Tecnica che consente all’intelligenza artificiale di pensare lontano nel futuro

Un team di ricercatori del MIT, del MIT-IBM Watson AI Lab e di altre istituzioni ha sviluppato un nuovo approccio che consente agli agenti di intelligenza artificiale (AI) di raggiungere una prospettiva lungimirante. In altre parole, l’AI può pensare lontano nel futuro quando considera come i loro comportamenti possano includere i comportamenti di altri agenti AI quando completano un compito.

La ricerca sarà presentata alla Conferenza su Neural Information Processing Systems.

AI che considera le azioni future degli altri agenti

Il framework di apprendimento automatico creato dal team consente agli agenti di intelligenza artificiale cooperativi o competitivi di considerare cosa faranno gli altri agenti. Ciò non si limita ai prossimi passi, ma piuttosto mentre il tempo si avvicina all’infinito. Gli agenti adattano i loro comportamenti di conseguenza per influenzare i comportamenti futuri degli altri agenti, aiutandoli a raggiungere soluzioni ottimali a lungo termine.

Secondo il team, il framework potrebbe essere utilizzato, ad esempio, da un gruppo di droni autonomi che lavorano insieme per trovare un escursionista smarrito. Potrebbe anche essere utilizzato da veicoli autonomi per anticipare le mosse future degli altri veicoli per migliorare la sicurezza dei passeggeri.

Dong-Ki Kim è uno studente di dottorato presso il MIT Laboratory for Information and Decision Systems (LIDS) e autore principale della ricerca.

“Quando gli agenti di intelligenza artificiale cooperano o competono, ciò che conta di più è quando i loro comportamenti convergono in qualche punto nel futuro”, dice Kim. “Ci sono molti comportamenti transitori lungo la strada che non contano molto nel lungo termine. Raggiungere questo comportamento convergente è ciò a cui realmente ci interessiamo e ora abbiamo un metodo matematico per consentirlo”.

Il problema affrontato dai ricercatori è chiamato apprendimento automatico multi-agente, con l’apprendimento automatico che è una forma di apprendimento automatico in cui gli agenti di intelligenza artificiale imparano per tentativi ed errori.

Ogni volta che ci sono più agenti cooperativi o competitivi che imparano simultaneamente, il processo può diventare molto più complesso. Mentre gli agenti considerano più passi futuri degli altri agenti, nonché il loro comportamento e come influenza gli altri, il problema richiede troppa potenza di calcolo.

AI che pensa all’infinito

“Gli agenti di intelligenza artificiale vogliono realmente pensare alla fine del gioco, ma non sanno quando il gioco finirà”, dice Kim. “Devono pensare a come continuare ad adattare il loro comportamento all’infinito in modo da vincere in qualche momento lontano nel futuro. Il nostro articolo propone essenzialmente un nuovo obiettivo che consente all’AI di pensare all’infinito”.

È impossibile integrare l’infinito in un algoritmo, quindi il team ha progettato il sistema in modo che gli agenti si concentrino su un punto futuro in cui il loro comportamento convergerà con quello degli altri agenti. Ciò è chiamato equilibrio e un punto di equilibrio determina le prestazioni a lungo termine degli agenti.

È possibile che esistano più equilibri in uno scenario multi-agente e quando un agente efficace influenza attivamente i comportamenti futuri degli altri agenti, possono raggiungere un equilibrio desiderabile dal punto di vista dell’agente. Quando tutti gli agenti si influenzano a vicenda, convergono in un concetto generale chiamato “equilibrio attivo”.

Framework FURTHER

Il framework di apprendimento automatico del team si chiama FURTHER e consente agli agenti di imparare come adattare i loro comportamenti in base alle loro interazioni con gli altri agenti per raggiungere l’equilibrio attivo.

Il framework si basa su due moduli di apprendimento automatico. Il primo è un modulo di inferenza che consente a un agente di indovinare i comportamenti futuri degli altri agenti e gli algoritmi di apprendimento che utilizzano in base alle azioni precedenti. Le informazioni vengono quindi inserite nel modulo di apprendimento automatico per rinforzo, che l’agente utilizza per adattare il proprio comportamento e influenzare gli altri agenti.

“La sfida era pensare all’infinito. Abbiamo dovuto utilizzare molti strumenti matematici diversi per consentirlo e fare alcune ipotesi per farlo funzionare nella pratica”, dice Kim.

Il team ha testato il loro metodo contro altri framework di apprendimento automatico multi-agente in diversi scenari in cui gli agenti di intelligenza artificiale che utilizzavano FURTHER sono risultati migliori.

L’approccio è decentralizzato, quindi gli agenti imparano a vincere in modo indipendente. Inoltre, è meglio progettato per scalare rispetto ad altri metodi che richiedono un computer centrale per controllare gli agenti.

Secondo il team, FURTHER potrebbe essere utilizzato in una vasta gamma di problemi multi-agente. Kim è particolarmente ottimista sulle sue applicazioni in economia, dove potrebbe essere utilizzato per sviluppare politiche solide in situazioni che coinvolgono molte entità interagenti con comportamenti e interessi che cambiano nel tempo.