همهٔ ایجنتهای هوش مصنوعی یکسان عمل نمیکنند. بعضی فقط به یک ورودی واکنش نشان میدهند، بعضی برای رسیدن به هدف چند مرحله را برنامهریزی میکنند و گروهی هم با استفاده از ابزارها، محیط یا عاملهای دیگر تصمیم خود را تغییر میدهند.
دستهبندی انواع ایجنتهای هوش مصنوعی یک استاندارد کاملاً واحد ندارد و در منابع مختلف، معیارهای متفاوتی به کار میرود. معیار اصلی این است که ایجنت چگونه محیط را درک میکند، چطور تصمیم میگیرد، آیا از تجربه یاد میگیرد و تا چه اندازه میتواند مستقل عمل کند.
انواع ایجنتهای هوش مصنوعی از نظر شیوهٔ تصمیمگیری
۱. ایجنتهای واکنشی ساده
ایجنت واکنشی ساده فقط وضعیت فعلی را میبیند و بر اساس یک قانون مشخص پاسخ میدهد؛ یعنی معمولاً حافظهای از رویدادهای قبلی ندارد و برای برنامهریزی چندمرحلهای ساخته نشده است.
فیلتر هرزنامه، سامانهای که با تشخیص یک کلمه هشدار نشان میدهد یا ترموستاتی که در دمای مشخص سیستم گرمایش را روشن میکند، نمونههایی نزدیک به این مدل هستند. اجرای آنها سریع و قابلپیشبینی است، اما در موقعیتهای جدید و مبهم انعطاف کمی دارند.
۲. ایجنتهای مبتنی بر مدل
این ایجنتها فقط به ورودی لحظهای تکیه نمیکنند؛ بخشی از وضعیت قبلی یا تصویری از محیط را نیز نگه میدارند. به همین دلیل میتوانند در شرایطی تصمیم بگیرند که همهٔ اطلاعات مستقیماً قابل مشاهده نیست.
ربات جاروبرقی که نقشهٔ خانه را بهخاطر میسپارد و مسیر خود را با توجه به موانع تغییر میدهد، مثال سادهای از این رویکرد است. در نرمافزارها نیز ایجنت مبتنی بر مدل میتواند سابقهٔ گفتوگو، وضعیت یک پرونده یا نتیجهٔ اقدام قبلی را در تصمیم بعدی لحاظ کند.
۳. ایجنتهای هدفمحور
ایجنت هدفمحور فقط به یک قانون ثابت پاسخ نمیدهد؛ ابتدا هدف را در نظر میگیرد و سپس از میان چند اقدام احتمالی، مسیری را برای رسیدن به آن انتخاب میکند. هدف میتواند رزرو یک سفر، تنظیم برنامهٔ مطالعه یا پیدا کردن بهترین مسیر باشد.
مزیت این نوع ایجنت، توانایی برنامهریزی چندمرحلهای است. در مقابل، اگر هدف مبهم باشد یا اطلاعات ناقص در اختیارش قرار گیرد، ممکن است مسیر نامناسبی انتخاب کند؛ بنابراین تعریف دقیق هدف و تعیین محدودیتها اهمیت زیادی دارد.
۴. ایجنتهای مبتنی بر مطلوبیت
گاهی چند راه مختلف به هدف میرسند، اما همهٔ آنها به یک اندازه مناسب نیستند. ایجنت مبتنی بر مطلوبیت هر گزینه را با معیارهایی مانند هزینه، زمان، ریسک یا کیفیت مقایسه میکند و گزینهای را برمیگزیند که امتیاز بهتری داشته باشد.
برای نمونه، در برنامهریزی سفر میتوان مسیر کمهزینهتر، سریعتر یا کمریسکتر را انتخاب کرد. نکتهٔ مهم این است که «بهترین» تصمیم به معیارهایی بستگی دارد که برای ایجنت تعریف شدهاند؛ اگر این معیارها ناقص یا یکطرفه باشند، نتیجه هم لزوماً مطلوب نخواهد بود.
۵. ایجنتهای یادگیرنده
ایجنت یادگیرنده از بازخورد، دادههای جدید یا نتیجهٔ اقدامات قبلی استفاده میکند و عملکرد خود را بهبود میدهد. این یادگیری ممکن است با آموزش مدل، تحلیل رفتار کاربر یا روشهای تقویتی انجام شود.
سیستم پیشنهاد محتوا، دستیار آموزشی که سطح تمرینها را با عملکرد دانشآموز تنظیم میکند و سامانهای که الگوهای خطای کاربران را میشناسد، نمونههایی از کاربرد این مدل هستند. یادگیری بهمعنای درست بودن همیشگی تصمیمها نیست؛ دادهٔ نامناسب یا بازخورد نادرست میتواند عملکرد ایجنت را بدتر کند.
ایجنتهای هوش مصنوعی بر اساس میزان استقلال و همکاری
ایجنتهای مبتنی بر گردشکار
این ایجنتها در یک مسیر ازپیشتعریفشده حرکت میکنند: ورودی را میگیرند، چند شرط را بررسی میکنند و اقدامات مشخصی انجام میدهند. پاسخگویی خودکار به درخواستهای ساده، دستهبندی ایمیلها یا ثبت اطلاعات در یک فرم، معمولاً با چنین ساختاری انجام میشود.
