Εξέλιξη Κομματιού

Εισαγωγή σε Πολυπρόσωπα Συστήματα

  • Γενική περίγραφη των προσώπων (agents), περιβάλλοντων και μοdelλών αλληλεπίδρασης
  • Συνεργασία, ανταγωνισμός και αυτονομία σε πρόσωπα (agents) συστήματα
  • Εφαρμογές σε λογιστική, ρομποτική και λήψη αποφάσεων

Βασικές Έννοιες της Αρχιτεκτονικής Προσώπου (Agent)

  • Αντίδραση vs. υποψήφιοι πρόσωπα (reactive vs. deliberative agents)
  • Πρωτόκολλα επικοινωνίας και μοντέλα συντονισμού
  • Αντιπροσώπευση γνώσεων και κοινή κατάσταση (shared state)

Υλοποίηση Προσώπων σε Python

  • Δημιουργία προσώπων χρησιμοποιώντας το πλαίσιο Mesa
  • Μόντελο και αλληλεπίδραση περιβάλλοντος
  • Πρόσομο προσωπική συμπεριφορά και οπτικοποίηση (visualization)

Συντονισμός και Επικοινωνία

  • Αποστολή μηνυμάτων και αρχιτεκτονικές κοινής μνήμης (message passing and shared memory architectures)
  • Διαπραγμάτευση, συναίνεση και διανομή εργασιών (negotiation, consensus, and task allocation)
  • Αλγόριθμοι συντονισμού (contract net, market-based, swarm models)

Μάθηση και Προσαρμογή σε Πολυπρόσωπα Συστήματα

  • Ενισχυτική μάθηση για πολλά πρόσωπα (reinforcement learning for multiple agents)
  • Συνεργατικές vs. ανταγωνιστικές δυναμικές μάθησης (cooperative vs. competitive learning dynamics)
  • Χρήση του PettingZoo και του Stable-Baselines3 για MARL

Κατανεμημένος Υπολογισμός και Μείωση (Scaling)

  • Χρήση του Ray για κατανεμημένες προσομοιώσεις πολυπρόσωπων συστημάτων
  • Διαχείριση παραλληλισμού και ανασύνθεσης (concurrency and synchronization)
  • Παράλληλος υπολογισμός και διαχείριση κοινών πόρων (parallelizing computation and handling shared resources)

Συνεργατική Ανθρωπό-Πρόσωπου (Human-Agent) Συνεργασία

  • Σχεδιασμός διεπαφών για συντονισμό με τη συμμετοχή του ανθρώπου (human-in-the-loop coordination)
  • Μείκτες κατεύθυνση ροών εργασίας με βοήθεια AI
  • Ηθικές και λειτουργικές συνέπειες (ethical and operational considerations)

Τελικό Έργο

  • Σχεδιασμός και υλοποίηση πολυπρόσωπου συστήματος σε Python
  • Διαπίστωση συντονισμού και μάθησης ανάμεσα στα πρόσωπα (agents)
  • Παρουσίαση αποτελεσμάτων προσομοίωσης και εισβολών επιδόσεως (performance insights)

Περίληψη και Επόμενα Βήματα

Απαιτήσεις

  • Ισχυρός προσδιορισμός στην προγραμματισμό με Python
  • Καλή κατανόηση του επικεφαλαιώματος μάθησης κατά την ανάγκη (reinforcement learning) ή σχεδιασμού AI πρόσωπου.
  • Γνώση των κατανεμημένων συστημάτων και των εννοιών δικτύου.

Διακριτή Ακροατήριο

  • Συστήματες αρχιτέκτονες που σχεδιάζουν συνεργητικά ή κατανεμημένα AI συστήματα.
  • Έρευνοι που εργάζονται σε συντονισμό και συλλογική νοηματικότητα.
  • Μηχανικοί που αναπτύσσουν μείκτες κατεύθυνση ροών εργασίας (workflows) άνθρωπο-νοηματικό ή πολυπρόσωπου.
 28 Ώρες

Αριθμός συμμετέχοντων


Τιμή ανά συμμετοχαστή

Εφεξής Μαθήματα

Σχετικές Κατηγορίες