지능형 에이전트
"오늘의AI위키"의 AI를 통해 더욱 풍부하고 폭넓은 지식 경험을 누리세요.
1. 개요
지능형 에이전트는 사용자를 대신하여 특정 작업을 수행하는 자율적인 프로세스이다. 센서를 통해 환경을 인지하고 액추에이터를 통해 환경에 영향을 미치는 모든 것을 포괄하며, 지식과 추론 능력을 바탕으로 문제 해결을 시도한다. 지능형 에이전트는 자율성, 사회성, 반응성, 능동성, 목표지향성 등의 특징을 가지며, 이동성, 합리성, 적응성, 협동성 등의 속성을 가질 수 있다. 에이전트는 단순 반사 작용 에이전트부터 학습 에이전트에 이르기까지 다양한 유형으로 분류되며, 구매 에이전트, 개인 에이전트, 모니터링 에이전트, 데이터 마이닝 에이전트 등 다양한 분야에서 활용된다.
더 읽어볼만한 페이지
| 지능형 에이전트 | |
|---|---|
| 지도 정보 | |
| 기본 정보 | |
| 유형 | 소프트웨어 에이전트 |
| 특징 | 자율적 작동 |
| 관련 분야 | 인공지능 인공생명 지능 |
| 정의 및 기능 | |
| 정의 | 환경을 인지하고 행동을 수행하는 에이전트 지능을 모방하는 컴퓨터 프로그램 |
| 주요 기능 | 환경 인식 정보 처리 의사 결정 행동 수행 학습 및 적응 |
| 자율성 수준 | 단순한 반사적 행동부터 복잡한 목표 지향적 행동까지 가능 |
| 주요 유형 | |
| 종류 | 단순 반사 에이전트 모델 기반 에이전트 목표 기반 에이전트 효용 기반 에이전트 학습 에이전트 |
| 응용 분야 | |
| 분야 | 검색 엔진 추천 시스템 게임 인공지능 로봇 제어 자동화 시스템 자율 주행 가상 비서 의료 진단 금융 분석 |
| 관련 개념 | |
| 관련 개념 | 인공지능 에이전트 지능 자율성 컴퓨터 과학 소프트웨어 인공생명 지각 행동 모델 기반 에이전트 목표 기반 에이전트 효용 기반 에이전트 학습 에이전트 |
| 기타 | |
| 참고 문헌 | 스탠포드 철학 백과사전: 인공지능 콴타 매거진: 인공지능은 우리가 요구하는 것을 수행할 것이다. 그것이 문제이다 |
2. 정의 및 특징
에이전트는 특정한 목적을 위해 사용자를 대신해서 작업을 수행하는 자율적인 프로세스이다. 에이전트는 독자적으로 존재하지 않고 운영 체제, 네트워크 등 어떤 환경의 일부이거나 그 안에서 동작하는 시스템이다. 에이전트는 지식베이스와 추론 기능을 가지며 사용자, 자원, 다른 에이전트와의 정보 교환 및 통신을 통해 문제 해결을 도모한다. 스스로 환경 변화를 인지하고 대응하며, 경험을 바탕으로 학습하는 기능을 가진다. 자신의 목적 달성을 추구하는 능동적인 자세를 지니며, 행동 결과로 환경의 변화를 가져올 수 있고, 행동은 한 번에 끝나는 것이 아니라 지속적으로 이루어진다.[4][1]
인공지능: 현대적 접근(Artificial Intelligence: A Modern Approach)에서는 "에이전트"를 "센서를 통해 환경을 인지하고 액추에이터를 통해 환경에 영향을 미치는 것으로 볼 수 있는 모든 것"으로 정의한다. 그리고 "합리적 에이전트"를 "과거 경험과 지식을 바탕으로 성과 측정의 기대값을 극대화하도록 행동하는 에이전트"로 정의하며, "인공지능 연구" 분야를 "합리적 에이전트의 연구 및 설계"로 정의한다.
패드험 & 위니코프는 지능형 에이전트가 환경에 위치하고 환경 변화에 적시에 반응한다고 동의하지만, 지능형 에이전트는 유연하고 견고하게 목표를 적극적으로 추구해야 한다고 말한다. 선택적 요구 사항으로는 에이전트가 합리적이고 신념-욕구-의도 분석이 가능한 것이 포함된다.[5]
안드레아스 카플란과 헤인라인은 인공지능을 "외부 데이터를 정확하게 해석하고, 그러한 데이터로부터 학습하며, 그 학습을 사용하여 유연한 적응을 통해 특정 목표와 작업을 달성하는 시스템의 능력"으로 정의하는데, 이는 지능형 에이전트의 정의와 밀접하게 관련되어 있다.[6]
2. 1. 주요 특징
지능형 에이전트는 다음과 같은 주요 특징을 갖는다.- 자율성(autonomy): 사람이나 다른 사물의 직접적인 간섭 없이 스스로 판단하여 동작하고, 자신의 행동이나 내부 상태를 제어한다.
