Inteligencia artificial distribuida

La Inteligencia Artificial Distribuida ( IAD ) ^{[ 1 ]} (también llamada Inteligencia Artificial Descentralizada ^{[ 2 ]} ) es una fusión de inteligencia artificial y computación distribuida. De la inteligencia artificial provienen la teoría y la tecnología para construir o analizar un sistema inteligente. Pero mientras que la inteligencia artificial utiliza la psicología como fuente de ideas, inspiración y metáforas, la IAD se inspira en la sociología, la economía y la ciencia de la administración. Si bien la inteligencia artificial se centra en el individuo, la IAD se centra en el grupo. La computación distribuida proporciona el sustrato computacional sobre el cual se puede desarrollar este enfoque grupal. Mediante técnicas de inteligencia artificial, teoría de la comunicación, teoría del control y teoría de la interacción, produce una solución cooperativa a problemas a través de un grupo descentralizado de entidades computacionales (agentes).

La IA distribuida está estrechamente relacionada con los sistemas multiagente y es su precursora . Se distinguen generalmente por ser sistemas abiertos, donde las entidades pueden surgir de diferentes intereses y tener objetivos individuales, y por ser sistemas de inteligencia artificial distribuida, donde las entidades tienen objetivos comunes. Existen numerosas aplicaciones y herramientas.

La Inteligencia Artificial Distribuida (IAD) es un enfoque para resolver problemas complejos de aprendizaje, planificación y toma de decisiones. Es altamente paralela , lo que le permite aprovechar la computación a gran escala y la distribución espacial de los recursos informáticos . Estas propiedades le permiten resolver problemas que requieren el procesamiento de conjuntos de datos muy grandes . Los sistemas IAD constan de nodos de procesamiento de aprendizaje autónomos ( agentes ) distribuidos, a menudo a gran escala. Los nodos IAD pueden actuar de forma independiente, y las soluciones parciales se integran mediante la comunicación entre nodos, generalmente de forma asíncrona . Gracias a su escala, los sistemas IAD son robustos y elásticos, y por necesidad, presentan un acoplamiento flexible. Además, los sistemas IAD están diseñados para adaptarse a los cambios en la definición del problema o en los conjuntos de datos subyacentes debido a la escala y la dificultad de su redistribución.

Los sistemas DAI no requieren que todos los datos relevantes se agreguen en una sola ubicación, a diferencia de los sistemas de inteligencia artificial monolíticos o centralizados , que cuentan con nodos de procesamiento estrechamente acoplados y geográficamente cercanos. Por lo tanto, los sistemas DAI suelen operar con submuestras o impresiones hash de conjuntos de datos muy grandes . Además, el conjunto de datos de origen puede cambiar o actualizarse durante la ejecución de un sistema DAI.

En 1975, la inteligencia artificial distribuida surgió como un subcampo de la inteligencia artificial que se ocupaba de las interacciones de agentes inteligentes. Como disciplina científica, progresó a través de una serie de talleres en los EE. UU. (Taller Internacional sobre Inteligencia Artificial Distribuida, celebrado en 13 ediciones de 1978 a 1994), Europa (Taller sobre Modelado de Agentes Autónomos en un Mundo Multiagente https://link.springer.com/conference/maamaw ) y Asia (Taller de Computación Cooperativa y Multiagente (MACC) https://sites.google.com/view/sig-macc/macc-workshop?authuser=0 ). ^{[ 3 ]} Los sistemas de inteligencia artificial distribuida se concibieron como un grupo de entidades inteligentes, llamadas agentes, que interactuaban por cooperación, por coexistencia o por competencia. La IAAD se clasifica en sistemas multiagente y resolución de problemas distribuidos. ^{[ 4 ]} En los sistemas multiagente, el enfoque principal es cómo los agentes coordinan su conocimiento y actividades. En la resolución de problemas distribuidos, el enfoque principal radica en cómo se descompone el problema y cómo se sintetizan las soluciones.

Los objetivos de la Inteligencia Artificial Distribuida (IAD) son resolver los problemas de razonamiento , planificación, aprendizaje y percepción de la inteligencia artificial , especialmente si requieren grandes cantidades de datos, mediante la distribución del problema a nodos de procesamiento autónomos (agentes). Para alcanzar este objetivo, la IAD requiere:

• Un sistema distribuido con computación robusta y elástica sobre recursos poco fiables y defectuosos que están débilmente acoplados.
• Coordinación de las acciones y comunicación de los nodos
• Submuestras de grandes conjuntos de datos y aprendizaje automático en línea

Existen muchas razones para querer distribuir inteligencia o gestionar sistemas multiagente. Los principales problemas en la investigación de la IA distribuida incluyen los siguientes:

• Resolución paralela de problemas: se ocupa principalmente de cómo se pueden modificar los conceptos clásicos de la inteligencia artificial para que los sistemas multiprocesador y los clústeres de computadoras puedan utilizarse para acelerar los cálculos.
• Resolución distribuida de problemas (RPP): el concepto de agente , entidades autónomas que pueden comunicarse entre sí, se desarrolló como una abstracción para el desarrollo de sistemas RPP. Consulte a continuación para obtener más detalles.
• Simulación basada en agentes múltiples (MABS): una rama de la IA dinámica que sienta las bases para simulaciones que necesitan analizar no solo fenómenos a nivel macro , sino también a nivel micro , como ocurre en muchos escenarios de simulación social .

