V umělé inteligenci a robotice je inteligentní agent (IA) autonomní entita, která pozoruje prostřednictvím senzorů a působí na prostředí pomocí aktuátorů (tj. je to agent) a směřuje svou činnost k dosažení cílů (tj. je racionální). Inteligentní agenti se také mohou učit nebo používat znalosti k dosažení svých cílů. Mohou být velmi jednoduché nebo velmi složité: reflexní stroj, jako je termostat, je jednoduchý inteligentní agent, komplexní agenti zahrnují jako lidské bytosti a společenství lidských bytostí spolupracujících na dosažení cíle.
Inteligentní agenti jsou často schematicky popisováni jako abstraktní funkční systém podobný počítačovému programu. Z tohoto důvodu jsou inteligentní agenti někdy nazýváni abstraktními inteligentními agenty (AIA)[citace nutná], aby se odlišili od jejich implementací v reálném světě, jako jsou počítačové systémy, biologické systémy nebo organizace. Některé definice inteligentních agentů zdůrazňují jejich autonomii, a tak preferují termín autonomní inteligentní agenti. Ještě jiné (zejména Russell & Norvig (2003)) považovaly za podstatu inteligence cílené chování, a tak preferují termín vypůjčený z ekonomie, „racionální agent“.
Verze paradigmatu inteligentního agenta jsou studovány v kognitivních vědách, etice, filozofii praktického rozumu, stejně jako v mnoha interdisciplinárních socio-kognitivních modelech a počítačových sociálních simulacích.
Inteligentní agenti jsou také úzce spjati se softwarovými agenty (autonomní softwarový program, který provádí úkoly jménem uživatelů). V informatice může být termín inteligentní agent používán pro označení softwarového agenta, který má nějakou inteligenci, bez ohledu na to, zda se nejedná o racionálního agenta podle Russellovy a Norvigovy definice. Například autonomní programy používané pro pomoc operátorovi nebo dolování dat (někdy označované jako boti) jsou také nazývány „inteligentní agenti“.
Jednoduchý program agenta lze matematicky definovat jako funkci agenta, která mapuje každou možnou sekvenci vnímá podle možné akce, kterou agent může provést, nebo podle koeficientu, prvku zpětné vazby, funkce nebo konstanty, která ovlivňuje případné akce:
Funkce agenta je abstraktní pojem, protože může obsahovat různé principy rozhodování, jako je výpočet užitečnosti jednotlivých možností, dedukce nad logickými pravidly, fuzzy logika, atd.
Agent programu místo toho mapuje každý možný vjem do akce.
Termínem percept označujeme agentovy vjemové vstupy v daném okamžiku. V následujících obrázcích je agentem cokoliv, co lze vnímat jako vnímající své prostředí prostřednictvím senzorů a působící na toto prostředí prostřednictvím aktuátorů.
Třídy inteligentních agentů
Model-based, goal-based agent
Agent založený na modelech a utilitách
Russell & Norvig (2003) skupinoví agenti do pěti tříd podle stupně vnímané inteligence a schopností:
Jednoduché reflexní agenty jednají pouze na základě aktuálního vnímání, zbytek historie vnímání ignorují. Funkce agenta je založena na pravidle podmínka-akce: pokud podmínka, pak akce.
Tato funkce agenta uspěje pouze tehdy, když je prostředí plně pozorovatelné. Některé reflexní agenty mohou také obsahovat informace o svém aktuálním stavu, které jim umožňují nebrat ohled na podmínky, jejichž aktuátory jsou již spuštěny.
Nekonečné smyčky jsou často nevyhnutelné pro jednoduché reflexní agenty pracující v částečně pozorovatelných prostředích. Poznámka: Pokud agent může své akce náhodně uspořádat, může být možné uniknout z nekonečných smyček.
Agent na bázi modelu zvládne částečně pozorovatelné prostředí. Jeho aktuální stav je uložen uvnitř agenta a udržuje nějakou strukturu, která popisuje část světa, kterou nelze vidět. Tato znalost o tom, jak „svět funguje“, se nazývá model světa, odtud název „agent na bázi modelu“.
Modelový reflexní agent by měl udržovat nějaký interní model, který je závislý na historii vnímání a tím odráží alespoň některé nepozorované aspekty současného stavu. Pak zvolí akci stejným způsobem jako reflexní agent.
Agenti na základě cílů dále rozšiřují možnosti agentů na základě modelů, a to pomocí informací o „cílech“. Informace o cílech popisují situace, které jsou žádoucí. To agentovi umožňuje vybrat si mezi více možnostmi a vybrat si tu, která dosáhne stavu cíle. Vyhledávání a plánování jsou dílčí pole umělé inteligence věnovaná hledání akčních sekvencí, které dosahují cílů agenta.
V některých případech se agent založený na cílech zdá být méně efektivní; je flexibilnější, protože znalosti, které podporují jeho rozhodnutí, jsou vyjádřeny explicitně a mohou být modifikovány.
Agenty založené na cílech rozlišují pouze mezi stavy cíle a stavy mimo cíl. Je možné definovat míru, jak je určitý stav žádoucí. Tuto míru lze získat pomocí užitné funkce, která mapuje stav podle míry užitkovosti stavu. Obecnější míra užitkovosti by měla umožnit srovnání různých stavů světa podle toho, jak přesně by agenta učinily šťastným. Termín užitkovost, lze použít k popisu toho, jak „šťastný“ agent je.
Racionální agent založený na utilitách vybere akci, která maximalizuje očekávanou užitečnost výsledků akce- to znamená, že agent očekává odvození v průměru vzhledem k pravděpodobnostem a utilitám každého výsledku. Agent založený na utilitách musí modelovat a sledovat své prostředí, úkoly, které zahrnovaly velké množství výzkumu o vnímání, reprezentaci, uvažování a učení.
Výhodou učení je, že agentům umožňuje zpočátku pracovat v neznámém prostředí a stát se kompetentnějšími, než by mohly umožňovat jeho počáteční znalosti. Nejdůležitější rozdíl je mezi „prvkem učení“, který je zodpovědný za zlepšování, a „prvkem výkonnosti“, který je zodpovědný za výběr vnějších akcí.
Učící se prvek využívá zpětnou vazbu od „kritika“ o tom, jak si agent vede, a určuje, jak by měl být výkonnostní prvek upraven, aby si v budoucnu vedl lépe.
Výkonnostní prvek je to, co jsme dříve považovali za celého agenta: přijímá vjemy a rozhoduje o akcích.
Poslední složkou učebního agenta je „generátor problémů“. Je zodpovědný za navrhování akcí, které povedou k novým a informativním zkušenostem.
Jiné třídy inteligentních činitelů
Aby mohli inteligentní agenti aktivně vykonávat své funkce, jsou dnes obvykle sdruženi v hierarchické struktuře obsahující mnoho „sub-agentů“. Inteligentní sub-agenti zpracovávají a vykonávají funkce nižší úrovně. Dohromady inteligentní agent a sub-agenti vytvářejí kompletní systém, který může plnit obtížné úkoly nebo cíle s chováním a reakcemi, které vykazují určitou formu inteligence.[citace nutná]