- 사회성(social ability): 에이전트 통신 언어를 사용하여 사람이나 다른 에이전트들과 상호작용할 수 있다.
- 반응성(reactivity): 실세계, 그래픽 사용자 인터페이스를 경유한 사용자, 다른 에이전트들의 집합, 인터넷 같은 환경을 인지하고 그 안에서 일어나는 변화에 적절하게 반응한다.
- 능동성(proactivity): 단순히 환경에 반응하여 행동하는 것이 아니라 주어진 목표에 따라 자동적으로 수행한다.
- 시간 연속성(temporal continuity): 단순히 한번 주어진 입력을 처리하여 결과를 보여주고 종료하는 것이 아니라, 전면에서 실행하고 이면에서 잠시 휴식하는 연속적으로 수행하는 데몬(demon)같은 프로세스이다.
- 목표지향성(goal-orientedness): 복잡한 고수준 작업들을 수행한다. 작업이 더 작은 세부 작업으로 나뉘고 처리 순서가 결정되어 처리되는 등의 책임을 에이전트가 진다.
- 이동성(mobility): 사용자가 요구한 작업을 현재의 컴퓨터에서 처리하지 않고 그 작업을 처리할 수 있는 다른 컴퓨터로 이동시켜 수행함으로써 효율을 높이고 네트워크 부하를 감소시킨다.
- 합리성(rationality): 에이전트가 목표를 달성하기 위해 행동하며 목표 달성을 방해하는 방향으로는 행동하지 않는다.
- 적응성(adaptability): 사용자의 습관과 작업 방식 그리고 취향에 따라 스스로를 적응시킬 수 있다.
- 협동성(collaboration): 다른 에이전트, 자원, 사람과도 복잡한 작업을 수행하기 위해 협력할 수 있다.
일부 문헌에서는 지능형 에이전트를 "자율 지능 에이전트(Autonomous Intelligent Agent)"라고 부른다. 즉, 지능형 에이전트는 독립적으로 행동하며, 상황 변화를 학습하여 적응한다. 니콜라 카사보프(Nikola Kasabov)는 지능형 에이전트 시스템이 갖추어야 할 특징은 다음과 같다고 하였다.[29]
- 환경과의 상호 작용을 통해 학습하고 개선된다 (Embodiment).
- 온라인 및 실시간에 적응한다.
- 대량의 데이터로부터 빠르게 학습한다.
- 끊임없이 새로운 문제 해결 규칙에 적응한다.
- 유형 및 검색 관련 데이터는 메모리에 보유한다.
- 단기 기억과 장기 기억, 그리고 그 사이의 이동 및 망각에 대한 매개변수를 지정할 수 있다.
- 자신의 동작, 실패, 성공 등을 자체 분석할 수 있다.
2. 2. 추가 속성
- 이동성(mobility): 사용자가 요구한 작업을 현재의 컴퓨터에서 처리하지 않고 그 작업을 처리할 수 있는 다른 컴퓨터로 이동시켜 수행함으로써 효율을 높이고 네트워크 부하를 감소시킨다.
- 합리성(rationality): 에이전트가 목표를 달성하기 위해 행동하며, 목표 달성을 방해하는 방향으로는 행동하지 않는다.
- 적응성(adaptability): 에이전트는 사용자의 습관, 작업 방식, 그리고 취향에 따라 스스로를 적응시킬 수 있다.
- 협동성(collaboration): 에이전트는 다른 에이전트, 자원, 사람과도 복잡한 작업을 수행하기 위해 협력할 수 있다.
일부 문헌에서는 지능형 에이전트를 "자율 지능 에이전트(Autonomous Intelligent Agent)"라고 부른다. 즉, 지능형 에이전트는 독립적으로 행동하며, 상황 변화를 학습하여 적응한다. Nikola Kasabov에 따르면, 지능형 에이전트 시스템은 다음과 같은 특징을 갖추어야 한다.[29]
- 환경과의 상호 작용을 통해 학습하고 개선된다 (Embodiment).
- 온라인 및 실시간에 적응한다.
- 대량의 데이터로부터 고속으로 학습한다.
- 끊임없이 새로운 문제 해결 규칙에 적응한다.
- 유형 및 검색 관련 데이터는 메모리에 보유한다.
- 단기 기억과 장기 기억, 그리고 그 사이의 이동 및 망각에 대한 매개변수를 지정할 수 있다.
- 자신의 동작, 실패, 성공 등을 자체 분석할 수 있다.
3. 인공지능 에이전트
인공지능: 현대적 접근(Artificial Intelligence: A Modern Approach)[4][1]에서는 "에이전트"를 센서를 통해 환경을 인지하고 액추에이터를 통해 환경에 영향을 미치는 모든 것으로 정의한다. "합리적 에이전트"는 과거 경험과 지식을 바탕으로 성과 측정의 기대값을 극대화하도록 행동하는 에이전트이며, "인공지능 연구"는 이러한 합리적 에이전트의 연구 및 설계라고 정의한다.
