인공지능에서 반응 에이전트는 내부 세계 모델에 의존하지 않고 현재 자극에 기반하여 행동을 선택하는 자율 시스템이다. 이들은 반응 계획의 핵심 개념으로, 행동 선택을 위한 일련의 기법들이 고전적 계획과 두 가지 측면에서 다르다: 고도로 역동적이고 예측 불가능한 환경에 대처하며 적시에 작동하고, 현재 맥락에 기반하여 각 순간에 단 하나의 다음 행동만을 계산한다. 반응 계획이라는 용어는 적어도 1988년으로 거슬러 올라가며, 더 현대적인 용어인 동적 계획과 동의어이다.
반응 에이전트는 세계 모델이나 과거 사건에 대한 기억과 같은 지속적인 내부 상태를 유지하지 않는다. 대신 센서 입력이나 환경 단서에 직접 반응하여 변화하는 조건에서 단순하고 빠르며 견고하다. 이는 기호 추론을 사용하여 행동 시퀀스를 계획하는 숙고적 에이전트와 대조된다. 반응 에이전트는 종종 에이전트의 우선순위와 행동을 설명하는 저장된 구조인 반응 계획을 사용하여 구현된다.
반응 계획 표현
반응 계획은 여러 방식으로 표현될 수 있으며, 각 방식은 기본 표현 단위와 이러한 단위를 계획으로 구성하는 수단을 필요로 한다. 일반적인 표현으로는 조건-행동 규칙, 유한 상태 기계, 퍼지 논리, 연결주의 네트워크가 있다.
조건-행동 규칙
조건-행동 규칙 또는 if-then 규칙은 다음과 같은 형태의 규칙이다: 조건이면 행동. 이러한 규칙을 생성 규칙이라고 한다. 의미는 간단하다: 조건이 성립하면 행동을 수행한다. 행동은 외부적(예: 물건 집기)이거나 내부적(예: 사실을 기억에 쓰거나 새로운 규칙 집합 평가)일 수 있다. 조건은 일반적으로 불리언이며, 행동은 수행되거나 수행되지 않는다.
생성 규칙은 평면 구조나 계층 구조로 조직될 수 있다. 예를 들어, 포섭 아키텍처는 상호 연결된 행동의 계층으로 구성되며, 각 계층은 적절한 입력에 반응하는 유한 상태 기계이다. 이러한 계층은 스택으로 조직되며, 상위 계층이 하위 계층의 목표를 포섭한다. 다른 시스템은 트리를 사용하거나 현재 가장 중요한 규칙 하위 집합을 변경하는 메커니즘을 포함한다. 평면 구조는 구축하기 쉽지만 단순한 행동만 허용하거나 구조 부족을 보완하기 위해 복잡한 조건을 요구한다.
분산 행동 선택의 중요한 부분은 여러 규칙의 조건이 동시에 성립할 때 충돌을 해결하는 충돌 해결이다. 방법에는 고정 우선순위 할당, 선호도 할당(Soar 아키텍처에서와 같이), 상대적 효용 학습(ACT-R에서와 같이), 또는 계획의 한 형태 활용이 포함된다. 전문가 시스템은 종종 최신성과 같은 더 간단한 휴리스틱을 사용하지만, 대규모 시스템에서 간단한 접근 방식으로 좋은 행동을 보장하는 것은 어렵다. 충돌 해결은 상호 배타적인 행동을 제안하는 규칙에 대해서만 필요하다.
유한 상태 기계
유한 상태 기계(FSM)는 컴퓨터 과학에서 널리 사용되는 시스템 행동 모델이다. 에이전트 행동의 경우, 전형적인 FSM은 상태와 상태 간 전이로 구성된다. 전이는 다음과 같은 형태의 조건-행동 규칙이다: 조건이면 새 상태 활성화. 각 순간에 하나의 상태만 활성화되며, 해당 상태의 전이가 평가된다. 전이는 상태를 변경하지 않고 전이 행동을 실행할 수 있도록 동일한 상태에 연결될 수도 있다.
