Belief–Desire–Intention-Modell

Das Belief–Desire–Intention-Softwaremodell (BDI) ist eine Softwarearchitektur, die für die Programmierung intelligenter Agenten entwickelt wurde. Es wird oberflächlich durch die Implementierung der Überzeugungen, Wünsche und Absichten eines Agenten charakterisiert, aber es verwendet diese Konzepte tatsächlich, um ein bestimmtes Problem in der Agentenprogrammierung zu lösen: die Trennung der Aktivität der Planauswahl (aus einer Planbibliothek oder von einem externen Planer) von der Ausführung der derzeit aktiven Pläne. Folglich können BDI-Agenten die Zeit, die sie mit der Abwägung von Plänen verbringen (Entscheidung, was zu tun ist), und die Ausführung dieser Pläne (das Tun) ausbalancieren. Eine dritte Aktivität, das Erstellen der Pläne an sich (Planung), liegt nicht im Rahmen des Modells und wird dem Systemdesigner und Programmierer überlassen.

Das BDI-Modell ist von Michael Bratmans Theorie des menschlichen praktischen Denkens inspiriert, die ebenfalls die Begriffe Überzeugung, Wunsch und Absicht verwendet. Für Bratman sind Wunsch und Absicht beide Pro-Einstellungen (mentale Einstellungen, die sich auf Handlungen beziehen), aber das Engagement unterscheidet die Absicht vom Wunsch, was zu zeitlicher Persistenz bei Plänen führt und dazu, dass weitere Pläne auf der Grundlage derjenigen erstellt werden, zu denen man sich bereits verpflichtet hat. Das BDI-Softwaremodell behandelt diese Probleme teilweise: Zeitliche Persistenz im Sinne eines expliziten Zeitbezugs wird nicht untersucht, aber die hierarchische Natur von Plänen ist einfacher zu implementieren, da ein Plan aus Schritten besteht, von denen einige andere Pläne aufrufen können, was eine Art zeitlicher Persistenz impliziert.

BDI-Agenten

Ein BDI-Agent ist ein bestimmter Typ eines begrenzt rationalen Softwareagenten, der mit mentalen Einstellungen ausgestattet ist: Überzeugungen, Wünsche und Absichten. Diese Einstellungen werden in einer Architektur implementiert, die Komponenten wie Überzeugungen, Wünsche, Ziele, Absichten, Pläne und Ereignisse umfasst.

• Überzeugungen repräsentieren den Informationszustand des Agenten - seine Überzeugungen über die Welt, einschließlich seiner selbst und anderer Agenten. Überzeugungen können Inferenzregeln enthalten, die Vorwärtsverkettung ermöglichen, um zu neuen Überzeugungen zu gelangen. Der Begriff „Überzeugung" anstelle von „Wissen" erkennt an, dass das, was ein Agent glaubt, nicht unbedingt wahr sein muss. Überzeugungen werden in einer Datenbank gespeichert, die manchmal als Überzeugungsbasis oder Überzeugungsmenge bezeichnet wird.
• Wünsche repräsentieren den motivationalen Zustand des Agenten - Ziele oder Situationen, die der Agent erreichen möchte, wie zum Beispiel den besten Preis zu finden oder reich zu werden.
• Ziele sind Wünsche, die für die aktive Verfolgung angenommen wurden, mit der Einschränkung, dass die Menge der aktiven Wünsche konsistent sein muss (z. B. sollte man nicht gleichzeitig Ziele haben, zu einer Party zu gehen und zu Hause zu bleiben).
• Absichten repräsentieren den deliberativen Zustand - was der Agent zu tun gewählt hat. Absichten sind Wünsche, zu denen sich der Agent verpflichtet hat, was in implementierten Systemen bedeutet, dass der Agent begonnen hat, einen Plan auszuführen.
• Pläne sind Sequenzen von Aktionen (Rezepte oder Wissensbereiche), die ein Agent ausführen kann, um eine oder mehrere seiner Absichten zu erreichen. Pläne können andere Pläne enthalten, was Bratmans Idee widerspiegelt, dass Pläne zunächst nur teilweise konzipiert sind.
• Ereignisse sind Auslöser für reaktive Aktivitäten, die Überzeugungen aktualisieren, Pläne auslösen oder Ziele modifizieren. Ereignisse können extern (über Sensoren) oder intern erzeugt werden.

Das BDI-Modell wurde auch um eine Verpflichtungskomponente erweitert, was zur BOID-Agentenarchitektur führte, um Verpflichtungen, Normen und Zusagen in sozialen Umgebungen zu integrieren.

