.
  7. ^ 강철, L.(1993) 자율 행동 시스템을 갖춘 에이전트 구축. 인: 인공 지능으로 가는 인공 경로. 건물 안에 구현된 요원들. 뉴 헤이븐의 로렌스 엘바움 어소시에이츠
  • Artur M. (2004) 구체화되고 자리잡은 AI를 향한 In: International FLERS 컨퍼런스의 진행, 2004. (온라인)
  • 인공 지능으로 가는 인공 생명 경로: 건물 구현, 위치 에이전트, Lawrence Elbaum Publishing, 1995년 Luc Steels 및 Rodney Brooks Eds. ( ISBN978-0805815184)
  • 로드니 A. 브룩스 캠브리안 인텔리전스(MIT Press, 1999) ISBN 0-262-52263-2; 1986년과 1991년 각각 '표현 없는 인텔리전스'와 '이유 없는 인텔리전스' 등 초기 논문 모음집이다.
  • 로널드 C. 아르킨 행동 기반 로보틱스 (MIT Press, 1998) ISBN 0-262-01165-4
  • Hendriks-Jansen, Horst (1996) 행동에서 우리 자신을 사로잡는 것: 위치 활동, 상호작용적 출현, 진화, 인간 사상. 케임브리지, 미사: MIT 프레스.

참고 항목

관련기사

기존 AI

위치 AI

로보틱스

외부 링크