مزیتشان کنترلپذیری و امکان بررسی آسانتر است. برای کارهای حساس، مانند تأیید پرداخت یا ارسال اطلاعات شخصی، محدود بودن دامنهٔ عمل میتواند از استقلال زیاد یک مدل زبانی ایمنتر باشد.
ایجنتهای خودمختار
ایجنت خودمختار میتواند هدف را دریافت کند، آن را به چند وظیفهٔ کوچکتر تقسیم کند، ابزار مناسب را انتخاب کند و نتیجهٔ هر مرحله را برای اقدام بعدی به کار ببرد. دستیارهای نرمافزاری که میتوانند تقویم، جستوجو، فایلها یا برنامههای دیگر را به شکل زنجیرهای به کار بگیرند، در این گروه قرار میگیرند.
استقلال بیشتر، نیاز به نظارت بیشتری هم دارد. پیش از سپردن کار واقعی، باید سطح دسترسی، سقف هزینه، منابع قابل استفاده و نقطهای که تأیید انسانی لازم است مشخص شود.
ایجنتهای چندعاملی
در معماری چندعاملی، چند ایجنت با نقشهای متفاوت برای یک مسئله همکاری میکنند؛ برای مثال یکی اطلاعات را جمعآوری میکند، دیگری آن را تحلیل میکند و عامل سوم گزارش نهایی را آماده میسازد.
این ساختار برای پروژههای پیچیده و چندمرحلهای مفید است، اما ارتباط میان عاملها هزینه و احتمال خطا را افزایش میدهد. اگر وظایف بهخوبی تفکیک نشوند، چند ایجنت ممکن است یک کار را تکرار کنند یا تصمیمهای متناقض بگیرند.
ایجنتهای مبتنی بر مدل زبانی چه جایگاهی دارند؟
ایجنتهای مبتنی بر مدل زبانی، مانند دستیارهایی که متن را میفهمند و با ابزارهای مختلف کار میکنند، معمولاً یک دستهٔ جدا و مستقل از همهٔ مدلهای قبلی نیستند. یک ایجنت زبانی میتواند هم هدفمحور باشد، هم یاد بگیرد و هم در یک معماری چندعاملی فعالیت کند.
تفاوت آنها بیشتر در رابط و توانایی پردازش زبان طبیعی است. این ایجنتها برای خلاصهسازی اسناد، پاسخگویی، تولید پیشنویس، جستوجوی اطلاعات و اجرای زنجیرهای از کارها کاربرد دارند؛ اما خروجی آنها باید بهویژه در امور مالی، حقوقی، آموزشی حساس یا مرتبط با حریم خصوصی بررسی انسانی شود.
برای انتخاب نوع ایجنت به چه معیارهایی توجه کنیم؟
انتخاب ایجنت از نام یا میزان پیچیدگی آن شروع نمیشود؛ ابتدا باید خودِ کار را دقیق تعریف کرد. برای تصمیمگیری سریعتر، این پرسشها کمک میکنند:
- آیا کار قانونهای ثابت دارد یا به قضاوت و برنامهریزی نیازمند است؟
- آیا ایجنت باید سابقهٔ رویدادها و وضعیت قبلی را به یاد داشته باشد؟
- اشتباه احتمالی چه هزینهای دارد و آیا تأیید انسانی لازم است؟
- ایجنت به کدام فایلها، برنامهها، حسابها یا اطلاعات شخصی دسترسی خواهد داشت؟
- آیا هدف، کاهش زمان است یا باید هزینه، کیفیت و ریسک نیز همزمان سنجیده شود؟
برای یک کار سادهٔ خانگی، ایجنت واکنشی یا گردشکار معمولاً کافی است. برنامهریزی سفر و مدیریت چند مرحله به ایجنت هدفمحور یا مبتنی بر مطلوبیت نزدیکتر است و پروژههایی که چند مهارت تخصصی میخواهند، ممکن است از معماری چندعاملی سود ببرند.
جمعبندی کاربردی انواع ایجنتهای هوش مصنوعی
ایجنت واکنشی برای پاسخهای سریع و قانونمحور، ایجنت مبتنی بر مدل برای کارهای وابسته به وضعیت قبلی، ایجنت هدفمحور برای برنامهریزی و ایجنت مبتنی بر مطلوبیت برای مقایسهٔ گزینهها مناسب است. ایجنتهای یادگیرنده با بازخورد بهتر میشوند و ایجنتهای خودمختار یا چندعاملی میتوانند کارهای پیچیدهتری را انجام دهند.
در عمل، بسیاری از ابزارهای امروزی ترکیبی از این ویژگیها هستند. بهترین انتخاب، پیشرفتهترین ایجنت نیست؛ مدلی است که با پیچیدگی کار، میزان ریسک و سطح نظارت موردنیاز تناسب داشته باشد.


















