Autonomous Agents and the Concept of Concepts

Abstract: En autonom agent kan definieras som ett system som med syfte att utföra uppgifter kan interagera med sin omgivning genom sina egna sensorer och effektorer. En ny arkitektur för autonoma agenter inspirerad av teorin för antecipatoriska system föreslås. Det är en hybrid arkitektur i det avseende att den kombinerar planerande förmåga, som behövs för att lösa långsiktiga problem, med reaktivt beteende, som är nödvändigt för att klara enklare rutinmässiga problem vilka ofta kräver kort reaktionstid. Den grundläggande idén är att låta en metanivå-komponent utnyttja en modell av agenten och dess omgivning för att förutse framtida tillstånd. Dessa prediktioner används sedan för att påverka beteendet hos en reaktiv komponent. En speciell variant av denna arkitektur som betraktar alla agenter (inklusive sig själv) som varande helt reaktiva har implementerats. Karakteristiskt för denna variant är också att man delar in agentens möjliga tillstånd i önskvärda respektive icke önskvärda tillstånd. När metanivå-komponenten genom sina prediktioner upptäcker att agenten kommer att nå ett icke önskvärt tillstånd, försöker den modifiera den reaktiva komponenten så att den undviker att detta tillstånd uppkommer. Empiriska resultat från simuleringar med både en och flera agenter indikerar att beteendet för denna typ av antecipatoriska agenter är överlägset det för motsvarande reaktiv agenter. Autonoma agenter utgör även det ramverk i vilket representation, bildning och inlärning av konkreta begrepp (d.v.s. begrepp som representerar kategorier av konkreta begrepp, t.ex. "stol") har studerats. Innan man undersöker dessa aspekter bör man emellertid först ta ställning till några mer fundamentala frågor om begrepp som t.ex.: Vad menas med att ha ett begrepp? Vilka funktioner har begrepp? Vad känner vi till om kategorier och hur påverkar det begreppsbildningen? Genom att försöka besvara dessa frågor kan man säga att vi studerar själva begreppet begrepp. Eftersom ovanstående frågor sällan har diskuteras inom området Artificiell Intelligens (AI) är mycket av materialet hämtat från närliggande forskningsområden som kognitiv psykologi och filosofi. Ett av huvudmålen med avhandlingen är just att samla ihop de olika teorier som utvecklats inom de olika kognitiva vetenskaperna för att bilda en stabil grund för framtida AI-forskning. De mest kända teorierna för begreppsrepresentation utvärderas sedan i ljuset av svaren till ovanstående frågor. Slutsatsen blir att inget av dessa representationssätt är tillräckligt kraftfullt för att kunna understödja alla de önskvärda funktionerna. Det är till och med så att det verkar orealistiskt att någon "monolitisk" representation skulle kunna vara tillräcklig. Baserat på denna insikt presenteras en ny teori för sammansatta begreppsrepresentationer där de olika komponenterna motiveras av de funktioner som begrepp bör fylla. När det gäller inlärning av begrepp så identifieras några av de krav som varje autonomt begreppsinlärningssystem måste uppfylla. Dessa krav utgör också grunden för en evaluering av de existerande teorierna för begreppsinlärning. En metod för att få en godtycklig inlärningsalgoritm att uppfylla ett av dessa krav presenteras sedan. Kravet består i att algoritmen måste lära sig karaktäristiska klassificeringsbeskrivningar, d.v.s. algoritmen måste inte bara kunna diskriminera mellan de begrepp den redan känner utan även kontrastera dessa mot de begrepp som den inte känner. Experimentella resultat visar att denna metod även fungerar bra i praktiken, bl.a. för att det till skillnad från tidigare metoder för inlärning av karaktäristiska beskrivningar är möjligt att kontrollera generaliseringsgraden. Slutligen skisseras en ny modell för autonom begreppsinlärning som har potential att uppfylla alla de tidigare diskuterade kraven (bl.a. integreras övervakad och oövervakad inlärning).