Dynamische Multi-Agent-Systeme Komplexe KI-Systeme: Wann ein kognitiver Ansatz wichtig ist

Anbieter zum Thema

Privatinstitut für Dynamische Logik

INFOMOTION GmbH

Einfache KI-Systeme sind Strukturen, die auf einen definierten Prozess trainiert wurden. Sollen prozessübergreifende oder prozessverbindende Strukturen oder Modelle gebildet werden, bedarf es jedoch zusätzlicher selbstorganisierender Mechanismen der KI.

Damit komplexe KI-Strukturen gebildet werden können, sind Expertsysteme – auch Agenten genannt – unverzichtbar. Sind mehrere dieser Agenten im Einsatz spricht man von einem Multi-Agent-System (kurz: MAS). Handelt es sich bei dem MAS um ein System, das sich zusätzlich durch Beeinflussung von außen oder über die Zeit verändert, wandelt sich das MAS in ein Dynamic Multi Agent System (DMAS). Ein solches System lässt sich beispielsweise mit der Logiksoftware Dylogos realisieren.

DMAS Hierarchie

Bei einem DMAS handelt es sich um eine Hierarchieform, die mindestens zwei Ordnungsebenen besitzt. Diese Ebenen bestehen aus einer Metaebene als Organisationsagenten und einer Handlungsebene mit den verschiedenen Expert-Agenten. An dieser Stelle soll die Metaebene als Makro-System und die Expert-Agenten-Ebene als Mikro-System definiert werden.

So wie Experten mit unterschiedlichsten Aufgaben betraut sind, so existiert die Ebene des Mikro-Systems für unterschiedlichste Prozesse. Mikro-System steht hier für einen Sammelbegriff. In unserem Praxismodell finden zwei verschiedene Typen von Agenten Anwendung. Der erste Typ ist das Num-System und bildet nummerische Prozesse ab. Das Info-System wiederum dient der Interpretation von Texten.

Jedes Makro-System bildet ein Modell und ist nicht spezialisiert als Experte. In einem Makro-System werden beliebig viele Num-Systeme und Info-Systeme zusammengefügt, die zu einer Modellbeschreibung gehören. Makro-Systeme können, um Modelle zu verbinden, auch weitere Makro-Systeme beinhalten.

Dylogos Anwendungsbeispiele

Für eine Leserschaft, die mit überwiegend technischen Problemen vertraut sind, mag das erste Beispiel einer Realisierung aus der Praxis etwas überraschen. Es handelt sich um das Risiko-Management von Stadtbäumen. Stadtbäume besitzen einen hohen Wert für die Lebensqualität und das Klima der Städte, andererseits besteht ein hohes Risiko, dass durch Versagen eines Baumes Schäden an Personen oder Sachen verursacht werden. Die notwendige Abwägung des Nutzens gegen das zu tragenden Risikos hat in den letzten Jahren an Bedeutung gewonnen.

Ein Baum ist ein lebender Organismus, der natürlichen Prozess unterliegt und bei dem die für die Beurteilung wichtigen Parameter überwiegend nur geschätzt werden können. Bei der Beurteilung kommt es zu einer Interaktion von verschiedenen Agenten. Diese Tatsache bedingt, dass die Agenten in der Lage sind, die geschätzten Parameter zu verarbeiten und daraus Beurteilungen abzuleiten.

Hinzu kommt, dass bei der Beurteilung gesetzliche Rahmenbedingungen beachtet werden müssen. Das DMAS muss in die Lage versetzt werden, Gesetzestexte und geltende Richtlinien auszuwerten.

Für die Umsetzung des Modells kommen drei verschiedene Systeme zur Anwendung. Die Elemente des Makro-Systems bilden zwei Num-Systeme und zwei Info-Systeme. Die Num-Systeme können mit Hilfe von Fuzzy-Sets nummerische wie auch unscharfe Daten verarbeiten. Die Info-Systeme sind textuelle Verarbeitung spezialisiert.

Der Datenaustausch zwischen den verschiedenen Agenten, die nummerische oder textuelle Daten enthalten, erfolgt durch Kalkül-Funktoren. Bei einem Funktor handelt es sich um eine Abbildungsvorschrift zwischen zwei Systemen oder mathematisch gesehen zwischen zwei Kategorien.

Um den Aufbau des Kalkül-Funktors, insbesondere die Verarbeitung von Unschärfen besser darzustellen zu können, ist in der Abbildung 2 ein Fuzzy-Set eines Kalkül-Parameters dargestellt.

Die Parameter und die Erweiterung durch die Sets werden aussagelogisch als Kausalketten mit Junktoren verbunden. Die Summe aller Kausalketten bildet ein Kalkül, welches das Expertwissen des Agenten darstellt. Das KI-Vermögen des Agenten liegt in der Selbstorganisation von Neuanlagen oder der Optimierung von Kausalketten.

Das Besondere am Kalkül-Funktor ist, dass sich die Abbildung der Konklusion sowohl auf den Ausgangs- wie auch den Ziel-Agenten beziehen kann. Theoretisch kann jeder Parameter als Objekt mit einem anderen Objekt eines anderen Agenten in Interaktion treten und den Agenten beeinflussen.

