درس دوم «عاملهای هوشمند» از دورهی آموزش هوش مصنوعی را برای مخاطبان عمومی و دانشجویان علاقهمند به AI تنظیم شده است.
آموزش هوش مصنوعی – درس دوم: عاملهای هوشمند (Intelligent Agents)
در این درس از مجموعه آموزش هوش مصنوعی، به بررسی مفهوم عاملهای هوشمند (Intelligent Agents) میپردازیم. عاملها یکی از بنیادیترین مفاهیم در هوش مصنوعی هستند، زیرا آنها هستهی سیستمهای هوشمند را تشکیل میدهند. از رباتهای جاروبرقی گرفته تا خودروهای خودران و دستیارهای مجازی، همه بر پایهی مفهوم «عامل» طراحی شدهاند.
عامل هوشمند چیست؟
در سادهترین تعریف، عامل (Agent) هر چیزی است که میتواند محیط اطراف خود را درک کند و بر آن تأثیر بگذارد.
هر عامل دارای دو بخش اصلی است:
حسگرها (Sensors) برای درک محیط
محرکها (Actuators) برای انجام عمل در محیط
مثالهای ساده از عاملها:
انسان: چشم و گوش حسگر هستند، دست و پا محرک.
ربات: دوربین و سنسور فاصله حسگرند، موتورها محرک.
نرمافزار: دادههای ورودی از کاربر یا شبکه حسگرند، و خروجیها (مثل پیام یا فرمان) نقش محرک دارند.
ادراک و توالی ادراک (Percept & Percept Sequence)
هر بار که عامل از محیط اطلاعاتی دریافت میکند، آن را ادراک (Percept) مینامیم. مجموعهی تمام ادراکهای گذشتهی عامل را توالی ادراک (Percept Sequence) میگویند. رفتار فعلی عامل بر اساس همین توالی و دانش داخلی او تعیین میشود.
عاملهای خردمند یا عقلانی (Rational Agents)
عامل خردمند، عاملی است که در هر لحظه، بهترین تصمیم ممکن را با توجه به اطلاعات موجود میگیرد.
ویژگیهای اصلی یک عامل خردمند عبارتاند از:
۱. عقلانیت (Rationality):
یعنی انجام کار درست در زمان مناسب برای دستیابی به بهترین نتیجه ممکن. خردمندی با دانش مطلق تفاوت دارد؛ عامل لزوماً همهچیز را نمیداند، اما بر اساس دانستههای خود بهترین عمل را انتخاب میکند.
۲. یادگیری (Learning):
عامل باید بتواند از تجربیات گذشته بیاموزد و عملکرد آیندهاش را بهبود دهد.
۳. خودمختاری (Autonomy):
عامل هوشمند تنها به برنامهریزی اولیه وابسته نیست؛ بلکه میتواند به مرور یاد بگیرد و رفتار خود را اصلاح کند.
مثال کاربردی: دنیای جاروبرقی (Vacuum Cleaner World)
برای درک بهتر مفهوم عامل، فرض کنید دنیایی با دو مکان (A و B) داریم. هر مکان میتواند «کثیف» یا «تمیز» باشد.
عامل ما یک جاروبرقی است که:
اگر مکان فعلی کثیف باشد، آن را جارو میکند.
اگر تمیز باشد، به مکان دیگر میرود.
در این مثال:
حسگر: تشخیص کثیفی و موقعیت فعلی
محرک: حرکت و مکش
معیار عملکرد (Performance Measure): تمیز بودن بیشترین مکانها در کمترین زمان و انرژی؛ رفتار خوب یعنی تمیز کردن بهینه با حداقل مصرف انرژی.
تعامل عامل با محیط (Agents and Environments)
عاملها از طریق حسگرها و محرکها با محیط خود در ارتباط هستند. برای توصیف دقیق محیط عامل، از مدل معروف PEAS استفاده میشود:
حرف مفهوم توضیح
P Performance Measure معیار موفقیت عامل (مثلاً میزان تمیزی در جاروبرقی)
E Environment محیط اطراف عامل (مکانها، کثیفی، موانع)
A Actuators ابزارهای عملگر عامل (موتور، جارو، چرخ)
S Sensors ابزارهای درک محیط (سنسورهای موقعیت و کثیفی)
این مدل به ما کمک میکند تا ساختار هر عامل را دقیقتر طراحی کنیم.
