L'Intelligence Artificielle Distribuée (IAD) est une branche de l'Intelligence artificielle.
On distinguera :
le principe d'adapter les approches de l'Intelligence Artificielle classique sur une architecture distribuée (par exemple avec une parallélisation des programmes)
les approches où l'Intelligence Artificielle est conceptuellement répartie sur un certain nombre d'entités (réseaux de neurones artificiels, systèmes multi-agents) de façon similaire à une Intelligence distribuée.
Bien que le terme Intelligence Artificielle Distribuée est souvent considéré comme un synonyme pour le champ d'études des systèmes multi-agents, le terme Intelligence Artificielle Décentralisée peut lui être préféré afin d'éviter toute confusion avec l'Intelligence Distribuée (intelligence en essaim).
L'intelligence artificielle distribuée est utilisée pour résoudre des problèmes complexes d'apprentissage, de planification et de prise de décision. La parallélisation des programmes permet d'exploiter le calcul à grande échelle et la distribution spatiale des ressources informatiques.
Ces propriétés lui permettent de résoudre des problèmes nécessitant le traitement de jeux de données très volumineux.
Ces programmes consistent en des nœuds de traitement d'apprentissage autonomes (agents), qui sont distribués, souvent à très grande échelle. Chaque noeud peut agir indépendamment. Les solutions partielles sont intégrées en communiquand entre les nœuds, souvent de manière asynchrone. Ces systèmes sont robustes et élastiques.
De plus, ils sont conçus pour s'adapter :
aux changements dans la définition du problème
aux ensembles de données.
Ils ne nécessitent pas que toutes les données pertinentes soient agrégées en un seul endroit, contrairement aux systèmes d'intelligence artificielle monolithiques ou centralisés qui ont des nœuds de traitement étroitement couplés et géographiquement proches. Par conséquent, ils fonctionnent souvent sur des sous-échantillons de très grands ensembles de données.
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
L'Intelligence Artificielle Distribuée (IAD) est une branche de l'Intelligence artificielle. On distinguera : le principe d'adapter les approches de l'Intelligence Artificielle classique sur une architecture distribuée (par exemple avec une parallélisation des programmes) les approches où l'Intelligence Artificielle est conceptuellement répartie sur un certain nombre d'entités (réseaux de neurones artificiels, systèmes multi-agents) de façon similaire à une Intelligence distribuée.
En intelligence artificielle, un agent intelligent (AI) est une entité autonome capable de percevoir son environnement grâce à des capteurs et aussi d'agir sur celui-ci via des effecteurs afin de réaliser des objectifs. Un agent intelligent peut également apprendre ou utiliser des connaissances pour pouvoir réaliser ses objectifs. Ils peuvent être simples ou complexes. Par exemple, un simple système réactif, comme le thermostat est considéré comme étant un agent intelligent.
En informatique, un système multi-agent (SMA) est un système composé d'un ensemble d'agents (un processus, un robot, un être humain, une fourmi etc.), actifs dans un certain environnement et interagissant selon certaines règles. Un agent est une entité caractérisée par le fait qu'elle est, au moins partiellement, autonome, ce qui exclut un pilotage centralisé du système global.
Software agents are widely used to control physical, economic and financial processes. The course presents practical methods for implementing software agents and multi-agent systems, supported by prog
Students learn about advanced topics in machine learning, artificial intelligence, optimization, and data science. Students also learn to interact with scientific work, analyze and understand strength
The goal of this course is to provide methods and tools for modeling distributed intelligent systems as well as designing and optimizing coordination strategies. The course is a well-balanced mixture
Couvre les caractéristiques, les applications et les défis des agents intelligents dans les systèmes logiciels, en mettant l'accent sur leur rôle dans la prise de décisions autonomes et la coordination avec d'autres agents.
Explore les agents réactifs et les processus décisionnels, couvrant des sujets tels que les processus décisionnels de Markov et les agents en temps réel.
While artificial intelligence is successful in many applications that cover specific domains, for many commonsense problems there is still a large gap with human performance. Automated sentiment analy