Концептуальная модель агентов искусственного интеллекта для управления системами связи с подвижными объектами

На сегодняшний день методы и технологии искусственного интеллекта (ИИ, AI, Artificial Intelligence), включая машинное обучение (MO, ML, Machine Learning), используются повсеместно в большом количестве цифровых экосистем, в распределенных вычислительных системах («облачные» вычисления), в программно-определяемых системах связи [1]. С учетом опыта построения систем автономных подвижных объектов [2] объективно возникает задача повышения интеллектуальности управления путем применения современных технологий ИИ с использованием мультиагентных технологий с учетом подвижности центра управления. При условии сохранения предсказуемой реакции управляемого объекта на команду управления (стимул) необходимо предусмотреть возможность автономизации агента управления с сохранением коммуникативности с другими объектами, с изменением целеполагания при управлении на основе знаний и с учетом сбора и обработки информации о состоянии телекоммуникационных систем.

Существующие работы в области управления телекоммуникациями пока недостаточно подроб- но рассматривают применение ИИ-агентов управления подвижными, в частности, высокоманевренными объектами, при условии коллективного понимания всеми участниками управления контекста или среды взаимодействия. Поэтому целесообразно разработать концептуальную модель агента искусственного интеллекта или ИИ-агента управления системами связи с подвижными объектами при условии взаимодействия с системой управления знаниями по управлению.

Анализ и разработка модели агента искусственного интеллекта для управления подвижными объектами

Согласно ГОСТ 71476-2024 [3], под ИИ-аген-том понимается «Автоматически действующий объект, который воспринимает свое окружение, реагирует на него, а также предпринимает действия для достижения своих целей». Анализируя процесс принятия решений при управлении и технической эксплуатации систем связи, можно обоснованно предположить, что в любом случае ИИ-агент управления должен поддерживать механизм рассуждения или «reasoner» [4] для демонстрации лицу, принимающему решения (ЛПР)

хода своих рассуждений. ЛПР может использовать ИИ-агента в качестве «подсказчика-консультанта» для определения действий в текущей ситуации. Здесь ИИ-агент выступает в системной роли рефлекторного агента окружения с точки зрения искусственного интеллекта или ИИ-агента наблюдателя с точки зрения взаимодействия с внешней средой. Здесь ИИ-агент формирует модель окружающего мира непосредственно на основе сбора данных о состоянии подвижных объектов.

Для формирования управляющих воздействий ИИ-агент выступает в роли обучающегося агента или агента-познавателя с точки зрения взаимодействия с внешней средой, если он способен самостоятельно запускать процедуру обучения или переобучения и воспринимать результаты обучения других обучающихся ИИ-агентов с помощью трансферного обучения («переноса обучения», transfer learning) для модификации своего поведения. Обучающийся ИИ-агент способен анализировать информацию от множества рефлекторных агентов окружения. Обучающийся ИИ-агент выполняет функции центра управления.

Все рассмотренные выше типы ИИ-агентов используют в гетерономных системах управления. Можно отдельно классифицировать в рамках ИИ-системы целеориентированного ИИ-агента управления (агента-познавателя), который поддерживает функцию полезности, позволяющую определить действия или сценарий, ведущий к достижению цели управления. Такие ИИ-агенты могут использоваться как в гетерономных, так и в автономных системах управления [5].

Восприятие окружения ИИ-агентом производится по схеме «сверху вниз» для агента-по-знавателя и(или) по схеме «снизу-вверх» для агента-наблюдателя. При схеме «сверху вниз» осуществляется оценка текущего состояния и, при необходимости, вырабатывается реакция на стимулы (команды) в рамках понимания ИИ-агентом цели управления и контекста управления.

Под контекстом управления (факторы функционирования ИИ-агента) понимается сочетание семантически определенных факторов [6; 7], которые существенно влияют на коммуникации ИИ-агента в рамках «мира» или «сцены». Под «миром» («сценой») понимается описание состояния системы связи с помощью принятых терминов. К факторам здесь относятся декларативные требования, свойства, обстоятельства, совокупно необходимые для коммуникации ИИ-агента. Примером факторов являются требования и параметры взаимодействия объектов, показатели качества услуг связи (Quality of Service, QoS), описание целеполагания и метрики, оценивающие качество достижения цели, а также термины и условия соглашение об уровне обслуживания (Service Level Agreement, SLA).

