Information Technology Reference
In-Depth Information
mechanismen. Wenn er mobil ist, kann es vorteilhaft sein, eine kleine, kompakte Wis-
sensdarstellung zu besitzen und über ein, was die Codelänge betrifft, leichtgewichtiges
Schlussfolgerungssystem zu verfügen. Gleichzeitig kann die Mobilität Sicherheitsfragen
aufwerfen, bei denen explizite Wenn-Dann-Regeln weniger erwünscht sind als bei an-
deren Wissensdarstellungen. Zum Beispiel werden die Black-Box-Eigenschaften eines
Neuronalen Netzes, die aus der traditionellen, symbolorientierten Perspektive als Nachteil
angesehen werden, zu einem Vorteil, wenn man sie vom Standpunkt der Sicherheit des
Wissens aus betrachtet. Ob das Lernen eine erwünschte Funktion ist, hängt von dem Ge-
biet und der Umwelt, in der der Agent arbeiten wird, ab. Wenn es ein langlebiger Agent ist,
und er während seiner Lebenszeit häufig ähnliche Aufgaben durchzuführen hat, kann das
Lernen dazu verwendet werden, seine Leistung zu steigern. Wenn auf dem Problemgebiet
große Unsicherheit besteht, dann könnte die Verwendung von Bayesschen Netzen oder
Wenn-Dann-Regeln mit Wahrscheinlichkeitsfaktoren angebracht sein. Muss der Agent
hingegen eine optimale Antwort finden, dann sollten zustandsbasierte Suchverfahren und
biologisch basierte evolutionäre bzw. genetische Algorithmen benutzt werden. Außerdem
können Planungsmethoden aufgerufen werden, wenn der Agent eine komplexe Reihe von
Aktionen durchführen muss, die stark von der Situation abhängen. Verstärkungslernen
kann eingesetzt werden, um die Sequenz von Operationen zu lernen, die zum Erreichen
eines Ziels benötigt werden. Auf alle Techniken, die in diesem Buch bisher vorgestellt
wurden, muss der Agent gemäß eines abgewandelten Just-In-Time-Ansatzes (die richtige
Technologie-im -richtigen -Zeitpunkt-im -richtigen -Ausprägungsgrad-am richtigen Ort)
zugreifen können.
Damit ein Agent intelligent handeln kann, muss er zunächst wahrnehmen können, was
um ihn herum geschieht, d. h. er muss sich sozusagen ein Bild vom Zustand seiner Um-
welt machen können.
Bei Lebewesen ist dieses Problem mit Hilfe der Sinneswahrnehmungen, wie beispielsweise Fühlen,
Riechen, Schmecken, Hören und Sehen überlebensgerecht gelöst. Das nächste Problem besteht dar-
in, vom konstanten Informationsfluss nicht überwältigt zu werden. Aufgrund der großen Menge von
reinen sensorischen Daten, denen ein Lebewesen ausgesetzt ist, ist eines der ersten Dinge, die es
lernen muss, zu filtern und solche Eindrücke, die einfach erwartet werden können bzw. die gewohnt
sind, schlichtweg zu ignorieren. Dazu entwirft ein Lebewesen ein internes und mentales Modell der
Welt und der zu erwartenden Konsequenzen für Handlungen. Solange sich die Dinge so verhalten,
wie man es erwartet, kommt man dabei zurecht, ohne dem Geschehen allzu viel Aufmerksamkeit zu
schenken (wenn zum Beispiel jemand Auto fährt und sich nebenbei mit seinem Begleiter unterhält).
Außerdem hat das Lebewesen gelernt, sich sofort auf unerwartete Veränderungen in seiner Umwelt
zu konzentrieren (wenn zum Beispiel ein Auto plötzlich im Gesichtsfeld auftaucht, während man
auf eine Kreuzung zufährt).
Ein intelligenter Agent muss eine entsprechende Informationsquelle über die Welt haben,
in der er lebt. Diese Information erreicht ihn durch seine Sensoren, die in der physischen
Welt wurzeln können, aber nicht müssen. Der Agent muss nicht notwendigerweise die
gleichen Sinne besitzen wie ein Lebewesen, er muss aber in der Lage sein, Informationen
über seine Umgebung zu sammeln. Dies kann aktiv geschehen, indem er Anfragen an
