Uppgiftsmiljö:
Uppgiftsmiljön är situationen där en intelligent agent arbetar. Det omfattar allt utanför agenten som kan påverka dess beteende och prestanda. Detta inkluderar:
* percept: Agentens sensoriska ingångar från miljön.
* Åtgärder: De förändringar som agenten kan göra i miljön.
* Prestandamått: Hur agentens beteende utvärderas (t.ex. att vinna ett spel, nå ett mål, minimera kostnaderna).
* Miljödynamik: Hur miljön förändras över tid (t.ex. deterministiska, stokastiska, episodiska, sekventiella).
egenskaper hos en agent:
En agent är allt som kan ses som att man uppfattar sin miljö genom sensorer och agerar på den miljön genom ställdon. Viktiga egenskaper som ofta används för att karakterisera en agent inkluderar:
* autonomi: I vilken grad agenten kan arbeta självständigt och fatta sina egna beslut utan extern kontroll. Ett helt autonomt medel kräver minimal mänsklig intervention.
* reaktivitet: Agentens förmåga att svara på lämpligt sätt på förändringar i sin miljö. Ett reaktivt medel svarar direkt på sina percept utan att nödvändigtvis planera framåt.
* proaktivitet (eller målorienteradhet): Agentens förmåga att ta initiativ och sträva efter mål snarare än att bara reagera på stimuli. En proaktiv agent sätter mål och arbetar aktivt för att uppnå dem.
* Lärande: Agentens förmåga att förbättra sin prestanda över tid genom erfarenhet. En inlärningsagent anpassar sitt beteende baserat på tidigare interaktioner med miljön.
Det är viktigt att notera att dessa egenskaper inte är ömsesidigt exklusiva; En agent kan ha flera egenskaper i varierande grad. Till exempel är en självkörande bil autonom, reaktiv (svarar på hinder), proaktiv (navigerar till en destination) och lärande (förbättrar navigering baserat på trafikmönster).