Künstliche Intelligenz

Wie Sie KI-Systeme technisch implementieren

Praktische Anwendung 1 – Risikomanagement Stadtbaum

Die nachfolgende Tabelle zeigt eine Anwendung aus der Praxis mit den Reaktionen der Agenten, ausgehend von der Frage an das DMAS: „Liegt ein Grund vor, den Baum zu fällen?“

Das Besondere an der Vorgehensweise ist, dass die Punkte nicht sequenziell und losgelöste voneinander abgearbeitet werden, sondern dynamisch, parallel und in Berücksichtigung des Einflusses, die die Agenten aufeinander ausüben.

Dies soll an einem Beispiel der Baum- und Geostatik gezeigt werden. Der Schiefstand eines Baumes leitet über die Wurzeln Zug- und Drucklasten in den Boden ein. Der Baum wird versagen, wenn die eingeleitete Kraft die Grenzzustände der Bruchlast der Wurzeln übersteigt. Ein Baum, der statisch labil, aber noch stabil ist, kann durch eine geringe Veränderung im Geobereich in einen statisch instabilen Zustand überführt werden und versagen. Solche Einflüsse können auch durch andere Kräfte wie eine veränderte Windlast erfolgen, die sich beispielsweise durch eine Veränderung des Baumumfeldes ergeben kann. Der Agent Baumstatik erfährt durch dieses Vorgehen eine Beeinflussung durch das Kraftfeld des Baumumfeldes.

Das oben genannte Beispiel wurde mittels des KI-DMAS System Dylogos realisiert.

Anwendungsbericht

Smarte Sortierhilfe statt Nadel im Heuhaufen

Praktische Anwendung 2 – Temperatursteuerung chemischer Produkte beim Transport

Eine weitere Realisierung ist als Pilot im Bereich der Logistik im Einsatz. Dort werden Container, von denen jeder mit Hilfe von einer CPU-Einheit bestück ist, über Satelliten online verbunden. Die Container können beheizt oder gekühlt werden. Die Vorgabe ist die Einhaltung einer vorgegebenen Temperatur. Dies ist unter Laborbedingungen kein Problem. Erst wenn Beeinflussungen, wie sich stark verändernden Außentemperaturen, durch den Seetransport oder kurzzeitige Unterbrechungen der Energiezufuhr erfolgen, wird dieses System instabil.

Das Problem wird durch das Verhalten des Transportgutes verschärft. Es handelt sich hierbei um chemische Produkte, die ab einer bestimmten Temperatur ihren Aggregatzustand von flüssig in fest verändert. Diese Zustandsänderung kann wiederum ab einem gewissen Punkt, der nur unscharf definiert ist, verhindert werden. Das System ist in der Lage, die Container online zu überwachen.

Die Überwachung betrifft hierbei die Temperatur der Ladung, den Zustand der Energiezufuhr, aber auch die GPS-Daten. Für die Überwachung sind zwei Agenten zuständig. Der erste dient der Überwachung der Ladungstemperatur des Containers und der zweite stellt einen Abgleich zwischen den GPS-Daten und der Klimazone her.

Das DMAS Überwachungs- und Beurteilungssystem ist in der Lage, nicht nur die aktuelle Situation zu beurteilen, sondern durch die Beobachtung der GPS-Daten auch die zu erwartenden Veränderungen der Außentemperatur in der nächsten Zeit. Bei Überschreitungen der vorgegebenen Grenzwerte kommt es zu einer Warnung. Die KI-Leistung besteht in einem Lernprozess, der die Unschärfe des Aggregatübergangs in Abhängigkeit der Ladungstemperatur und der GPS-Daten stellt.

Die beiden Beispiele zeigen die breiten Anwendungsmöglichkeiten und Leistungsfähigkeiten von DMAS und deren Realisierung mittels Dylogos.

Wann eine Erweiterung von MAS auf DMAS notwendig ist

Man benötigt MAS für die Formulierung umfangreicher Modelle, die über das Expertenwissen von mehreren Agenten verfügen sollen. Modelle, die zusätzlich auch dynamisch auf Veränderungen reagieren können, erfordern eine Erweiterung des Spektrums von der MAS auf DMAS.

DMAS können Grundbausteine für eine starke KI der Zukunft sein, deren Möglichkeiten wir heute noch kaum erfassen. Um diese zu realisieren, bedarf es noch weiterer Forschung, insbesondere im Bereich von selbstorganisierender Funktoren, die in der Lage sind, selbständige Verbindungen zwischen den Parametern von Mikro-System herzustellen. Dies stellt einen vielversprechenden Bereich der KI mit vielfältigen Anwendungsmöglichkeiten dar.

Dieser Artikel stammt von unserem Partnerportal Industry of Things.

* Bernhard Stoinski ist Data Scientist und arbeitet am Privatinstitut für Allgemeine Dynamische Logik.

(ID:48494295)