agent intelligent

En intelligence artificielle , un agent intelligent est une entité qui perçoit son environnement , agit de manière autonome pour atteindre des objectifs et peut améliorer ses performances grâce à l'apprentissage automatique ou à l'acquisition de connaissances . Les manuels d'IA définissent l'intelligence artificielle comme « l'étude et la conception d'agents intelligents », soulignant que le comportement orienté vers un but est essentiel à l'intelligence.l'IA agentique (également connue sous le nom d'agent IA ou simplement agent), étend ce concept en poursuivant de manière proactive des objectifs, en prenant des décisions et en agissant sur des périodes prolongées.

Les agents intelligents peuvent être simples ou très complexes. Un thermostat ou un système de contrôle de base est considéré comme un agent intelligent, tout comme un être humain ou tout autre système répondant aux mêmes critères, tel qu'une entreprise , un État ou un biome .

Les agents intelligents fonctionnent selon une fonction objectif qui définit leurs buts. Ils sont conçus pour élaborer et exécuter des plans qui maximisent la valeur attendue de cette fonction une fois celle-ci terminée. Par exemple, un agent d'apprentissage par renforcement possède une fonction de récompense qui permet aux programmeurs de façonner son comportement souhaité. De même, le comportement d'un algorithme évolutionnaire est guidé par une fonction d'évaluation.

Les agents intelligents en intelligence artificielle sont étroitement liés aux agents en économie , et des versions du paradigme de l'agent intelligent sont étudiées en sciences cognitives , en éthique et en philosophie de la raison pratique , ainsi que dans de nombreuses modélisations socio-cognitives interdisciplinaires et simulations sociales informatiques .

Les agents intelligents sont souvent décrits schématiquement comme des systèmes fonctionnels abstraits, semblables à des programmes informatiques . Afin de distinguer les modèles théoriques de leurs implémentations concrètes, les descriptions abstraites d'agents intelligents sont appelées agents intelligents abstraits. Les agents intelligents sont également étroitement liés aux agents logiciels — des programmes informatiques autonomes qui exécutent des tâches pour le compte d'utilisateurs. On les désigne aussi par un terme emprunté à l'économie : « agent rationnel »

Définir l'IA en termes d'agents intelligents offre plusieurs avantages clés :

• Évite les débats philosophiques : cette approche contourne les arguments concernant la nature « véritablement » intelligente ou consciente de l’IA, tels que ceux soulevés par le test de Turing ou l’expérience de la chambre chinoise de Searle . Elle se concentre sur le comportement et l’atteinte des objectifs , et non sur la reproduction de la pensée humaine.
• Tests objectifs : Ils offrent une méthode claire et scientifique pour évaluer les systèmes d’IA. Les chercheurs peuvent comparer différentes approches en mesurant leur capacité à maximiser une fonction objectif spécifique. Cela permet une comparaison directe et la combinaison de techniques.
• Communication interdisciplinaire : Elle crée un langage commun permettant aux chercheurs en IA de collaborer avec d'autres domaines comme l'optimisation mathématique et l'économie , qui utilisent également des concepts comme « objectifs » et « agents rationnels ».

La fonction objectif englobe tous les buts que l'agent est conçu pour atteindre. Pour les agents rationnels, elle intègre également les compromis entre des objectifs potentiellement contradictoires. Par exemple, la fonction objectif d'une voiture autonome pourrait équilibrer des facteurs tels que la sécurité, la vitesse et le confort des passagers.

Différents termes sont utilisés pour décrire ce concept, selon le contexte. En voici quelques exemples :

• Fonction d'utilité : Souvent utilisée en économie et en théorie de la décision, elle représente l'attrait d'un état.
• Fonction objectif : Terme général utilisé en optimisation.
• Fonction de perte : généralement utilisée en apprentissage automatique, où le but est de minimiser la perte (erreur).
• Fonction de récompense : utilisée dans l’apprentissage par renforcement .
• Fonction d'adaptation : utilisée dans les systèmes évolutifs .