В системе управления основным признаком функционирования ИИ-агента является его коммуникация с окружением, в том числе ЛПР, поскольку объективно выражает как результаты действия ИИ-агента в качестве познавателя, так и результаты восприятия ИИ-агентом факторов среды функционирования в качестве наблюдателя. В этом смысле в системе управления не должны присутствовать агенты без возможности сформировать к ним запрос. Также для обеспечения управляемости принимается, что ИИ-агент в качестве познавателя должен иметь связь по крайней мере с одним ИИ-агентом – наблюдателем в рамках отношения «ведущий – ведомый», а в случае трансферного обучения – «учитель – ученик» соответственно.

Для описания коммуникаций ИИ-агентов с учетом предлагаемой классификации целесообразен семантический метод, позволяющий в доступных для ЛПР выражениях описать, интерпретировать и отразить в концептах и атрибутах содержательную сторону и формальные аспекты управляемых телекоммуникационных систем, в том числе цели и смысл функционирования самого ИИ-агента в его взаимодействии с другими ИИ-агентами. Практически семантика позволяет интерпретировать функционирование ИИ-агента в части извлечения информации, верификации системы, обеспечения управляемости, что в совокупности определяет надежность системы управления, основанной на применении ИИ-агентов. Здесь допускается различный формализм семантик возможных миров, с помощью которого описывается определенная модель для анализа контекста ИИ-агентами в специфических терминах или концептах. Количество «миров» (а в общем случае множеств «миров») может быть, к примеру, равно двум, где первый «мир» определяется согласием ЛПР с результатами деятельности ИИ-агента, а другой «мир» соответствует несогласию ЛПР с результатами деятельности ИИ-агента.

При подходе «снизу вверх» ИИ-агент в роли наблюдателя ситуативно реагирует на стимул, т.е. сетевое событие в роли рефлекторного агента окружения на основе сенсорных данных и согласно заложенной модели поведения. В рамках этого подхода формируется «terminal level» [8], на котором формируется описание свойств наблю- даемых объектов, из которых далее формируется «мир» («сцена») и определяется контекст. Здесь обеспечивается также семантическая интероперабельность, которая позволяет ИИ-агентам «осознавать» контекст сенсорной информации, чтобы обрабатывать смысловое содержание «сцены» или «мира» в консенсуальном согласии с другими ИИ-агентами. Это обеспечивает в целом семантическую совместимость платформ ИИ-агентов и «миров»ИИ-агентов.

В отличии от архитектуры интеллектуального агента [9], дополнительно для семантической коммуникации агента с ЛПР предлагается применять интерфейс «человек-машина» (человекомашинный интерфейс), ЧМИ с помощью языковой модели [10]. Известно, что в языковых моделях точность и содержательность ответа зависит от контекста и точной формулировки вопроса и используемых «подсказок» в запросах с учетом объёма обучающих данных. Обучающие данные могут содержать сведения, отражающие множество различных точек зрения на объект управления с учетом уровней управления, информационных моделей управления, используемого набора сущностей, детализации описания атрибутов и поведения объектов управления, контекста управления (штатная или нештатная ситуация) [11]. Языковые модели в общем не предназначены для обеспечения выполнения логически обусловленной последовательности действий, что является очевидным условием обеспечения эффективного управления телекоммуникационными системами. В результате можно ожидать, что результаты применения языковых моделей «как есть» для управления телекоммуникационными системами не будут последовательным и обоснованным образом формировать политику управления.

Для устранения отмеченных недостатков в рамках предлагаемого подхода языковая модель будет дополнительно настроена с помощью онтологии предметной области управления телекоммуникациями по аналогии с решением [12]. Указанный подход снижает риски использованиям неполностью определенных либо неизвестных (и, соответственно, требующих дополнительного определения) концептов и их атрибутов при описании ЛПР задач управления ИИ-агенту. Одновременно обеспечивается и логический вывод и(или) решение на основе онтологии в дополнение к результатам обучения языковой модели. Языковая модель в дальнейшем может быть использована для создания системы голосового управления подвижными объектами и обеспечения интеллектуальной коммуникативности.

Для обеспечения адаптивности ИИ-агентов в отличие от предложенного ранее интеллектуального агента управления, поддерживавшего фиксированный алгоритм диагностики системного уровня SLD [13], предлагается применять сценарный подход, основанный на знаниях. С той же целью, в отличие от агента Интернета вещей (Internet of Things, IoA) [14], через контекстозависимый интерфейс можно получить доступ не к одной, а к нескольким взаимно-отображаемым онтологиям предметной области.