패드험(Padgham) & 위니코프(Winikoff)는 지능형 에이전트가 환경에 위치하고 환경 변화에 적시에 반응하며, 유연하고 견고하게 목표를 추구해야 한다고 보았다.[5] 또한, 에이전트가 합리적이고 신념-욕구-의도 분석이 가능해야 한다고 보았다.
안드레아스 카플란(Andreas Kaplan)과 헤인라인(Haenlein)은 인공지능을 "외부 데이터를 정확하게 해석하고, 그러한 데이터로부터 학습하며, 그 학습을 사용하여 유연한 적응을 통해 특정 목표와 작업을 달성하는 시스템의 능력"으로 정의하여,[6] 지능형 에이전트의 정의와 밀접하게 연관시켰다.
일부 문헌에서는 지능형 에이전트를 "자율 지능 에이전트(Autonomous Intelligent Agent)"라고 부르며, 이는 독립적으로 행동하고 상황 변화를 학습하여 적응하는 에이전트를 의미한다. Nikola Kasabov는 지능형 에이전트 시스템은 다음과 같은 특징을 갖추어야 한다고 하였다.[29]
- 환경과의 상호작용을 통해 학습하고 개선된다 (Embodiment).
- 온라인 및 실시간에 적응한다.
- 대량의 데이터로부터 고속으로 학습한다.
- 끊임없이 새로운 문제 해결 규칙에 적응한다.
- 유형 및 검색 관련 데이터는 메모리에 보유한다.
- 단기 기억과 장기 기억, 그리고 그 사이의 이동 및 망각에 대한 매개변수를 지정할 수 있다.
- 자신의 동작, 실패, 성공 등을 자체 분석할 수 있다.
3. 1. 인공지능 에이전트의 정의
에이전트는 특정한 목적을 위해 사용자를 대신해서 작업을 수행하는 자율적인 프로세스이다. 에이전트는 독자적으로 존재하지 않고 어떤 환경의 일부이거나 그 안에서 동작하는 시스템이다. 여기서의 환경은 운영 체제, 네트워크 등을 지칭한다. 에이전트는 지식베이스와 추론 기능을 가지며 사용자, 자원(resource), 또는 다른 에이전트와의 정보 교환과 통신을 통해 문제 해결을 도모한다. 에이전트는 스스로 환경의 변화를 인지하고 그에 대응하는 행동을 취하며, 경험을 바탕으로 학습하는 기능을 가진다. 에이전트는 수동적으로 주어진 작업만을 수행하는 것이 아니고, 자신의 목적을 가지고 그 목적 달성을 추구하는 능동적인 자세를 지닌다. 에이전트의 행동 결과로 환경의 변화를 가져올 수 있다. 에이전트의 행동은 한 번에 끝나는 것이 아니라 지속적으로 이루어진다.[4][1]'''인공지능: 현대적 접근(Artificial Intelligence: A Modern Approach)'''에서는 "에이전트"를 "센서를 통해 환경을 인지하고 액추에이터를 통해 환경에 영향을 미치는 것으로 볼 수 있는 모든 것"으로 정의한다. 그리고 "합리적 에이전트"를 "과거 경험과 지식을 바탕으로 성과 측정의 기대값을 극대화하도록 행동하는 에이전트"로 정의한다. 또한 "인공지능 연구" 분야를 "합리적 에이전트의 연구 및 설계"로 정의한다.
패드험(Padgham) & 위니코프(Winikoff)는 지능형 에이전트가 환경에 위치하고 환경 변화에 적시에(반드시 실시간일 필요는 없음) 반응한다는 데 동의한다. 그러나 지능형 에이전트는 유연하고 견고한 방식으로 목표를 적극적으로 추구해야 한다. 선택적 요구 사항으로는 에이전트가 합리적이고 신념-욕구-의도 분석이 가능한 것이 포함된다.[5]
안드레아스 카플란(Andreas Kaplan)과 헤인라인(Haenlein)은 인공지능을 "외부 데이터를 정확하게 해석하고, 그러한 데이터로부터 학습하며, 그 학습을 사용하여 유연한 적응을 통해 특정 목표와 작업을 달성하는 시스템의 능력"으로 정의한다.[6]
일부 문헌에서는 지능형 에이전트를 "자율 지능 에이전트(Autonomous Intelligent Agent)"라고 부른다. 즉, 지능형 에이전트는 독립적으로 행동하며, 상황 변화를 학습하여 적응한다. Nikola Kasabov에 따르면, 지능형 에이전트 시스템은 다음과 같은 특징을 갖추어야 한다.[29]
- 환경과의 상호 작용을 통해 학습하고 개선된다 (Embodiment).
- 온라인 및 실시간에 적응한다.
- 대량의 데이터로부터 고속으로 학습한다.
- 끊임없이 새로운 문제 해결 규칙에 적응한다.
- 유형 및 검색 관련 데이터는 메모리에 보유한다.
