[논문 리뷰] A Systematic Approach to Artificial Agents

Mark Burgin, Gordana Dodig-Crnković|ArXiv.org|2009. 02. 20.

Multi-Agent Systems and Negotiation참고 문헌 11인용 수 7

한 줄 요약

이 논문은 인공 에이전트의 인지적 및 기능적 능력을 기반으로 체계적인 분류를 제안하며, 추론, 학습, 자율성 수준에 따라 구분되는 계층적 프레임워크를 도입한다. 주요 기여는 향후 인공지능 및 다중에이전트 시스템의 시스템 설계 및 문제 해결 응용 분야에서 에이전트 유형을 명확히 하는 체계적인 분류 체계를 제공하는 것이다.

ABSTRACT

Agents and agent systems are becoming more and more important in the development of a variety of fields such as ubiquitous computing, ambient intelligence, autonomous computing, intelligent systems and intelligent robotics. The need for improvement of our basic knowledge on agents is very essential. We take a systematic approach and present extended classification of artificial agents which can be useful for understanding of what artificial agents are and what they can be in the future. The aim of this classification is to give us insights in what kind of agents can be created and what type of problems demand a specific kind of agents for their solution.

연구 동기 및 목표

• 에이전트가 융통성 있는 계산 및 지능형 시스템의 중심이 되면서 이 분야에 체계적인 이론적 기반을 마련할 필요가 증가하고 있음을 다루기 위해.
• 에이전트의 인지적 및 운영 능력에 기반해 에이전트 유형을 구분할 수 있는 통합된 분류 체계가 부족한 문제를 해결하기 위해.
• 특정 응용 분야에 적합한 에이전트 유형을 선택하는 데 안내하는 체계적인 프레임워크를 제공하기 위해.
• 반응형, 목표 기반, 학습형, 자율형 에이전트를 포함한 다양한 에이전트 유형 간의 개념적 경계를 명확히 하기 위해.
• 특정 문제 유형을 해결하는 데 가장 적합한 에이전트 유형을 식별함으로써 향후 지능형 시스템 개발을 지원하기 위해.

제안 방법

• 에이전트의 인지적 및 기능적 복잡성 수준에 기반해 계층적 에이전트 분류를 제안한다.
• 자율성, 추론, 학습, 적응 능력의 증가 수준에 따라 에이전트 유형을 정의한다.
• 정보 처리 능력과 의사결정 메커니즘을 기반으로 에이전트를 분류하는 형식적 프레임워크를 도입한다.
• 동적인 환경에서 인지, 추론, 학습, 행동 능력에 따라 에이전트를 체계적으로 구분하는 접근 방식을 사용한다.
• 수학적 논리학 및 오토마타 이론의 이론적 구조를 활용해 에이전트의 행동과 능력을 모델링한다.
• 목표 지향성, 적응 가능성, 자가 수리 행동 등의 형식적 기준을 사용해 에이전트 유형 간 비교 및 대조의 기반을 마련한다.

실험 결과

연구 질문

• RQ1 에이전트의 인지적 및 기능적 능력 측면에서 서로 다른 인공에이전트 유형 간의 근본적 차이는 무엇인가?
• RQ2 에이전트의 체계적 분류가 특정 응용 분야의 에이전트 설계 및 선택에 어떻게 기여할 수 있는가?
• RQ3 자율성과 지능의 증가 수준을 정의하는 기준은 무엇인가?
• RQ4 복잡하거나 동적인, 또는 불확실한 문제를 해결하는 데 가장 적합한 에이전트 유형은 무엇인가?
• RQ5 논리학 및 오토마타 이론의 형식적 프레임워크는 어떻게 인공에이전트를 모델링하고 분류하는 데 적용될 수 있는가?

주요 결과

• 이 논문은 단순한 반응형 에이전트에서부터 고도로 자율적이고 학습 능력을 갖춘 시스템에 이르기까지 포괄적인 인공에이전트 분류 체계를 수립한다.
• 추론, 학습, 적응 행동에 기반해 에이전트의 유형을 명확히 구분하는 클래스를 식별하며, 능력 수준에 따른 명확한 계층적 구조를 제공한다.
• 이 분류 체계는 에이전트 유형과 문제 영역 간의 보다 나은 일치를 가능하게 하여 시스템 설계 및 기능 향상에 기여한다.
• 높은 인지 능력을 갖춘 에이전트—예를 들어 자기 인식 및 장기 계획 능력—이 복잡하고 개방적인 환경에서 필수적임을 드러낸다.
• 형식적 분류가 인공지능 및 로봇공학 분야에서 에이전트 시스템의 이론적 이해와 실질적 구현을 향상시킨다는 점을 입증한다.
• 제안된 체계는 에이전트 중심 컴퓨팅 및 다중에이전트 시스템 공학 분야의 향후 연구에 기초를 마련한다.