Наличие онтологии как элемента настройки обеспечивает как упорядоченное управление классификацией знаний, так и управление процессами получения знаний. Применение онтологии позволяет реализовать функции логического вывода для верификации структуры команд и поведения агентов. Следует отметить, что существует и обратный процесс, при котором с помощью используемой языковой модели можно расширять онтологию предметной области на основе вопросов по компетенциям (Competency Question) [15].

С учетом вышеизложенного можно предложить концептуальную модель ИИ-агента на рисунке 1. Эта модель рассматривается как типовая модель ИИ-агента в системе управления.

Рисунок 1. Концептуальная модель ИИ-агента для управления системами связи с подвижными объектами

Это означает, что ИИ-агент – наблюдатель и обучающийся ИИ-агент будут иметь одинаковую концептуальную модель с отличием только в системной роли, которая определяется логикой поведения ИИ-агента. С помощью логики поведения ИИ-агент адаптивно реагирует на изменения окружения с помощью модификации поведения. Логика ИИ-агента поддерживает функцию обработки данных, функцию планировщика и функцию обмена информацией. Функция обработки данных на основе сведений «мира» («сцены») и «подсказок» ЛПР формирует решение по управлению с поддержкой механизма рассуждений с использованием результатов машинного обучения. Функция планировщика предназначена для определения последовательности действий ИИ-агента при реакции на поступление информации «мира», например принятие решения о применении и(или) изменении модели машинного обучения, обращение для настройки к новой онтологии через контекстно-зависимый интерфейс. С помощью функции обмена информацией ИИ-агент коммуницирует с другими агентами в рамках «мира» («сцены») с помощью обмена сообщениями («запрос-ответ»).

Методы искусственного интеллекта и(или) машинного обучения, рассматриваются как внешние по отношению к ИИ-агенту. Метод ИИ (МО) может выступать формальной ссылкой для предварительно «обученного» ИИ-агента в роли рефлекторного агента окружения. Метод ИИ (МО) активизируется для фактического предобучения, обучения или переобучения ИИ-агента.

Память и кэш-память представляют собой совокупность сохраняемых упорядоченных данных и(или) правил в семантическом и в знаковом (цифра, знак) виде. В общем случае память и кэш-память являются семантическими, при этом данные в кэш-памяти наиболее актуальны по статусу и имеют минимальное время доступа и обновления [16; 17].

Контекстно-зависимый интерфейс (КЗИ) предполагает формирование интеллектуального адаптивного интерфейса для коммуникации с системой знаний и коммуникации с другими ИИ-агентами. Такой интерфейс является многомодальным [18] с учетом контекста применения ИИ-агента, в том числе описания метаданных, контекста «мира» или «сцены», контекста пользователя [19]. С помощью КЗИ осуществляется коммуникация с другими ИИ-агентами, в том числе с системой управления знаниями.

Организация использования знаний для обслуживания и управления телекоммуникациями

Использование знаний необходимо для поддержки процессов создания, хранения и обслуживания знаний, генерируемых в процессе эксплуатации и управления телекоммуникационными системами [20]. Целью использования знаний является повышение эффективности стратегического менеджмента наряду с поддержанием высокого качества оперативного управления телекоммуникациями. Для этого требуется использовать лучший опыт с помощью предоставления услуг в области знаний, при этом услуги предоставляют- ся в виде прикладных сценариев использования знаний предметной области. Каждый прикладной сценарий относится к области управления и предполагает предоставление набора услуг (сервисов) по работе со знаниями в различных процессах управления телекоммуникациями.

В целом функциональная схема управления знаниями для обслуживания и применения телекоммуникаций состоит из шести функциональных блоков, как показано на рисунке 2. Блок формирования знаний напрямую или опосредованно предоставляет возможности моделирования знаний, аннотирования знаний, извлечения знаний, поиска и объединения знаний, аргументации знаний и проверки знаний для поддержки преобразования исходных данных, генерируемых в процессах эксплуатации и управления сетью, в знания. Блок хранения знаний обеспечивает возможность создания базы знаний для эксплуатации и управления телекоммуникациями. Блок хранилища (базы) знаний обеспечивает обновление знаний, управление процессом создания знаний, управление версиями сценариев и управление классификацией знаний для обеспечения ценности знаний по эксплуатации и управлению телекоммуникациями.