Les objectifs, et donc la fonction objectif, peuvent être :

• Défini explicitement : programmé directement dans l’agent.
• Induit : Appris ou ayant évolué au fil du temps.
  • En apprentissage par renforcement , une « fonction de récompense » fournit un retour d'information, encourageant les comportements souhaités et décourageant les comportements indésirables. L'agent apprend à maximiser sa récompense cumulée.
  • Dans les systèmes évolutifs , une « fonction d’adaptation » détermine quels agents sont les plus susceptibles de se reproduire. Ceci est analogue à la sélection naturelle, où les organismes évoluent pour maximiser leurs chances de survie et de reproduction.

Certains systèmes d'IA, comme l' algorithme des plus proches voisins , raisonnent par analogie plutôt que d'être explicitement orientés vers un objectif. Cependant, même ces systèmes peuvent avoir des objectifs implicitement définis dans leurs données d'entraînement. Il est toujours possible d' évaluer ces systèmes en les considérant comme un système sans objectif défini, dont le « but » est d'accomplir sa tâche de classification spécifique.

Des systèmes qui ne sont pas traditionnellement considérés comme des agents, tels que les systèmes de représentation des connaissances , sont parfois intégrés à ce paradigme en les définissant comme des agents ayant pour objectif, par exemple, de répondre précisément à des questions. Dans ce cas, le concept d’« action » est étendu pour englober l’« acte » de fournir une réponse. Par extension, les systèmes basés sur le mimétisme peuvent être définis comme des agents optimisant une « fonction objectif » en fonction de la fidélité avec laquelle l’agent imite le comportement souhaité. Dans les réseaux antagonistes génératifs (GAN) des années 2010, un composant « encodeur »/« générateur » tente d’imiter et d’improviser la composition textuelle humaine. Le générateur cherche à maximiser une fonction représentant sa capacité à tromper un composant antagoniste « prédicteur »/« discriminateur ».

Alors que les systèmes d'IA symbolique utilisent souvent une fonction objectif explicite, ce paradigme s'applique également aux réseaux de neurones et au calcul évolutionnaire . L'apprentissage par renforcement peut générer des agents intelligents qui semblent agir de manière à maximiser une « fonction de récompense » . Parfois, au lieu d'égaler directement la fonction de récompense à la fonction d'évaluation de référence souhaitée, les programmeurs en apprentissage automatique utilisent le façonnage de la récompense pour récompenser initialement la machine pour ses progrès incrémentaux . Yann LeCun a déclaré en 2018 : « La plupart des algorithmes d'apprentissage conçus consistent essentiellement à minimiser une fonction objectif » . Le jeu d'échecs AlphaZero avait une fonction objectif simple : +1 point par victoire et -1 point par défaite. La fonction objectif d'une voiture autonome serait plus complexe . Le calcul évolutionnaire peut faire évoluer des agents intelligents qui semblent agir de manière à maximiser une « fonction d'adaptation » influençant le nombre de descendants que chaque agent est autorisé à laisser

Le formalisme mathématique d' AIXI a été proposé comme agent d'intelligence maximale dans ce paradigme. Cependant, AIXI est incalculable . Dans la réalité, un agent intelligent est limité par le temps et les ressources matérielles, et les scientifiques rivalisent pour produire des algorithmes qui obtiennent des scores toujours plus élevés aux tests de référence avec le matériel existant.

Selon Nikola Kasabov en 1998, les systèmes d’agents intelligents devraient présenter les caractéristiques suivantes :

• Intégrer progressivement les nouvelles règles de résolution de problèmes .
• Adaptez-vous en ligne et en temps réel .
• Sont capables de s'analyser eux-mêmes en termes de comportement, d'erreurs et de réussites.
• Apprendre et progresser grâce à l’interaction avec l’environnement ( incarnation ).
• Apprenez rapidement à partir de grandes quantités de données .
• Disposer de capacités de stockage et de récupération d'exemples en mémoire .
• Disposer de paramètres permettant de représenter la mémoire à court et à long terme, l'âge, l'oubli, etc.