Worldlex Wiki L'intelligence artificielle distribuée ( IAD ) (également appelée intelligence artificielle décentralisée ) est une fusion de l'intelligence artificielle et du calcul distribué. L'intelligence artificielle fournit la théorie et la technologie nécessaires à la construction et à l'analyse d'un système intelligent. Cependant, là où l'intelligence artificielle puise son inspiration dans la psychologie, l'IAD s'inspire de la sociologie, de l'économie et des sciences de gestion. Alors que l'intelligence artificielle se concentre sur l'individu, l'IAD se concentre sur le groupe. Le calcul distribué fournit l'infrastructure informatique permettant cette approche collective. En utilisant des techniques issues de l'intelligence artificielle, de la théorie de la communication, de la théorie du contrôle et de la théorie de l'interaction, elle produit une solution coopérative aux problèmes grâce à un groupe décentralisé d'entités informatiques (agents).
L'IAD est étroitement liée au domaine des systèmes multi-agents , dont elle est une précurseure . On les distingue généralement par le caractère ouvert des systèmes multi-agents, où les entités peuvent avoir des intérêts et des objectifs individuels, et par le caractère commun des objectifs des systèmes d'intelligence artificielle distribuée. De nombreuses applications et outils existent.
Définition
L'intelligence artificielle distribuée (IAD) est une approche permettant de résoudre des problèmes complexes d'apprentissage, de planification et de prise de décision. Elle est massivement parallèle , ce qui lui permet d'exploiter la puissance de calcul à grande échelle et la distribution spatiale des ressources informatiques . Ces propriétés lui permettent de résoudre des problèmes nécessitant le traitement de très grands ensembles de données . Les systèmes IAD sont constitués de nœuds de traitement d'apprentissage autonomes ( agents ), distribués, souvent à très grande échelle. Les nœuds IAD peuvent agir indépendamment, et les solutions partielles sont intégrées par communication entre les nœuds, généralement de manière asynchrone . De par leur échelle, les systèmes IAD sont robustes et flexibles, et par nécessité, faiblement couplés. De plus, les systèmes IAD sont conçus pour s'adapter aux changements de définition du problème ou des ensembles de données sous-jacents, compte tenu de leur échelle et de la difficulté de leur redéploiement.
Les systèmes d'intelligence artificielle distribuée (IAD) ne nécessitent pas le regroupement de toutes les données pertinentes en un seul endroit, contrairement aux systèmes d'intelligence artificielle monolithiques ou centralisés , qui possèdent des nœuds de traitement étroitement couplés et géographiquement proches. Par conséquent, les systèmes IAD fonctionnent souvent sur des sous-échantillons ou des impressions hachées de très grands ensembles de données . De plus, l'ensemble de données source peut être modifié ou mis à jour pendant l'exécution d'un système IAD.
Développement
En 1975, l'intelligence artificielle distribuée (IAD) a émergé comme un sous-domaine de l'intelligence artificielle, s'intéressant aux interactions entre agents intelligents. En tant que discipline scientifique, elle s'est développée grâce à une série d'ateliers aux États-Unis (Atelier international sur l'intelligence artificielle distribuée, organisé en 13 éditions de 1978 à 1994), en Europe (Atelier sur la modélisation des agents autonomes dans un monde multi-agents, https://link.springer.com/conference/maamaw ) et en Asie (Atelier sur le calcul multi-agents et coopératif (MACC), https://sites.google.com/view/sig-macc/macc-workshop?authuser=0 ). Les systèmes d'intelligence artificielle distribuée ont été conçus comme un groupe d'entités intelligentes, appelées agents, interagissant par coopération, coexistence ou compétition. L'IAD se divise en deux catégories : les systèmes multi-agents et la résolution de problèmes distribuée. Dans les systèmes multi-agents, l'accent est mis sur la manière dont les agents coordonnent leurs connaissances et leurs activités. En matière de résolution de problèmes distribués, l'enjeu principal réside dans la manière dont le problème est décomposé et dont les solutions sont synthétisées.
