KI und Agententheorie Flashcards
Was ist ein neuronales Netz?
Neuronale Netze sind Abstraktionen echter Nervenzellen (Synapsen). Sie modellieren ausschließlich die Informationsweitergabe bzw. -verarbeitung.
Was sind die Vor- und Nachteile eines neuronalen Netzes?
Vorteile:
- Sehr breiter Einsatzbereich
- Auch für komplexe Fragestellungen geeignet
- Arbeitswege gut zu parallelisieren
- Fertiges Netzwerk arbeitet effizient
Nachteile:
- Lernzprozess sehr aufwändig/liefert häufig nur lokales Optimum
- Geeignete Netzwerkstruktur schwer zu bestimmen
- Gefahr des Overfitting (Lösung passt nur auf Datensatz richtig gut)
- Arbeitsweise des fertigen Netzwerks ist schwer zu durchschauen
Was sind die verschiedenen Elemente eines neuronalen Netzwerks?
Neuronen:
- Eingabefunktion
- Aktivierungsfunktion
- Aktivierungszustand
- Ausgabefunktion
Netzwerkgraph:
- Knoten des Graphen (Neuronen)
- Kanten des Graphen (gewichtete Verbindungen zwischen den Neuronen => positiv oder negativ)
Lernverfahren => bestimmt die Änderung der Netzwerkparameter
Was sind die Eigenschaften der Eingabefunktion?
- Integriert alle Eingaben zur Gesamteingabe eines Neurons (Netto-Input net)
- Verwendet die Ausgaben der vorgeschalteten Neuronen und die entsprechenden Gewichte
Was sind die Eigenschaften der Aktivierungsfunktion?
- Bestimmt den aktuellen Aktivierungszustand des Neurons
- Verwendet dazu den Netto-Input und den vorherigen Aktivierungszustand
Was sind die Eigenschaften des Aktivierungszustands?
- Erregungs- oder Aktivierungslevel des Neurons
- Funktionswert der Aktivierungsfunktion
Was sind die Eigenschaften der Ausgabefunktion?
- Legt abhängig vom Aktivierungszustand den tatsächlichen Ausgabewert des Neurons fest
Was sind Agenten im Rahmen der künstlichen Intelligenz?
Ein Agent ist eine abgrenzbare Einheit mit definierten Zielen. Diese Ziele werden durch Interaktion mit der Umwelt und anderen Agenten selbstständig erreicht.
Agenten besitzen Sensoren, mit deren Hilfe sie die Umgebung und Aktuatoren, mit deren Hilfe sie auf die Umgebung einwirken.
Interagieren mehrere Agenten miteinander, spricht man von einem Multiagentenmodell.
Welche Umgebungseigenschaften gibt es?
Vollständig vs. teilweise beobachtbar:
- Ist die ganze Welt bekannt/sichtbar? Beim autonomen Fahren sind Objekte häufig nicht sichtbar
Einzelagent vs. Multiagent
Deterministisch vs. stochastisch:
- Folgezustand ergibt sich entweder komplett aus vorherigen Zuständen oder entsteht in jedem Durchgang unabhängig oder teilweise unabhängig (z.B. Schach => deterministisch)
Episodische vs. sequenziell:
- episodische Agenten haben kein Langzeitgedächtnis => Daten aus vorherigen Durchgängen werden vergessen
Statisch vs. dynamisch:
- dynamische Umgebungen können sich ändern während ein Agent entscheidet, statische nicht
Diskret vs. stetig
Bekannt vs. unbekannt:
- Regeln der Umgebung müssen erlernt werden (oder nicht)
Was sind Beispiele für Sensoren von Agenten?
- Computer Vision
- Natural Language Processing
- Tast-/Druck-/Temperatur-/Licht-/Laser-/Röntgensensoren
- Natural Language Generation
Welche vier grundlegenden Agentenprogramme gibt es?
- Einfache Reflexagenten
- Modellbasierte Reflexagenten
- Zielbasierte Agenten
- Nutzenbasierte Agenten
Wie funktioniert ein einfacher Reflexagent?
Der aktuelle Zustand der Umwelt wird über Sensoren registriert. Auf Basis fester, vorbestimmter Bedingungen oder Aktions-Regeln wird entschieden, welche Aktion die Aktuatoren ausführen sollen.
Wie funktioniert ein modellbasierter Reflexagent?
- Der aktuelle Zustand der Umwelt wird über Sensoren registriert
- Zusätzlich werden durch Eingabe des aktuellen Zustands in ein Modell Annahmen getroffen, wie sich die Umwelt entwickelt und was mögliche Aktionen bewirken
- Dann werden Aktionen auf Basis fester Regeln ausgewählt und durch die Aktuatoren ausgeführt.
Wie funktioniert ein zielbasierter Agent?
- Der aktuelle Zustand der Umwelt wird über Sensoren registriert
- Analog zum modellbasierten Agenten werden unter Einbezug des aktuellen Zustands und eines vorgegebenen Modells Annahmen über zukünftige Entwicklungen getroffen
- Mögliche Aktionen und ihre Konsequenzen werden berücksichtigt, ebenso wie Ziele
- Nach diesen beiden Parametern wird dann ausgewählt, welche Aktion durch die Aktuatoren ausgeführt wird.
Wie funktioniert ein nutzenbasierter Agent?
- Ein nutzenbasierter Agent funktioniert analog zu einem zielbasierten Agenten
- Statt der a priori festgelegten Ziele erfolgt die Beurteilung und Auswahl der Handlungsmöglichkeiten durch eine Nutzenbewertung