Рисунок 2. Функциональная схема управления знаниями [12]

Блок управления исходными данными по областям знаний предоставляет такие возможности, как управление жизненным циклом исходных данных и управление качеством исходных данных. Блок формирования знаний является ключевым в рассматриваемой схеме. Моделиро- вание знаний определяется, к примеру, моделью онтологии знаний для эксплуатации и управления телекоммуникациями, чтобы семантически формализовать весь процесс построения знаний. В свою очередь онтология определяет конкретные значения концептов (терминов) и их отношения, например отношения между причиной неисправности сети, явлением неисправности сети, классификацией тяжести последствий неисправности сети в области устранения неисправностей.

Проверка (валидация) знаний предполагает комплексный анализ качества знаний по выбранным метриками оценки качества знаний, включая точность информации, сведения о результатах применения. ИИ-агент в роли целеориентированного агента-познавателя взаимодействует с рассматриваемой структурой в рамках подхода «сверху-вниз» способом, который будет рассмотрен далее.

Разработка схемы взаимодействия между ИИ-агентами для представления окружения подвижных устройств

В процессе управления ИИ-агенты формируют представление о «мире» или «сцене», как модели окружения, с учетом контекста. При этом интерпретация одной и той же информации от ИИ-агентов – наблюдателей и ИИ-агентов с функцией познавателя в общем случае может отличаться, поскольку, например, ИИ-агенты используют различные прикладные сценарии использования знаний или результаты машинного обучения (переобучения). При этом ИИ-агенты должны коммуницировать посредством семантических сетей применительно к коммуникациям, например в рамках перехода к сетям 6G [21]. В отличие от архитектуры генеративного ИИ-агента [22], предполагается, что компонент «Planning», транслирующий выводы ИИ-агента в планы более высокого уровня, может быть реализован в виде прикладного сценария на рисунке 2. При этом ИИ-агент сохранит возможности наблюдения и возможности синтеза результатов наблюдения с учетом контекста для формирования представления о «мире» в качестве ИИ-агента познавателя.

С учетом имеющейся информации становится актуальной задача создания обобщенной семантической модели для управления подвижными объектами. Согласно нотации [7] формальное представление ИИ-агентов о «мире» или «сцене» показано на рисунке 3. Здесь уровень T (Time) представляет собой совокупность моментов времени наблюдения. Уровень O (Observation) представляет собой уровень функционирования

ИИ-агентов – наблюдателей за сетевой ситуацией, уровень A (Alternatives) соответствует уровню ИИ-агентов познавателей, которые формируют альтернативное видение «мира» уровня O на основе контекста данных от ИИ-агентов – наблюдателей. Пусть начиная с момент времени t₀ до момента времени t_i ИИ-агент – наблюдатель собирал по два набора данных, каждый из которых характеризует два объекта в составе одной сети или сетевого домена.

Рисунок 3. Схема формирования представления ИИ-агентов об окружении (с учетом [7])

Тогда можно говорить о множестве сцен на соответствующем уровне O = { O 11 , O ₂₁,..., O 1 i , O 2 i } . Это множество данных о «сцене» или «мире» интерпретируется двумя ИИ-агентами – позна-вателями, что порождает множеством альтернатив на уровне познавателей, следующего вида: ^A = ^{{ A} 111 , A 211 , ^A 121 , A 221 ..., ^A 11 i , A 21 i , ^A 12 i , A 22 i ^} •

Здесь первый знак индекса соответствует уровню A ИИ-агента (1 или 2) на рисунке 3, второй знак индекса соответствует номеру сцены (или ИИ-агента – наблюдателя), третий знак индекса соответствует моменту времени наблюдения. Здесь возникает проблема комбинаторного увеличения количества интерпретаций «сцен» в связи как с увеличением количества ИИ-агентов, так и с представлением о том, что действительно «знает» ИИ-агент.

Указанная проблема в контексте формальных логик рассмотрена в работе [23] в рамках анализа эпистемического сценария, когда допускается ситуация, в которой можно понять, что известно, а что неизвестно ИИ-агенту. Это позволяет явным образом описывать знание или незнание ИИ-агента о каком-то факте предметной области.

