En intelligence artificielle, les agents réactifs sont des systèmes autonomes qui sélectionnent des actions en fonction de stimuli actuels sans s'appuyer sur un modèle interne du monde. Ils constituent un concept clé de la planification réactive, un ensemble de techniques de sélection d'actions qui diffèrent de la planification classique de deux manières : ils opèrent de manière rapide, en faisant face à des environnements très dynamiques et imprévisibles, et ils calculent une seule action à la fois en fonction du contexte actuel. Le terme planification réactive remonte au moins à 1988 et est synonyme du terme plus moderne de planification dynamique.
Les agents réactifs ne maintiennent pas un état interne persistant, tel qu'un modèle du monde ou une mémoire des événements passés. Au lieu de cela, ils répondent directement aux entrées des capteurs ou aux signaux environnementaux, ce qui les rend simples, rapides et robustes dans des conditions changeantes. Cela contraste avec les agents délibératifs qui planifient des séquences d'actions en utilisant un raisonnement symbolique. Les agents réactifs sont souvent implémentés à l'aide de plans réactifs, qui sont des structures stockées décrivant les priorités et le comportement de l'agent.
Représentation des plans réactifs
Les plans réactifs peuvent être représentés de plusieurs manières, chacune nécessitant une unité de représentation de base et un moyen de composer ces unités en plans. Les représentations courantes incluent les règles condition-action, les machines à états finis, la logique floue et les réseaux connexionnistes.
Règles condition-action
Une règle condition-action, ou règle si-alors, est une règle de la forme : si condition alors action. Ces règles sont appelées productions. La signification est simple : si la condition est vraie, l'action est exécutée. L'action peut être externe (par exemple, saisir un objet) ou interne (par exemple, écrire un fait en mémoire ou évaluer un nouvel ensemble de règles). Les conditions sont normalement booléennes, et les actions sont soit exécutées, soit non exécutées.
Les règles de production peuvent être organisées en structures plates ou hiérarchiques. Par exemple, l'architecture de subsomption consiste en des couches de comportements interconnectés, chacun étant une machine à états finis qui répond à des entrées appropriées. Ces couches sont organisées en une pile, les couches supérieures subsumant les objectifs des couches inférieures. D'autres systèmes utilisent des arbres ou incluent des mécanismes pour changer quelle règle est la plus importante à un moment donné. Les structures plates sont faciles à construire mais ne permettent qu'un comportement simple ou nécessitent des conditions complexes pour compenser le manque de structure.
Une partie importante de la sélection d'action distribuée est la résolution de conflits, qui survient lorsque les conditions de plusieurs règles sont vraies simultanément. Les méthodes incluent l'attribution de priorités fixes, l'attribution de préférences (comme dans l'architecture Soar), l'apprentissage d'utilités relatives (comme dans ACT-R), ou l'exploitation d'une forme de planification. Les systèmes experts utilisent souvent des heuristiques plus simples comme la récence, mais garantir un bon comportement dans de grands systèmes avec des approches simples est difficile. La résolution de conflits n'est nécessaire que pour les règles qui proposent des actions mutuellement exclusives.
Machines à états finis
Une machine à états finis (FSM) est un modèle de comportement de système largement utilisé en informatique. Pour le comportement d'un agent, une FSM typique consiste en des états et des transitions entre eux. Les transitions sont des règles condition-action de la forme : si condition alors activer un nouvel état. À chaque instant, un seul état est actif, et ses transitions sont évaluées. Les transitions peuvent également connecter un état à lui-même pour permettre l'exécution d'actions de transition sans changer d'état.
Le comportement peut être produit de deux manières : les états peuvent être associés à des actions atomiques (actes) ou à des scripts. Un acte est exécuté à chaque pas de temps où l'état est actif. Plus souvent, chaque état est associé à un script décrivant une séquence d'actions ; si une transition active un nouvel état, le script précédent est interrompu et le nouveau commence. Les scripts complexes peuvent être décomposés en FSM hiérarchiques, où les états contiennent des sous-états. Les FSM hiérarchiques sont équivalentes sur le plan computationnel aux FSM standard mais facilitent la conception. Un exemple est l'utilisation de FSM hiérarchiques pour les bots de jeux vidéo, comme décrit par Damian Isla en 2005.
Approches floues
Les règles si-alors et les FSM peuvent être combinées avec la logique floue, rendant les conditions, les états et les actions approximatifs et lisses plutôt que booléens. Cela produit un comportement plus fluide, en particulier lors des transitions entre tâches. Cependant, l'évaluation de conditions floues est beaucoup plus lente que celle de leurs équivalents nets. Des architectures comme celles proposées par Alex Champandard ont exploré cette approche.
Approches connexionnistes
Les plans réactifs peuvent également être exprimés à l'aide de réseaux connexionnistes, tels que les réseaux de neurones artificiels ou les hiérarchies à flux libre. L'unité de base possède des connexions d'entrée qui alimentent une activité abstraite et des connexions de sortie qui propagent l'activité vers les unités suivantes. Les unités agissent comme des transducteurs d'activité, généralement connectés en structures en couches. Les avantages incluent un comportement plus fluide, l'adaptativité et la capacité d'utiliser l'inhibition pour une description prescriptive. Les inconvénients incluent la difficulté de concevoir le comportement et des limitations à des comportements relativement simples, en particulier lorsque l'adaptativité est requise.
Algorithmes de planification réactive
Les algorithmes typiques de planification réactive évaluent des règles si-alors ou calculent l'état d'un réseau connexionniste. Certains algorithmes présentent des caractéristiques spéciales. Par exemple, l'algorithme d'évaluation Rete utilise un cache de l'étape précédente pour éviter de réévaluer toutes les règles à chaque pas de temps, améliorant ainsi l'efficacité. Les langages de script peuvent également être utilisés, où les règles ou les FSM sont des primitives d'une architecture, permettant un développement flexible et rapide.
Applications et importance
Les agents réactifs sont largement utilisés en robotique, dans les jeux vidéo et dans les systèmes de simulation où les environnements sont dynamiques et imprévisibles. Ils constituent un concept fondamental de l'intelligence artificielle, contrastant avec les approches plus délibératives. La simplicité et la rapidité des agents réactifs les rendent adaptés au contrôle en temps réel, comme dans les véhicules autonomes et les personnages de jeux. La recherche dans ce domaine a influencé des domaines comme l'apprentissage automatique et les réseaux de neurones, où des plans réactifs connexionnistes sont implémentés.
Limites et extensions
Les agents réactifs manquent de la capacité de planifier à l'avance ou de raisonner sur les conséquences à long terme, ce qui limite leur utilisation dans des tâches nécessitant une réflexion stratégique. Cependant, ils peuvent être combinés avec des systèmes délibératifs dans des architectures hybrides. Les extensions incluent les FSM hiérarchiques, la logique floue et des mécanismes d'apprentissage pour adapter le comportement au fil du temps. Le domaine continue d'évoluer avec les progrès de l'apprentissage profond et des grands modèles de langage, bien que les agents réactifs restent une approche distincte et pratique pour de nombreuses applications en temps réel.