Sistemas Inteligentes

Apresentação em tema: "Sistemas Inteligentes"— Transcrição da apresentação:

1 Sistemas Inteligentes
Aula: Agentes Inteligentes Flávia Barros

2 Agentes Inteligentes Plano da aula
O que é um Agente Racional (inteligente)? Ambientes e arquiteturas IA distribuída Metodologia de desenvolvimento Conclusão

3 O que é um Agente? Qualquer entidade (humana ou artificial) que:
está imersa ou situada em um ambiente físico, virtual/simulado percebe seu ambiente através de sensores ex. câmeras, microfone, teclado, finger, ... age sobre ele através de atuadores ex. vídeo, auto-falante, impressora, braços, ftp, ... possui objetivos próprios explícitos ou implícitos escolhe suas ações em função das suas percepções para atingir seus objetivos

4 Agentes Inteligentes x Sistemas de IA Clássica
Ambiente Sensores Atuadores Objetivos Interpretação das percepções Raciocínio = escolha das ações IA Agente Dados de Entrada Saída Objetivos Sistema Inteligente IA Raciocínio

5 Agente Racional (Inteligente)
faz a melhor coisa possível segue o princípio da racionalidade: dada uma seqüência perceptiva, o agente escolhe, segundo seus conhecimentos, as ações que melhor satisfazem seu objetivo Racionalidade ¹ Onisciência Limitações de: sensores atuadores “raciocinador" (conhecimento, tempo, etc.)

6 Agente Racional Medida de Desempenho
Então como vamos medir o “sucesso” do agente? Usando uma “medida de performance” Quando o agente é colocado em um ambiente, ele gera uma seqüência de ações com base nas suas percepções. Essa seqüência de ações leva o ambiente a modificar-se passando por uma seqüência de estados. Se essa seqüência de estados é “desejável”, então o agente teve um bom desempenho! Contudo... Não existe uma medida de sucesso fixa para todos os agentes Assim sendo, vamos optar por uma medida de performance objetiva, que seja determinada pelo projetista o agente!

7 Cuidado... na computação, nem todo agente é inteligente (racional)!
Inteligência Artificial Engenharia de Software Agentes Sistemas Distribuídos

8 Outras propriedades associadas aos Agentes
Autonomia (IA) raciocínio, comportamento guiado por objetivos reatividade Adaptabilidade & aprendizagem (IA) Comunicação & Cooperação (IA) Personalidade (IA) Continuidade temporal Mobilidade

9 Outras propriedades associadas aos Agentes
Autonomia de raciocínio (IA): Requer máquina de inferência e base de conhecimento Essencial em sistemas especialistas, controle, robótica, jogos, agentes na internet ... Adaptabilidade (IA): Capacidade de adaptação a situações novas, para as quais não foi fornecido todo o conhecimento necessário com antecedência Duas implementações aprendizagem e/ou programação declarativa Essencial em agentes na internet, interfaces amigáveis ...

10 Outras propriedades associadas aos Agentes
Comunicação & Cooperação (Sociabilidade) (IA): IA + técnicas avançadas de sistemas distribuídos: Protocolos padrões de comunicação, cooperação, negociação Raciocínio autônomo sobre crenças e confiabilidade Arquiteturas de interação social entre agentes Essencial em sistemas multi-agente, comércio eletrônico, ... Personalidade (IA): IA + modelagem de atitudes e emoções Essencial em entretenimento digital, realidade virtual, interfaces amigáveis ...

11 Outras propriedades associadas aos Agentes
Continuidade temporal e persistência: Requer interface com sistema operacional e banco de dados Essencial em filtragem, monitoramento, controle, ... Mobilidade: Requer: Interface com rede Protocolos de segurança Suporte a código móvel Essencial em agentes de exploração da internet, ...

12 Como descrever um Agente Racional?
Pode ser descrito em termos de seu PEAS P – performance E – (environment) ambiente A – atuadores S – sensores e outros agentes – nos sistemas multiagentes

13 Exemplo: Agente de Polícia
Raciocínio Agente Objetivo: - fazer com que as leis sejam respeitadas Ações: - multar - apitar - parar, ... Conhecimento: - leis - comportamento dos indivíduos,... percepção execução Ambiente

14 Exemplos de Agentes e seus PEAS

15 Ambientes

16 Ambientes Classes de ambientes Propriedades de um ambiente
Ambiente físico: agentes robôs Ambiente de Software: agentes softbots Ambiente de Realidade virtual (simulação do ambiente físico): agentes softbots e avatares Propriedades de um ambiente totalmente observável x parcialmente observável determinista x estocástico episódico x seqüencial estático x dinâmico discreto x contínuo um agente x multiagentes complexidade: número de percepções, ações, objetivos,...

17 Ambientes: propriedades
Totalmente observável quando os sensores do agente conseguem perceber o estado completo do ambiente. Determinista o próximo estado do ambiente pode ser completamente determinado pelo estado atual e as ações selecionadas pelo agente. Episódico A experiência do agente é dividida em episódios. Cada episódio consiste em o agente perceber e então agir. Cada episódio não depende das ações que ocorreram em episódios prévios.