Следствием того, что допускается ситуация «незнания» и становится создание эпистеми-ческого сценария. Чтобы сократить количество копий «миров» и предотвратить комбинаторный экспоненциальный рост модели в связи с раз- личными сочетаниями «знаний» и «незнаний», используется семантика структур знания, синтаксическая и диаграмматическая эпистемическая логика, что не исчерпывает существующее количество подходов к моделированию сценариев применительно к схеме на рисунке 3.

В любом из рассмотренных случаев необходимо рассмотреть проблему организации коммуникации ИИ-агентов управления, поскольку без коммуникации невозможно совместная реализация сценариев. В рассматриваемом случае анализируются технологический и содержательные аспекты коммуникации.

На технологическом уровне совокупность автономных подвижных (маневренных) устройств с ИИ-агентами находится в определенной геометрической области, где существует техническая возможность обмена данными и командными слова-

связи для адаптации сцепления между ИИ-аген-тами при изменении местоположения;

a_ij – элемент матрицы связности между i -м и j -м ИИ-агентами на графе G ;

x_i,x j – состояние (положение) i -го устройства с ИИ-агентом и j -го устройства с ИИ-агентом соответственно.

gi (—) = “

ij— если | | w || >  k;

w

w

— если 11 — <  k i .

где g_i ( w ) - нелинейная функция, аппроксимирующая размеры зоны связности между агентами;

w – описывает внешние возмущения, связанные с устройством с ИИ-агентом, которые способны вывести ИИ-агента за пределы зоны связ-

ми от подвижного центра управления, используя каналы и средства радиосвязи. Для этого используется т.н. сдерживающее управление [24; 25], где ИИ-агент – познаватель выполняет функции ведущего объекта и центра управления, для чего занимает высшее положение в иерархии многоагентной системы.ИИ-агент–наблюдательвыполняетфунк-ции ведомого объекта, и занимает низшее положение в иерархии многоагентной системы, причем ИИ-агент – наблюдатель находится в зоне действия ИИ-агента – познавателя.

Пусть устройство с ИИ-агентом – наблюдателем способно изменять своё направление перемещения по отношению к ИИ-агентам – наблюдателям. При более общей постановке задачи существует возможность перемещения устройства с ИИ-агентом – наблюдателем относительно ИИ-агента – познавателя. Тогда для каждого ИИ-агента – наблюдателя существует ориентированный путь на ИИ-агента – познавателя на графе связности G из N ИИ-агентов, из которых M ИИ-агентов относятся к наблюдателям. Тогда существует воздействие на ИИ-агента – познава-теля u _i , определяющее степень взаимодействия с ИИ-агентами – наблюдателями, что определяется

ности;

k _i – скалярные величины, определяющие ус-

ловную ширину «зоны связности» подвижных устройств с ИИ-агентами.

Под зоной связности понимается не только об-

ласть физической доступности, но в более узкой трактовке – зона, в которой действует та или иная стратегия управления подвижными объектами.

Следует отметить, что часть выражения (1), N а именно ctKS aj (xi — xj) описывает ситуацию .j=1

передачи устройствами значений своих выходов на соседние устройства, а часть выражения (1)

вида

c 2 g i ^K E a J ( x i k J = 1

—

xJ)

J

ненулевое

следующим выражением:

N u, = cK\a„ (x,.

i i                   ij i j=1

- x/) +

<

+ c 2 g i ^K S a j ( x i

I J = 1

-

^

^x j] ,

J

воздействие на ИИ-агент – познавателя, например, при реализации сценария использования знаний на рисунке 2.

Для коммуникации между ИИ-агентами используется язык коммуникации агентов ACL (Agent Communication Language) [26], который имеет формализацию семантики, позволяющую применять ACL как протокол. В рамках системы управления структурирование и определение формата сообщений не являются существенными ограничением многоагентной модели, напротив, определение политики и протокол взаимодействия позволяют создать верифицируемую семантическую модель коммуникации [27], основанную на допустимой последовательности обмена сообще-

где c ₁ , c ₂ – коэффициенты в виде постоянных для описания связи (сцепления) между устройствами с ИИ-агентами;

K g R p ^x n — матрица коэффициентов обратной

ниями и относящуюся к семантическим моделям политик общения (conversational policy).