Han surgido dos tipos de DAI:

• En los sistemas multiagente, los agentes coordinan su conocimiento y actividades, y razonan sobre los procesos de coordinación. Los agentes son entidades físicas o virtuales que pueden actuar, percibir su entorno y comunicarse con otros agentes. Un agente es autónomo y posee habilidades para alcanzar objetivos. Los agentes modifican el estado de su entorno mediante sus acciones. Existen diversas técnicas de coordinación. ^{[ 5 ]}
• En la resolución distribuida de problemas, el trabajo se divide entre nodos y el conocimiento se comparte. Las principales preocupaciones son la descomposición de tareas y la síntesis del conocimiento y las soluciones.

La IA dinámica puede aplicar un enfoque ascendente a la IA, similar a la arquitectura de subsunción , así como al enfoque descendente tradicional de la IA. Además, la IA dinámica también puede ser un vehículo para la emergencia .

Las áreas donde se ha aplicado DAI son:

• Comercio electrónico , por ejemplo, para estrategias de negociación, el sistema DAI aprende reglas de negociación financiera a partir de submuestras de muestras muy grandes de datos financieros.
• Redes , por ejemplo en telecomunicaciones, el sistema DAI controla los recursos cooperativos en una red WLAN ^{[ 6 ].}
• Enrutamiento , por ejemplo, modelar el flujo de vehículos en redes de transporte.
• Planificación , por ejemplo, planificación de flujo de taller, donde la entidad de gestión de recursos garantiza la optimización local y la cooperación para lograr coherencia global y local.
• Motores de búsqueda , por ejemplo, en LLM, búsqueda federada como Ithy, donde la recuperación y el análisis de documentos se distribuyen a agentes DAI antes de la agregación ^{[ 7 ].}
• Sistemas multiagente, por ejemplo, la vida artificial , el estudio de la vida simulada.
• Sistemas de energía eléctrica, por ejemplo, el Sistema Multiagente de Monitoreo de Condición (COMMAS) aplicado al monitoreo de la condición de los transformadores, y el Sistema de Restauración Automática IntelliTEAM II ^{[ 8 ].}

La integración de DAI en las herramientas ha incluido:

• ECStar es un sistema de aprendizaje distribuido basado en reglas. ^{[ 9 ]}

• Inteligencia colectiva : inteligencia grupal que surge de esfuerzos colectivos. 
• Aprendizaje federado – Aprendizaje automático descentralizado 
• Realidad simulada : concepto de una versión falsa de la realidad. 
• Inteligencia de enjambre : comportamiento colectivo de sistemas descentralizados y autoorganizados. Páginas que muestran breves descripciones de destinos de redireccionamiento. 

• Hewitt, Carl; y Jeff Inman (noviembre/diciembre de 1991). «DAI Betwixt and Between: From 'Intelligent Agents' to Open Systems Science». IEEE Transactions on Systems, Man, and Cybernetics . Volumen: 21, número: 6, págs. 1409-1419. ISSN 0018-9472
• Grace, David; Zhang, Honggang (agosto de 2012). Comunicaciones cognitivas: Inteligencia artificial distribuida (IAD), política regulatoria y economía, implementación . John Wiley & Sons Press. ISBN 978-1-119-95150-6
• Shoham, Yoav; Leyton-Brown, Kevin (2009). Sistemas multiagente: Fundamentos algorítmicos, de teoría de juegos y lógicos . Nueva York: Cambridge University Press. ISBN 978-0-521-89943-7.
• Sun, Ron, (2005). Cognición e interacción multiagente . Nueva York: Cambridge University Press. ISBN 978-0-521-83964-8
• Trentesaux, Damien; Philippe, Pesin; Tahon, Christian (2000). "Inteligencia artificial distribuida para la programación, el control y el soporte del diseño de FMS". Journal of Intelligent Manufacturing . 11 (6): 573– 589. doi : 10.1023/A:1026556507109 . S2CID 36570655 . 
• Vlassis, Nikos (2007). Una introducción concisa a los sistemas multiagente y la inteligencia artificial distribuida . San Rafael, CA: Morgan & Claypool Publishers. ISBN 978-1-59829-526-9.