BDI-Interpreter

Ein idealisierter BDI-Interpreter, basierend auf der PRS-Linie von SRI, funktioniert wie folgt:

1. Zustand initialisieren.
2. Wiederholen:
   • Optionen: Optionsgenerator (Ereigniswarteschlange)
   • Ausgewählte Optionen: deliberieren(Optionen)
   • Absichten aktualisieren(ausgewählte Optionen)
   • Ausführen()
   • Neue externe Ereignisse erhalten()
   • Erfolglose Einstellungen verwerfen()
   • Unmögliche Einstellungen verwerfen()

Dieser Interpreter durchläuft Zyklen der Generierung von Optionen aus Ereignissen, der Deliberation zur Auswahl von Optionen, der Aktualisierung von Absichten, der Ausführung von Plänen und der Verarbeitung neuer Ereignisse, während erfolglose oder unmögliche Einstellungen verworfen werden.

Formale Logiken und Schlussfolgerung

Ein wichtiger Aspekt des BDI-Softwaremodells ist die Existenz logischer Modelle, durch die BDI-Agenten definiert und über sie nachgedacht werden kann. Die Forschung hat zu Axiomatisierungen einiger BDI-Implementierungen und formalen logischen Beschreibungen wie Anand Rao und Michael Georgeffs BDICTL geführt, das eine Multi-Modal-Logik (mit Modalitäten für Überzeugungen, Wünsche und Absichten) mit der temporalen Logik CTL* kombiniert. In jüngerer Zeit erweiterte Michael Wooldridge BDICTL, um LORA (Logic Of Rational Agents) zu definieren, das eine Handlungslogik integriert, um über einzelne Agenten und Interaktionen in Multiagentensystemen nachzudenken.

Einschränkungen und Kritik

Das BDI-Softwaremodell ist ein Beispiel für eine Reasoning-Architektur für einen einzelnen rationalen Agenten und ein Anliegen in breiteren Multiagentensystemen. Bekannte Einschränkungen umfassen:

• Lernen: BDI-Agenten entbehren spezifischer Mechanismen, um aus vergangenem Verhalten zu lernen und sich an neue Situationen anzupassen.
• Drei Einstellungen: Klassische Entscheidungstheoretiker und Planungsforscher stellen die Notwendigkeit aller drei Einstellungen in Frage, während die verteilte KI-Forschung fragt, ob die drei Einstellungen ausreichend sind.
• Logiken: Die dem BDI zugrunde liegenden Multi-Modal-Logiken, die keine vollständigen Axiomatisierungen haben und nicht effizient berechenbar sind, haben in der Praxis wenig Relevanz.

Trotz dieser Einschränkungen bleibt das BDI-Modell in agentenbasierten Systemen einflussreich. Es wurde von Steven Umbrello und Roman Yampolskiy als Mittel zur Gestaltung autonomer Fahrzeuge für menschliche Werte vorgeschlagen, und es beeinflusst weiterhin die Forschung in künstlicher Intelligenz und Multiagentensystemen. Die Trennung von Deliberation und Ausführung im Modell hat Parallelen in anderen Bereichen der KI, wie bestärkendem Lernen und Planung, und seine Konzepte sind relevant für das Design autonomer Fahrzeuge und Robotik.

Anwendungen und Relevanz

Die BDI-Architektur wurde in verschiedenen Bereichen angewendet, einschließlich autonomer Fahrzeuge, Robotik und Videospielen. Sie bietet einen Rahmen für die Implementierung rationaler Agenten, die reaktives und deliberatives Verhalten ausbalancieren können. Obwohl sie nicht alle Eigenschaften sicherstellt, die mit intelligenten Agenten verbunden sind, wie private Überzeugungen oder Kommunikation, bietet sie einen strukturierten Ansatz für die Agentenprogrammierung. Der Einfluss des Modells erstreckt sich auf Multiagentensysteme und agentenbasierte Modellierung, und es bleibt ein Forschungsthema in künstlicher Intelligenz und Kognitionswissenschaft.

Ab den frühen 2020er Jahren wird BDI weiterhin untersucht und erweitert, mit Bemühungen, Lernmechanismen zu integrieren und rechnerische Herausforderungen anzugehen. Seine formalen Grundlagen, wie BDICTL und LORA, bieten eine Basis zur Verifizierung des Agentenverhaltens, obwohl praktische Implementierungen diese Logiken oft vereinfachen. Die Betonung mentaler Einstellungen im Modell bietet einen vom Menschen inspirierten Ansatz zur Gestaltung intelligenter Systeme, der es von rein reaktiven oder rein deliberativen Architekturen unterscheidet.