- 단기 기억과 장기 기억, 그리고 그 사이의 이동 및 망각에 대한 매개변수를 지정할 수 있다.
- 자신의 동작, 실패, 성공 등을 자체 분석할 수 있다.
3. 2. 목표 함수
명시적인 "목표 함수"가 할당된 에이전트는 프로그래밍된 목표 함수를 성공적으로 최대화하는 행동을 일관되게 취한다면 더 지능적이라고 간주된다.목표는 간단할 수 있다. 예를 들어, 인공지능(IA)이 바둑 게임에서 이기면 1, 그렇지 않으면 0으로 설정할 수 있다. 또는 목표는 복잡할 수 있는데, 예를 들어 과거에 성공했던 행동과 수학적으로 유사한 행동을 수행하는 것이다.
"목표 함수"는 에이전트가 행동하도록 유도하는 모든 목표를 캡슐화한다. 합리적 에이전트의 경우, 이 함수는 상충되는 목표를 달성하는 것 사이의 허용 가능한 절충안도 캡슐화한다.
용어는 다양하다. 예를 들어, 일부 에이전트는 "효용 함수", "목표 함수" 또는 "손실 함수"를 최대화하거나 최소화하려고 한다.[4][1]
목표는 명시적으로 정의되거나 유도될 수 있다. AI가 "강화 학습"을 위해 프로그래밍된 경우, 특정 유형의 행동을 장려하고 다른 행동을 처벌하는 "보상 함수"가 있다. 또는 진화 시스템은 동물이 음식을 찾는 것과 같은 특정 목표를 본능적으로 원하도록 진화한 것과 유사하게, 고득점 AI 시스템을 변이시키고 우선적으로 복제하는 "적합도 함수"를 사용하여 목표를 유도할 수 있다.
최근접 이웃과 같은 일부 AI 시스템은 유추에 의해 추론하는 대신, 이러한 시스템은 일반적으로 목표가 주어지지 않는다. 다만 목표가 훈련 데이터에 암시적으로 포함되는 정도이다. 비목표 시스템이 좁은 분류 작업을 수행하는 것을 "목표"로 하는 시스템으로 구성되면 이러한 시스템은 여전히 벤치마킹될 수 있다.[7]
지식 표현 시스템과 같이 전통적으로 에이전트로 간주되지 않는 시스템은 때때로 (예: 질문에 가능한 한 정확하게 답하는 것) 목표를 가진 에이전트로 프레이밍함으로써 패러다임으로 포함된다. "행동"이라는 개념은 여기서 질문에 대한 답을 제공하는 "행위"를 포함하도록 확장된다. 추가적인 확장으로, 모방 기반 시스템은 IA가 원하는 행동을 모방하는 데 얼마나 성공하는지에 따라 "목표 함수"를 최적화하는 에이전트로 구성될 수 있다.[4][1] 2010년대의 생성적 적대 신경망에서 "인코더"/"생성자" 구성 요소는 인간의 텍스트 구성을 모방하고 즉흥적으로 시도한다. 생성자는 적대적인 "예측자"/"판별자" 구성 요소를 얼마나 잘 속일 수 있는지를 캡슐화하는 함수를 최대화하려고 한다.[8]
기호적 AI 시스템은 종종 명시적인 목표 함수를 받아들이지만, 이 패러다임은 신경망과 진화 컴퓨팅에도 적용될 수 있다. 강화 학습은 "보상 함수"를 최대화하기 위한 의도된 방식으로 행동하는 것처럼 보이는 지능형 에이전트를 생성할 수 있다.[9] 때때로 보상 함수를 원하는 벤치마크 평가 함수와 직접 동일하게 설정하는 대신, 기계 학습 프로그래머는 학습의 점진적인 진행에 대해 기계에 보상을 초기적으로 제공하는 보상 조정을 사용한다.[10] 얀 르쿤은 2018년에 "사람들이 생각해낸 대부분의 학습 알고리즘은 본질적으로 어떤 목표 함수를 최소화하는 것으로 구성된다"고 말했다.[11] 알파제로 체스는 간단한 목표 함수를 가지고 있었다. 각 승리는 +1점으로 계산되고 각 패배는 -1점으로 계산되었다. 자율 주행 자동차의 목표 함수는 더 복잡해야 한다.[12] 진화 컴퓨팅은 각 에이전트가 남길 수 있는 자손의 수에 영향을 미치는 "적합도 함수"를 최대화하기 위한 의도된 방식으로 행동하는 것처럼 보이는 지능형 에이전트를 진화시킬 수 있다.[3]
AIXI의 수학적 형식은 이 패러다임에서 최대한 지능적인 에이전트로 제안되었다.[13] 그러나 AIXI는 계산 불가능하다. 현실 세계에서 IA는 유한한 시간과 하드웨어 리소스에 의해 제약을 받으며, 과학자들은 기존 하드웨어로 벤치마크 테스트에서 점진적으로 더 높은 점수를 달성할 수 있는 알고리즘을 생산하기 위해 경쟁한다.[14]
3. 3. 에이전트 함수
단순한 에이전트 프로그램은 수학적으로 함수 ''f'' ("에이전트 함수"라고 부름) [15]로 정의할 수 있으며, 이 함수는 모든 가능한 지각열을 에이전트가 수행할 수 있는 행동 또는 계수, 피드백 요소, 함수, 상수(최종 행동에 영향을 미침)에 매핑한다.:
에이전트 함수는 추상적인 개념으로, 개별 옵션의 유틸리티 계산, 논리 규칙에 대한 연역, 퍼지 논리 등 다양한 의사결정 원리를 포함할 수 있다.[16]
프로그램 에이전트는 대신 모든 가능한 지각을 행동에 매핑한다.[17]
"지각(percept)"이라는 용어는 주어진 순간 에이전트의 지각 입력을 가리키는 데 사용된다.