В целом коммуникация между ИИ-агентами в процессе машинного обучения ранее рассмотрена в [28] и, согласно предложенной классификации, рассматривается здесь как централизованное обучение с децентрализованным исполнением. При

этом, с учетом фактора неопределенности в сведениях о «мире» («сцене») допускается использование метода рекурсивного вывода, когда по крайней мере ИИ-агент – познаватель получает представление о состоянии других ИИ-агентов – познавателей. В целом коммуникация между ИИ-агентами соответствует случаю обучения коммуникации (Learning Communication), когда ИИ-агенты могут обмениваться информацией с помощью коммуникационных протоколов, например, через прямые сообщения.

На содержательном уровне должна обеспечиваться семантическая интероперабельность [29]. Здесь семантика отражает содержательную сторону или смысл данных, которые поступают на уровень O . Свойство семантической интероперабельности позволяет рефлекторным ИИ-агентам окружения, являющимися агентами – наблюдателями, «осознавать» смысл информации и уже на стадии наблюдения обрабатывать данные с учетом их смыслового содержания. Это особенно важно при использовании различных единиц величин при прямых измерениях, либо при косвенных измерениях. Схема коммуникаций между ИИ-агентами в виде запросов и результатов исполнения заданий приведена на рисунке 4.

Рисунок 4. Cхема обмена сообщениями ИИ-агентов в системе управления

Пусть в рассматриваемом случае ИИ-агент 1 выдает задание на исполнение в виде запроса ИИ-агенту 2 и ИИ-агенту 3. ИИ-агент 1 может быть агентом – познавателем, а ИИ-агент 2 и ИИ-агент 3 являются агентами – наблюдателями.

В рамках рассматриваемого подхода, ИИ-агент 2 при недостатке информации для исполнения запроса от ИИ-агента 1 может обратиться за сведениями к ИИ-агенту 3. В рамках рассматриваемой схемы это рассматривается как делегирование задания от ИИ-агента 1 как объекта верхнего уровня иерархии. В свою очередь, ИИ-агент 3 воспринимает и выполняет делегированное задание как информирование ИИ-агента 2 в части недостающей информации.

В результате ИИ-агент 2 и ИИ-агент 3 направляют результаты выполнения задания в сторону ИИ-агента 1. В результате ИИ-агент 2 и ИИ-агент 3 направляют результаты выполнения задания в сторону ИИ-агента 1, причем ИИ-агент 2 предоставляет не только свои наблюдения, но и данные, полученные от ИИ-агента 3.

Таким образом появляются две пересекающиеся области данных в рамках одного и того же прикладного сценария использования знаний, когда собственные данные от ИИ-агента 2 дополнены данными от ИИ-агента 3. Делегирование в целом не является обязательным, но такой вид коммуникации следует учитывать при применении ИИ-агентов для управления системами связи с подвижными объектами.

С учетом обозначений международно-признанного стандарта ISO/MEC 20005:2013 рассмотрим формат запроса. Пусть используется автономный целеориентированный ИИ-агент – познаватель, причем его автономность предполагает способность изменять свою целевую область использования и/или цель управления, если этого требует взаимодействие с системой управления знаниями. Здесь можно исходить из предположения что автономный целеориентированный ИИ-агент может «не знать» о новых сценариях. В результате, получив новый прикладной сценарий, ИИ-агент может изменить целеположение в рамках процесса управления.

Запрос от автономного ИИ-агента – познавате-ля может формироваться, например, в контексте управления QoS. Здесь задание в виде запроса на получение результатов измерения обозначается как QOS-MEASUREMENT.request . Предварительным условием является наличие такого управления взаимным перемещением, при котором имеется связка ИИ-агентов в контексте обеспечения QoS и управление обеспечивается согласно формуле (1) на графе связности G . Тогда пример описания запроса от ИИ-агента 1 к ИИ-агенту 2 на рисунке 4 может иметь вид:

QoS-MEASUREMENT.request {

QoS-MEASUREMENT RequestorID, QoS-MEASUREMENT AgentProfileID, QoS-MEASUREMENT AgentMeasurementList,

{

Параметр запроса QOS-MEASUREMENT. RequestorID содержит идентификатор ИИ-агента как источника запроса, параметр QOS-MEASUREMENT AgentProfileID содержит метаинформацию или ссылку на роль и контекст агента в рамках запроса сценария, параметр QOS-

MEASUREMENT AgentMeasurementList содержит список терминов или концептов, в зависимости от контекста измерения, и связанных с ними атрибутов т.е. значений концептов онтологии предметной области [30].