Objectifs
L'intelligence artificielle distribuée (IAD) vise à résoudre les problèmes de raisonnement , de planification, d'apprentissage et de perception de l'intelligence artificielle , notamment lorsqu'ils nécessitent de grandes quantités de données, en répartissant le problème sur des nœuds de traitement autonomes (agents). Pour atteindre cet objectif, l'IAD requiert :
- Un système distribué doté d'une capacité de calcul robuste et élastique sur des ressources peu fiables et défaillantes, faiblement couplées.
- Coordination des actions et communication des nœuds
- Sous-échantillons de grands ensembles de données et apprentissage automatique en ligne
Il existe de nombreuses raisons de vouloir distribuer l'intelligence ou gérer des systèmes multi-agents. Les principaux problèmes de la recherche en intelligence artificielle distribuée (IAD) sont les suivants :
- Résolution parallèle de problèmes : traite principalement de la manière dont les concepts classiques de l’intelligence artificielle peuvent être modifiés, afin que les systèmes multiprocesseurs et les grappes d’ordinateurs puissent être utilisés pour accélérer les calculs.
- Résolution de problèmes distribuée (RPD) : le concept d’ agent , entité autonome capable de communiquer entre elle, a été développé comme abstraction pour le développement de systèmes RPD. Voir ci-dessous pour plus de détails.
- Simulation multi-agents (MABS) : une branche de l'IAD qui constitue la base des simulations qui doivent analyser non seulement les phénomènes au niveau macro , mais aussi au niveau micro , comme c'est le cas dans de nombreux scénarios de simulation sociale .
Approches
Deux types de DAI ont émergé :
- Dans les systèmes multi-agents, les agents coordonnent leurs connaissances et leurs activités et raisonnent sur les processus de coordination. Les agents sont des entités physiques ou virtuelles capables d'agir, de percevoir leur environnement et de communiquer entre eux. Un agent est autonome et possède les compétences nécessaires pour atteindre ses objectifs. Les agents modifient l'état de leur environnement par leurs actions. Il existe différentes techniques de coordination.
- Dans la résolution de problèmes distribuée, le travail est réparti entre les nœuds et les connaissances sont partagées. Les principaux enjeux sont la décomposition des tâches et la synthèse des connaissances et des solutions.
L'IA basée sur les données (DAI) peut appliquer une approche ascendante à l'IA, similaire à l' architecture de subsomption , ainsi qu'à l'approche descendante traditionnelle. De plus, la DAI peut également favoriser l' émergence .
Défis
Les défis de l'IA distribuée sont les suivants :
- Comment assurer la communication et l'interaction des agents et quel langage ou protocole de communication doivent être utilisés.
- Comment garantir la cohérence des agents ?
- Comment synthétiser les résultats du groupe des « agents intelligents » par formulation, description, décomposition et allocation.
Applications et outils
Les domaines dans lesquels le DAI a été appliqué sont :
- Le commerce électronique , par exemple pour les stratégies de trading, utilise le système DAI pour apprendre les règles de trading financier à partir de sous-échantillons de très grands échantillons de données financières.
- Réseaux , par exemple dans les télécommunications, le système DAI contrôle les ressources coopératives dans un réseau WLAN
- Le routage , par exemple la modélisation du flux de véhicules dans les réseaux de transport
- La planification , par exemple la planification d'atelier de production, où l' entité de gestion des ressources assure l'optimisation locale et la coopération pour une cohérence globale et locale.
- Les moteurs de recherche , par exemple dans la recherche fédérée LLM comme Ithy où la récupération et l'analyse des documents sont distribuées aux agents DAI avant l'agrégation
- Les systèmes multi-agents, par exemple la vie artificielle , l'étude de la vie simulée
- Les systèmes d'alimentation électrique, par exemple le système multi-agents de surveillance de l'état (COMMAS) appliqué à la surveillance de l'état des transformateurs, et le système de restauration automatique IntelliTEAM II
L'intégration de DAI dans les outils a notamment inclus :
- ECStar est un système d'apprentissage distribué basé sur des règles.