4. 에이전트의 분류
Russell영어과 Norvig영어는 지각되는 지능과 능력의 정도에 따라 에이전트를 다섯 가지 종류로 분류하며, 바이스(Weiss)는 에이전트를 네 가지 종류로 정의한다.[18][30] 또한, '''"정보 시대를 위한 경영 정보 시스템" 제3판'''에서는 지능형 에이전트를 기본적으로 다음 네 가지 종류로 분류한다.[30]
| 종류 | 설명 |
|---|---|
| 구매 에이전트[32] (쇼핑봇) | 네트워크(인터넷)상에서 상품이나 서비스에 대한 정보를 검색한다. 아마존은 쇼핑봇의 좋은 예이다. |
| 사용자 에이전트[31] (개인 에이전트) | 개별 사용자를 위해 행동하는 에이전트이다. 예를 들어, 전자우편을 확인하고 우선순위에 따라 정렬하거나, 사용자가 지정한 주제에 따라 정보를 찾는다. |
| 모니터링 에이전트[33] (예측 에이전트) | 기기를 모니터링하고 보고하는 지능형 에이전트이다. NASA의 제트추진연구소(JPL)에서는 모니터링 에이전트를 도입하고 있다. |
| 데이터 마이닝 에이전트 | 데이터 웨어하우스 내에서 작동하며 정보를 찾는다. 데이터 마이닝을 통해 유용한 데이터를 찾아내며, 트렌드의 큰 변화를 감지하여 사용자에게 알릴 수도 있다. |
지능형 에이전트는 그 작업에 따라 천차만별이다. [http://www.botspot.com BotSpot]에는 각종 에이전트에 대한 정보가 있다.
4. 1. 러셀과 노빅의 분류
Russell영어과 Norvig영어는 지각되는 지능과 능력의 정도에 따라 에이전트를 다섯 가지 종류로 분류한다.[18]- '''단순 반사 작용 에이전트'''
단순 반사 작용 에이전트는 현재의 지각에만 근거하여 행동하며, 과거의 지각 이력은 무시한다. 에이전트 함수는 '조건-행동 규칙'(조건이면 행동)을 기반으로 한다. 이 에이전트 함수는 환경이 완전히 관찰 가능할 때만 성공한다. 일부 반사 작용 에이전트는 현재 상태 정보를 포함하여 이미 작동기가 작동된 조건을 무시할 수도 있다. 부분적으로 관찰 가능한 환경에서 작동하는 단순 반사 작용 에이전트는 무한 루프에 빠지는 경우가 종종 있다. 에이전트가 행동을 무작위로 할 수 있다면 무한 루프에서 벗어날 수 있다.
- '''모델 기반 반사 에이전트'''
thumb
모델 기반 에이전트는 부분적으로 관측 가능한 환경을 처리할 수 있다. 현재 상태는 에이전트 내부에 저장되며, 관측되지 않는 세계의 일부를 설명하는 구조를 유지한다. "세계가 어떻게 작동하는지"에 대한 지식을 세계 모델이라고 하며, "모델 기반 에이전트"라는 이름이 붙은 이유이다. 모델 기반 반사 에이전트는 지각 기록에 따라 달라지며, 현재 상태의 관측되지 않은 측면을 적어도 일부 반영하는 내부 모델을 유지해야 한다. 지각 기록과 환경에 대한 행동의 영향은 내부 모델을 사용하여 결정할 수 있다. 그런 다음 반사 에이전트와 같은 방식으로 행동을 선택한다. 에이전트는 모델을 사용하여 환경 내 다른 에이전트의 행동을 설명하고 예측할 수 있다.[19]
- '''목표 기반 에이전트'''
목표 기반 에이전트는 모델 기반 에이전트의 기능을 "목표" 정보를 사용하여 확장한다. 목표 정보는 바람직한 상황을 설명한다. 이는 에이전트에게 여러 가능성 중에서 목표 상태에 도달하는 것을 선택하는 방법을 제공한다. 계획과 탐색은 에이전트의 목표를 달성하는 행동 순서를 찾는 데 사용되는 인공 지능의 하위 분야이다.