В случае обнаружения результатов измерения ИИ-агенту 1 направляется требуемая информация в виде ответного сообщения следующего вида:

QoS-MEASUREMENT.confirm { QoS-MEASUREMENT RequestorID, QoS-MEASUREMENT ProfileID, QoS-MEASUREMENT ServiceID, QoS-MEASUREMENT ReportList, {

В рассматриваемом ответе содержится обозначение ответа на запрос QOS-MEASUREMENT. request , которое содержит список параметров. Параметр QOS-MEASUREMENT RequestorID содержит идентификатор ИИ-агента – источника запроса, параметр QOS-MEASUREMENT ProfileID содержит метаинформацию прикладного сценария измерения, например сценарий распознавания цели. Параметр QOS-MEASUREMENT ServiceID содержит идентификатор услуги управления, например услуга классификации цели по принципу «свой – чужой», параметр QOS- MEASUREMENT ReportList содержит перечень данных или ссылку на массив данных с результатами измерений для оказания услуги. Запрос прикладного сценария из системы управления знаниями производится аналогично.

В рамках ГОСТ Р 71840–2024 [31] рассмотренные на рис. 4. запросы и процедуры коммуникации между ИИ-агентами могут быть реализованы на платформе обмена данными интернета вещей DEP (Data Exchange Platform), а схемы коммуникации между ИИ-агентами относятся к глобальным службам.

Для тестирования предлагаемого решения предлагается использовать положения ISO/IEC TR 29119-11:2020, Part 11 в части руководства по тестированию систем искусственного интеллекта. Целесообразно провести тестирование входящих данных, которые поступают для обработки ИИ-агентом – наблюдателем на непрерывность, целостность, отсутствие выбросов. Далее выполняется индивидуальное тестирование ИИ-агентов – наблюдателей и ИИ-агентов агента – познавателя по дополнительно разрабатываемым UNIT-тестам (автономные испытания) с учетом потока обработки информации в модели управления, например, согласно документу [32]. Далее проводится интеграционное тестирование

(комплексное испытание) по аналогии с тестированием мультиагентных сред для автономных агентов [33]. Автономное и интеграционное тестирование допускается проводить с применением больших языковых моделей для разработки поведенчески ориентированных тестов [34].

Для ИИ-агентов индивидуально тестируется корректная интерпретация выражений на естественном языке и подсказок (prompts), при этом следует убедиться, что ИИ-агенты не допускают недозволенного поведения как в контролируемом, так и в автономном режиме. При интеграционном тестировании следует проверить, каким образом ИИ-агенты использует базу знаний, следуя сценариям или обрабатывая запросы, требующие использования знаний. Особо проверяется способность ИИ-агентов и системы к планированию своих действий, в рамах сценариев, требующих принятия решений и реализация этих действий.

Следует удостовериться в высокой степени интеграции и эффективном использовании ИИ-агентами аппаратного обеспечения, программных библиотек и интерфейсов программных приложений при выполнении задач управления или ответе на запросы других ИИ-агентов или ЛПР. Содержание тестов и проформа тестирования определяется программой и методикой испытаний системы управления. Тестирование онтологии производится на стадии разработки и внедрения в части проверки логического вывода и проверки на непротиворечивость [35]. Окончательно комплексное тестирование управления системами связи с подвижными объектами можно провести по методике для сети 5G O-RAN [36].

Заключение

Новизна предлагаемого подхода заключается в применении семантики для выражения смыслового содержания команд и контекста управления, что позволяет использовать различные способы коммуникации между агентами с помощью семантической сети, прежде всего, языковые модели, а в перспективе – команды голосового управления. Предполагается, что предлагаемый подход позволит создать искусственный язык общения «машина – машина» для целей координации и управления поведением подвижных объектов, что расширит автономность их поведения через интеллектуальную коммуникативность и применение методов трансферного обучения (transfer learning). Предложена концептуальная модель агентов искусственного интеллекта для управления, отличающаяся использованием двухуровневой иерархической схемы агентов, состоящей из агентов с разными системными ролями в контексте задач управления и взаимодействия с окружением, в том числе с системой управления знаниями на основе сценарного подхода. Предложена общая классификация ИИ-агентов для управления подвижными объектами. Предложены схемы коммуникации между ИИ-агентами с учетом их системных ролей. Определены возможные параметры запросов и результатов обработки запросов для обслуживания и последующего применения при управлении подвижными объектами, в том числе с учетом подвижности центра управления.