خواص محیطهای کاری (Task Environment Properties)
برای طراحی عامل هوشمند، ابتدا باید نوع محیط را مشخص کنیم. محیطها از جنبههای مختلف دستهبندی میشوند:
ویژگی توضیح مثال
قابل مشاهده کامل / جزئی (Fully / Partially Observable) آیا عامل به تمام اطلاعات محیط دسترسی دارد؟ شطرنج (کامل)، پوکر (جزئی)
تکعاملی / چندعاملی (Single / Multi-Agent) آیا عامل تنهاست یا با دیگران تعامل دارد؟ حل پازل (تک)، فوتبال رباتی (چند)
قطعی / اتفاقی (Deterministic / Stochastic) آیا نتیجهی اعمال همیشه مشخص است؟ حل جدول (قطعی)، رانندگی (اتفاقی)
مرحلهای / ترتیبی (Episodic / Sequential) آیا تصمیم فعلی بر آینده تأثیر میگذارد؟ تشخیص تصویر (مرحلهای)، شطرنج (ترتیبی)
ایستا / پویا (Static / Dynamic) آیا محیط هنگام تصمیمگیری تغییر میکند؟ جدول سودوکو (ایستا)، رانندگی (پویا)
گسسته / پیوسته (Discrete / Continuous) آیا حالات و اعمال محدودند؟ شطرنج (گسسته)، رانندگی (پیوسته)
شناختهشده / ناشناخته (Known / Unknown) آیا قوانین محیط برای عامل معلوم است؟ بازی با قوانین ثابت (شناخته)، کاوش در سیاره ناشناخته (ناشناخته)
این ویژگیها به ما کمک میکند محیط کار عامل را “تنگ” یا دقیق تعریف کنیم تا طراحی آن آسانتر شود.
ساختار انواع عاملها (Agent Structures)
عاملها بر اساس سطح پیچیدگی به چند دسته تقسیم میشوند:
۱. عاملهای ساده بازتابی (Simple Reflex Agents):
بر اساس قواعد شرطی عمل میکنند:
«اگر محیط کثیف است → جارو کن.»
➤ ساده، سریع، ولی در محیطهای پیچیده ناکارآمد.
۲. عاملهای بازتابی مبتنی بر مدل (Model-Based Reflex Agents):
دارای مدل داخلی از محیط هستند تا بتوانند وضعیتهای پنهان را پیشبینی کنند.
۳. عاملهای مبتنی بر هدف (Goal-Based Agents):
بر اساس هدف نهایی تصمیم میگیرند. مثلاً «رسیدن به مکان تمیز».
۴. عاملهای مبتنی بر سودمندی (Utility-Based Agents):
علاوه بر هدف، میزان رضایت یا کارایی (Utility) را نیز در نظر میگیرند تا بهترین گزینه را انتخاب کنند.
۵. عاملهای یادگیرنده (Learning Agents):
با تجربه یاد میگیرند و رفتار خود را بهبود میدهند.
این نوع عامل پایهی یادگیری ماشین (Machine Learning) است.
برنامه عامل (Agent Program)
در نهایت، هر عامل دارای برنامهای است که ورودی (ادراک) را به خروجی (عمل) تبدیل میکند.
در قالب شبهکد:
def agent_program(percept):
# بهروزرسانی حالت داخلی
# انتخاب عمل مناسب بر اساس قوانین یا اهداف
return action
در مثال جاروبرقی:
if percept == “DIRTY”:
action = “SUCK”
else:
action = “MOVE”
جمعبندی درس دوم
در این درس آموختیم که:
عاملها هستهی اصلی سیستمهای هوشمند هستند.
عامل خردمند، تصمیم بهینه را بر اساس دانش خود میگیرد.
محیطها انواع مختلف دارند و شناخت آنها برای طراحی عامل حیاتی است.
ساختار عاملها میتواند از ساده تا یادگیرنده متغیر باشد.
در درس بعد، بهصورت عملی یاد میگیریم چگونه یک عامل ساده را در محیط شبیهسازیشده پیادهسازی کنیم و عملکرد آن را ارزیابی نماییم.
مطالب جالب
ارتباط علوم در هوش مصنوعی
دانش پایه در یادگیری هوش مصنوعی