- '''효용 기반 에이전트'''
thumb
목표 기반 에이전트는 목표 상태와 비목표 상태만을 구분하지만, 특정 상태가 얼마나 바람직한지를 측정하는 것도 가능하다. 이러한 측정은 상태를 해당 상태의 효용 척도에 매핑하는 ''효용 함수''를 사용하여 얻을 수 있다. 보다 일반적인 성능 측정은 에이전트의 목표를 얼마나 잘 충족하는지에 따라 서로 다른 세계 상태를 비교할 수 있도록 한다. 효용이라는 용어는 에이전트가 얼마나 "행복한지"를 나타내는 데 사용된다. 합리적인 효용 기반 에이전트는 행동 결과의 기대 효용을 극대화하는 행동을 선택한다. 즉, 각 결과의 확률과 효용을 고려하여 에이전트가 평균적으로 얻을 것으로 예상하는 것을 최대화한다. 효용 기반 에이전트는 환경을 모델링하고 추적해야 하며, 이러한 작업에는 지각, 표현, 추론 및 학습에 대한 많은 연구가 필요하다.
- '''학습하는 에이전트'''
thumb
학습은 에이전트가 처음에는 알 수 없는 환경에서 작동하도록 하고, 초기 지식만으로는 불가능한 수준으로 능력을 향상시킬 수 있다는 장점이 있다. 가장 중요한 차이점은 개선을 담당하는 "학습 요소"와 외부 행동을 선택하는 "성능 요소" 간의 구분이다. 학습 요소는 에이전트의 성과에 대한 "비평가"의 피드백을 사용하여, 향후 성능 요소("행위자")가 더 잘 수행하도록 수정하는 방법을 결정한다. 이전에는 전체 에이전트로 간주되었던 성능 요소는 지각을 받아들이고 행동을 결정한다. 학습 에이전트의 마지막 구성 요소는 "문제 생성기"이다. 이는 새롭고 유익한 경험으로 이어질 행동을 제안하는 역할을 한다.
4. 2. 바이스(Weiss)의 분류
바이스(Weiss)[30]는 에이전트를 다음과 같이 네 가지 종류로 정의한다.- 논리 기반 에이전트 – 어떤 행동을 수행할지에 대한 결정이 논리적 연역을 통해 이루어진다.
- 반응형 에이전트 – 상황과 행동 간의 일종의 직접적인 매핑으로 의사결정이 구현된다.
- 신념-욕구-의도 에이전트 – 의사결정은 에이전트의 신념, 욕구, 의도를 나타내는 자료 구조의 조작에 의존한다.
- 계층형 아키텍처 – 의사결정은 여러 소프트웨어 계층을 통해 실현되는데, 각 계층은 추상화의 여러 수준에서 환경에 대해 다소 명시적으로 추론한다.
'''"정보 시대를 위한 경영 정보 시스템" 제3판'''에서는 지능형 에이전트를 기본적으로 다음 4가지 종류로 분류한다.[30]
| 번호 | 종류 | 설명 |
|---|---|---|
| 1 | 구매 에이전트[32] (쇼핑봇) | 네트워크(인터넷)상에서 상품이나 서비스에 대한 정보를 검색한다. 아마존은 쇼핑봇의 좋은 예이다. |
| 2 | 사용자 에이전트[31] (개인 에이전트) | 개별 사용자를 위해 행동하는 에이전트이다. 예를 들어, 전자우편을 확인하고 우선순위에 따라 정렬하거나, 사용자가 지정한 주제에 따라 정보를 찾는다. |
| 3 | 모니터링 에이전트[33] (예측 에이전트) | 기기를 모니터링하고 보고하는 지능형 에이전트이다. NASA의 제트추진연구소(JPL)에서는 모니터링 에이전트를 도입하고 있다. |
| 4 | 데이터 마이닝 에이전트 | 데이터 웨어하우스 내에서 작동하며 정보를 찾는다. 데이터 마이닝을 통해 유용한 데이터를 찾아내며, 트렌드의 큰 변화를 감지하여 사용자에게 알릴 수도 있다. |
4. 3. 기타 분류
'''"정보 시대를 위한 경영 정보 시스템" 제3판'''에 따르면, 지능형 에이전트는 기본적으로 다음 4가지 종류로 분류된다.[30]| 종류 | 설명 |
|---|---|
| 구매 에이전트[32] | 네트워크(인터넷)상에서 상품이나 서비스에 대한 정보를 검색한다. "쇼핑봇"이라고도 불리며, CD, 책, 가전제품과 같이 규격화된 제품에 대해 매우 효율적으로 작동한다. 아마존은 쇼핑봇의 좋은 예이다. 아마존에서는 사용자의 과거 구매 이력 등을 바탕으로 사용자가 좋아할 만한 책 등의 목록을 제시한다. |
| 사용자/개인 에이전트[31] | 개별 사용자를 위해 행동하는 에이전트이다. 예를 들어, 전자우편을 확인하고, (사용자의) 우선순위에 따라 정렬하며, 좋은 소식이 있으면 사용자에게 알려준다(예: 대학 합격 통지 등). 그 외에도 게임 상대, 뉴스 요약, 정보 검색, 웹 양식 자동 입력, 웹페이지 내 중요 정보 강조, 사용자와의 대화 등의 작업을 수행한다. |