행동은 두 가지 방식으로 생성될 수 있다: 상태를 원자적 행동(행위)과 연관시키거나 스크립트와 연관시킬 수 있다. 행위는 상태가 활성화된 매 시간 단계마다 수행된다. 더 자주, 각 상태는 일련의 행동을 설명하는 스크립트와 연관된다; 전이가 새 상태를 활성화하면 이전 스크립트는 중단되고 새 스크립트가 시작된다. 복잡한 스크립트는 상태에 하위 상태를 포함하는 계층적 FSM으로 분해될 수 있다. 계층적 FSM은 표준 FSM과 계산적으로 동등하지만 설계를 용이하게 한다. 예로는 2005년 Damian Isla가 설명한 컴퓨터 게임 봇을 위한 계층적 FSM 사용이 있다.
퍼지 접근법
if-then 규칙과 FSM은 퍼지 논리와 결합될 수 있으며, 조건, 상태, 행동을 불리언이 아닌 근사적이고 부드럽게 만든다. 이는 특히 작업 전환 중에 더 부드러운 행동을 초래한다. 그러나 퍼지 조건 평가는 명확한 조건 평가보다 훨씬 느리다. Alex Champandard가 제안한 아키텍처와 같은 접근법이 이 방법을 탐구했다.
연결주의 접근법
반응 계획은 인공 신경망이나 자유 흐름 계층과 같은 연결주의 네트워크를 사용하여 표현될 수도 있다. 기본 단위는 추상적 활동을 공급하는 입력 링크와 후속 단위로 활동을 전파하는 출력 링크를 가진다. 단위는 활동 변환기 역할을 하며, 일반적으로 계층 구조로 연결된다. 장점에는 더 부드러운 행동, 적응성, 금지적 설명을 위한 억제 사용 능력이 포함된다. 단점에는 행동 설계의 어려움과 특히 적응성이 요구될 때 상대적으로 단순한 행동으로 제한되는 점이 포함된다.
반응 계획 알고리즘
전형적인 반응 계획 알고리즘은 if-then 규칙을 평가하거나 연결주의 네트워크의 상태를 계산한다. 일부 알고리즘은 특별한 기능을 가진다. 예를 들어, Rete 평가 알고리즘은 이전 단계의 캐시를 사용하여 모든 규칙을 매 시간 단계마다 재평가하는 것을 피함으로써 효율성을 향상시킨다. 스크립팅 언어도 사용될 수 있으며, 규칙이나 FSM이 아키텍처의 기본 요소가 되어 유연하고 빠른 개발을 가능하게 한다.
응용 및 중요성
반응 에이전트는 환경이 역동적이고 예측 불가능한 로봇 공학, 컴퓨터 게임, 시뮬레이션 시스템에서 널리 사용된다. 이들은 인공지능의 기초 개념으로, 더 숙고적인 접근 방식과 대조된다. 반응 에이전트의 단순성과 속도는 자율 주행 차량과 게임 캐릭터와 같은 실시간 제어에 적합하게 만든다. 이 분야의 연구는 연결주의 반응 계획이 구현되는 기계 학습 및 신경망과 같은 분야에 영향을 미쳤다.
한계 및 확장
반응 에이전트는 사전 계획이나 장기적 결과에 대한 추론 능력이 부족하여 전략적 사고가 필요한 작업에서 사용이 제한된다. 그러나 하이브리드 아키텍처에서 숙고적 시스템과 결합될 수 있다. 확장에는 계층적 FSM, 퍼지 논리, 시간에 따라 행동을 적응시키는 학습 메커니즘이 포함된다. 이 분야는 딥 러닝 및 대규모 언어 모델의 발전과 함께 계속 진화하고 있지만, 반응 에이전트는 많은 실시간 응용에서 여전히 뚜렷하고 실용적인 접근 방식으로 남아 있다.