Новый алгоритм AI решает проблемы, связанные с поиском движущихся целей в условиях меняющейся обстановки
Привет. Когда мы собираемся добраться из пункта А в пункт Б, сегодня у нас есть варианты, выходящии за пределы типичной поездке на автобусе или такси. Различные варианты поездок и совместного использования автомобилей теперь доступны в городах по всему миру, что делает их более удобными, чем когда-либо. Тем не менее, любой, кто пользуется такими службами, знает, что для водителя поиск маршрута к вам может оказаться затруднительным, если он использует только GPS навигатор, при этом вы, конечно, должны ожидать его, стоять на месте.
На языке исследований искусственного интеллекта (AI) это «проблема поиска движущихся целей». Пользователь - движущаяся цель, а машина - это агент, которому необходимо найти пассажира. Команда исследователей работает над решением, которое в один прекрасный день позволит пассажирам, нуждающимся в перевозке, бронировать интеллектуальные беспилотные такси, которые смогут найти их и забрать в нужное время и в указанном месте.
В IBM Research - Ireland разработали новый алгоритм движущихся целей, который позволяет пользователям изменять свое местоположение по своему усмотрению, вместо того, чтобы ждать в заранее определенном месте. Поставщик услуг в этом сценарии также извлекает выгоду из возможности минимизировать эксплуатационные расходы, такие как бензин.
Это решение проиллюстрировано в исследовании, озаглавленном «Масштабируемый подход к ведению нескольких движущихся целей с несколькими агентами», который был представлен на Международной конференции по искусственному интеллекту (IJCAI) в Мельбурне, Австралия. На конференции компания продемонстрировала, как разные агенты назначаются для разных целей (пользователей) и как происходит планирование движения AI агентов-такси.
Алгоритм очень быстрый, и он легко расширяется до решения проблем с сотнями агентов (намного больше, чем ранее). Он обеспечивает прочную основу AI, которая позволит применять широкомасштабный перемещаемый целевой поиск в приложения реального времени. Помимо интеллектуальных систем такси, это может быть применено и в области здравоохранения, например, к сопоставлению движения скорой помощи с местом нахождения пациентов.
В медицинских компаниях по оказанию помощи обычно работает большое количеством работников по уходу, с некоторыми ограничениями, такими как их персональные возможности и опыт, что часто делает их несоответствующими нуждам конкретных пациентов. Эта проблема решается при помощи AI - это так называемая многоагентная задача поиска и планирования, где каждый агент (работник по уходу) определяет свой план, зависящий от необходимой помощи в конкретном случае, по некоторым задачам сводя к минимуму задержку в оказании услуг.
В другом документе, который был представлен на конференции - «Эффективный оптимальный поиск по расчету затрат», - описано решение проблемы минимизации задержек обслуживания, вызванных неопределенностью транспортировки. В этом сценарии преимущества аналогичны такому сценарию, в котором услуги службы поддержки уменьшают текущие расходы, стыкуя лиц, обеспечивающих уход с нуждающимися в помощи пациентами, за счет чего пациент выигрывает от сокращения времени ожидания.
Этот подход основывается на системе планирования поездок. IBM Research развивается в течение нескольких лет и является очень надежным в том смысле, что максимальное время опоздания службы теоретически гарантируется, даже если возникают неопределенные события, такие как пропущенные рейсы поездов/автобусов. Сравнение их экспериментальных результатов с реальными транспортными сетями демонстрирует перспективность подхода.
Оба сценария такси и ухода за пациентами поднимают проблему поиска в режиме реального времени, которая требует от агента быстрой стыковки пользователя с поставщиком услуг при работе в условиях ограниченной информации. В другом документе описывается алгоритм, который значительно улучшает поведение агента в реальном времени. Алгоритм определяет места, где у агента нет причин для повторного посещения пациента, которому уже была оказана помощь. Результаты показывают, что новая технология является серьезным шагом в будущее, где AI-агенты принимают оптимальные решения при наличии ограниченной информации и ограниченного времени.
Например, поиск в режиме реального времени позволяет агенту быстро найти другой маршрут, чтобы добраться до места назначения, при обнаружении того, что текущая дорога заблокирована из-за непредвиденного события, такого как дорожно-транспортное происшествие. В этой ситуации нужно просто найти другой маршрут из текущего местоположения, а не планировать новый визит. Поиск в реальном времени может эффективно сделать это на основе приобретенных знаний о том, какие дороги были свободными. Этот поиск может быть расширен даже для поисково-спасательных операций в зоне бедствий, таких как землетрясения и наводнения, где автономные роботы имеют ограниченные знания о текущей карте дорог из-за их количества и которые могут быть внезапно заблокированы.