| 모니터링 에이전트[33] | "예측 에이전트"라고도 불리며, 기기를 모니터링하고 보고하는 지능형 에이전트이다. 예를 들어, NASA의 제트추진연구소(JPL)에서는 기기 주문과 관련하여 재고 관리, 계획, 스케줄링의 비용 절감을 위해 모니터링 에이전트를 도입하고 있다. 이러한 에이전트는 복잡한 컴퓨터 네트워크를 모니터링하고 각 기기가 네트워크에 정상적으로 연결되도록 조정한다. |
| 데이터 마이닝 에이전트 | 데이터 웨어하우스 내에서 작동하며 정보를 찾는다. 데이터 웨어하우스는 다양한 정보원에서 대량의 정보를 수집한다. "데이터 마이닝"이란 그 중에서 유용한 데이터를 찾아내는 것이며, 예를 들어 매출을 증가시키는 방법이나 이탈하려는 고객을 붙잡는 방법을 찾는 것이다. "분류"는 일반적인 데이터 마이닝 기법 중 하나로, 정보 내의 패턴을 찾아 분류하는 것이다. 데이터 마이닝 에이전트는 트렌드의 큰 변화를 감지하거나 새로운 정보의 존재를 감지하여 사용자에게 알릴 수도 있다. |
지능형 에이전트는 그 작업에 따라 천차만별이다. [http://www.botspot.com BotSpot]에는 각종 에이전트에 대한 정보가 있다.
5. 에이전트의 활용
학습 에이전트는 사용자가 웹에서 하는 행동을 보고 어떤 내용에 관심이 있는지 판단하여 사용자에게 알맞은 내용을 전달한다.[30] 사용자 인터페이스 에이전트는 사용자가 원하는 작업을 찾아 네트워크나 응용 프로그램 안에서 실행될 수 있도록 돕는다. 사용자 인터페이스는 응용 프로그램의 성공에 매우 중요하며, 사용자의 요구를 명확하게 해석하고 결과를 이해하기 쉬운 형태로 변환해야 한다.[30]
데스크톱 에이전트는 PC나 워크스테이션 운영 체제에 상주하며 국부적으로 실행되는 소프트웨어 에이전트이다. 데스크톱 에이전트는 운영 체제 에이전트, 응용 프로그램 에이전트, 응용 프로그램 환경 에이전트로 분류된다.[30]
인터넷 에이전트는 서버에 상주하면서 사용자와 직접적인 상호 작용 없이 사용자를 대신해 작업을 수행하기 위해 인터넷상의 분산된 온라인 정보에 접근한다. 인터넷 에이전트는 정보 제공자와 소비자 사이의 중개인 역할을 하며, 사용자의 정보 요구를 중재한다.[30]
전자상거래 에이전트는 상거래 과정의 일부를 자동화하여 사람이 물건을 사고파는 업무를 대신 수행한다.[30]
Hallerbach 외는 자동 주행 시스템 개발 및 검증을 위해 차량 시험 대상의 디지털 트윈과 독립 에이전트 기반의 미시적 교통 시뮬레이션을 활용하는 에이전트 기반 접근 방식을 제안했다.[25] 웨이모(Waymo)는 자율 주행차 알고리즘 테스트를 위해 다중 에이전트 시뮬레이션 환경인 Carcraft를 만들었다.[26][27] Carcraft는 인간 운전자, 보행자, 자율 주행 차량 간의 교통 상호 작용을 시뮬레이션하며, 사람들의 행동은 실제 인간 행동 데이터를 기반으로 한다.[26][27]
'''"정보 시대를 위한 경영 정보 시스템" 제3판'''에서는 지능형 에이전트를 다음 네 가지 종류로 분류한다.[30]
구매 에이전트는 인터넷에서 상품이나 서비스 정보를 검색하는 "쇼핑봇"으로, 규격화된 제품에 대해 매우 효율적이다. 아마존은 사용자의 과거 구매 이력 등을 바탕으로 사용자가 좋아할 만한 상품 목록을 제시하는 쇼핑봇의 좋은 예이다.[32]
사용자/개인 에이전트는 사용자를 위해 다음과 같은 작업을 수행한다.[31]
- 전자우편 확인 및 정렬
- 게임 상대 또는 게임 관련 사이트 순회
- 사용자의 관심사에 맞춰 뉴스 요약 (예: CNN)
- 사용자가 지정한 주제에 따라 정보 검색
- 사용자 개인 정보를 기억하고 웹 양식 입력
- 웹페이지 검색 시 중요 정보 강조 표시
- 사용자와 다양한 주제에 대해 대화
모니터링 에이전트는 "예측 에이전트"라고도 불리며, 기기를 모니터링하고 보고한다. 예를 들어, NASA의 제트추진연구소(JPL)는 재고 관리, 계획, 스케줄링 비용 절감을 위해 모니터링 에이전트를 도입했다. 이 에이전트는 복잡한 컴퓨터 네트워크를 모니터링하고 각 기기가 네트워크에 정상적으로 연결되도록 조정한다.[33]
데이터 마이닝 에이전트는 데이터 웨어하우스에서 정보를 찾는다. 데이터 마이닝은 대량의 정보에서 유용한 데이터를 찾아내는 것으로, 매출 증가나 고객 이탈 방지 방법을 찾는 데 활용된다. 데이터 마이닝 에이전트는 트렌드 변화나 새로운 정보 존재를 감지하여 사용자에게 알릴 수 있다.
참조
[1]
백과사전
Artificial Intelligence
https://plato.stanfo[...]
2018-07-12
[2]
뉴스
Artificial Intelligence Will Do What We Ask. That's a Problem.
https://www.quantama[...]
2020-01-30
[3]
저널
On model-based evolutionary computation
1999
[4]
Harvtxt
2003
[5]
서적
Developing intelligent agent systems: A practical guide
John Wiley & Sons
2005
[6]
저널
Siri, Siri, in my hand: Who's the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence
2019-01-01
[7]
논문
Selective sampling for nearest neighbor classifiers
2004
[8]
뉴스
Generative adversarial networks: What GANs are and how they've evolved
https://venturebeat.[...]
2019-12-26
[9]
뉴스
Artificial Intelligence Will Do What We Ask. That's a Problem.
https://www.quantama[...]
2020-01
[10]
논문
Policy invariance under reward transformations: Theory and application to reward shaping
1999
[11]
서적
Architects of Intelligence: The truth about AI from the people building it
Packt Publishing Ltd
2018
[12]
뉴스
Why AlphaZero's Artificial Intelligence Has Trouble With the Real World
https://www.quantama[...]
2018
[13]
저널
Mapping the Landscape of Human-Level Artificial General Intelligence
2012-03-15
[14]
뉴스
Eye-catching advances in some AI fields are not real
https://www.science.[...]
2020-05-27
[15]
Harvnb
2003
[16]
서적
Design of Agent-Based Models
http://www.designofa[...]
Bruckner Publishing
[17]
저널
Artificial intelligence: A modern approach
1996-04
[18]
Harvnb
2003
[19]
논문
Autonomous Agents Modelling Other Agents: A Comprehensive Survey and Open Problems
2018
[20]
웹사이트
A Universal Formula for Intelligence
https://geeksoutofth[...]
2022-10-11
[21]
저널
Causal Entropic Forces
2013-04-19
[22]
웹사이트
1.3 Agents Situated in Environments‣ Chapter 2 Agent Architectures and Hierarchical Control‣ Artificial Intelligence: Foundations of Computational Agents, 2nd Edition
https://artint.info/[...]
2018-11-28
[23]
뉴스
Competing For The Future With Intelligent Agents... And A Confession
https://www.forbes.c[...]
2020-06-18
[24]
논문
A systematic approach to artificial agents
2009
[25]
저널
Simulation-Based Identification of Critical Scenarios for Cooperative and Automated Vehicles
https://www.research[...]
SAE International
2018
[26]
뉴스
Inside Waymo's Secret World for Training Self-Driving Cars
https://www.theatlan[...]
2020-08-14
[27]
저널
Cyber Synthetic Modeling for Vehicle-to-Vehicle Applications
Academic Conferences International Limited
2018
[28]
컨퍼런스
SVE: embedded agent based smart vehicle environment
https://ieeexplore.i[...]
2003
[29]
웹사이트
Characteristics of an intelligent agent
http://www.rsnz.org/[...]
[30]
서적
Management Information Systems for the Information Age
2006
[31]
위키
[[ユーザーエージェント]]とは異なるので注意されたい。
[32]
서적
Management Information Systems for the Information Age
2006
[33]
서적
Management Information Systems for the Information Age
2006
본 사이트는 AI가 위키백과와 뉴스 기사,정부 간행물,학술 논문등을 바탕으로 정보를 가공하여 제공하는 백과사전형 서비스입니다.
모든 문서는 AI에 의해 자동 생성되며, CC BY-SA 4.0 라이선스에 따라 이용할 수 있습니다.
하지만, 위키백과나 뉴스 기사 자체에 오류, 부정확한 정보, 또는 가짜 뉴스가 포함될 수 있으며, AI는 이러한 내용을 완벽하게 걸러내지 못할 수 있습니다.
따라서 제공되는 정보에 일부 오류나 편향이 있을 수 있으므로, 중요한 정보는 반드시 다른 출처를 통해 교차 검증하시기 바랍니다.
문의하기 : help@durumis.com