18 Ambientes: propriedades
Estático o ambiente não muda enquanto o agente está escolhendo a ação a realizar. Semi-estático: o ambiente não muda enquanto o agente delibera, mas o "score" do agente muda. Discreto quando existe um número distinto e claramente definido de percepções e ações em cada turno. Contínuo percepções e ações mudam em um espectro contínuo de valores.

19 Exemplos de Ambientes > A complexidade do ambiente é dada por:
número de percepções, ações e objetivos possíveis

20 Algoritmo Básico e Arquiteturas
Agentes Algoritmo Básico e Arquiteturas

21 Agentes: Algoritmo básico
função agenteSimples (percepção) retorna ação memória := atualizaMemória (memória, percepção) ação := escolheMelhorAção(memória,objetivos) memória := atualizaMemória (memória, ação) retorna ação

22 Agentes: Arquiteturas
Agente reativo Agente reativo com estado interno Agente cognitivo (baseado em objetivos) Agente otimizador Agente adaptativo autonomia complexidade

23 Agentes: Arquiteturas
De forma bem simplificada, um agente pode ser visto como um mapeamento: seqüência perceptiva => ação sensores Agente atuadores a m b i e n t e Raciocinador modelo do ambiente

24 Agente Tabela? Não é um agente racional...
sensores Agente Tabela Percepções ações . . a m b i e n t e atuadores Limitações Mesmo problemas simples requerem tabelas muito grandes ex. xadrez 30^100 Nem sempre é possível, por ignorância ou questão de tempo, construir a tabela Não tem autonomia nem flexibilidade Ambiente Totalmente observável, determinista, episódico, estático, discreto e minúsculo!

25 Agente Reativo Simples
sensores Como está o mundo agora? a m b i e n t e Regras “condição-ação” Que ação devo escolher agora? atuadores Vantagens e desvantagens Regras condição-ação - representação inteligível, modular e eficiente ex. Se velocidade > 60 então multar Não pode armazenar uma seqüência perceptiva, tem pouca autonomia Ambiente Totalmente observável, episódico, pequeno Reflexo é imprescindível em ambientes dinâmicos

26 Agente Reativo baseado em Modelo do Mundo
sensores estado: como o mundo era antes Como está o mundo agora? como o mundo evolui impacto de minhas ações a m b i e n t e Que devo fazer agora? Regras “condição-ação” atuadores Desvantagem: pouca autonomia não tem objetivo, não encadeia regras Ambiente: determinista e pequeno Ex. Tamagotchi

27 Agente cognitivo - Baseado em Objetivo
sensores Agente Como está o mundo agora? Objetivos como o mundo evolui atuadores Que devo fazer agora? a m b i e n t e impacto de minhas ações Como ele ficará se faço isto? estado: como o mundo era antes Vantagens e desvantagens Mais complicado e ineficiente, porém mais flexível, autônomo Não trata objetivos conflitantes Ambiente: determinista Ex. de objetivo: xeque-mate no xadrez

28 Agente otimizador - baseado em utilidade
ambiente sensores atuadores Agente Como está o mundo agora? Que ação devo escolher agora? Função de Utilidade qual é o impacto de minhas ações como o mundo evolui Este novo mundo é melhor? Como ele ficará se faço isto? estado: como o mundo era antes Ambiente: sem restrição Desvantagem: não tem adaptabilidade Ex. motorista de táxi Segurança e velocidade – conflito!

29 Agente que aprende Agente t+1 sensores crítico avaliação t trocas
elemento de execução (agente) elemento de aprendizagem conhecimento a m b i e n t e objetivos de aprendizagem t Gerador de problemas atuadores Ambiente: sem restrição Vantagem: tem adaptabilidade (aprende) Contudo, não necessariamente trata dois objetivos conflitantes Ex. motorista sem o mapa da cidade

30 Inteligência Coletiva
IA Distribuída

31 Inteligência Coletiva
Por que pensar a inteligência/racionalidade como propriedade de um único indivíduo? Não existe inteligência ... Em um time de futebol? Em um formigueiro? Em uma empresa (ex. correios)? Na sociedade? Solução: IA Distribuída

32 IA Distribuída Agentes simples que juntos resolvem problemas complexos
tendo ou não consciência do objetivo global O próprio ambiente pode ser modelado como um agente Dois tipos de sistemas: Resolução distribuída de problemas Sistemas Multi-agentes

33 Resolução distribuída de problemas
Cada agente tem consciência do objetivo global Existe uma divisão clara de tarefas Exemplos: Robótica clássica, Busca na Web, Gerência de sistemas distribuídos, ...

34 Sistemas Multi-agentes
Não existe consciência do objetivo global Não existe divisão clara de tarefas Exemplos: n-puzzle (jogo dos 8-números), futebol de robôs, balanceamento de carga, robótica, ... 1 5 3 4 8 6 7 2 1 5 3 4 8 6 7 2 F 1 5 3 4 8 6 7 2

35 Metodologia para projeto de sistemas e dicas de implementação
Agentes em IA Metodologia para projeto de sistemas e dicas de implementação

36 Projeto Metodologia de desenvolvimento
Decompõe o problema em: PEAS dos agentes (Performance, Environment (ambiente), Atuadores e Sensores); & Objetivos (ou função utilidade, se for o caso) dos agentes; Decompõe o conhecimento do agente em: Quais são as propriedades relevantes do mundo? Como identificar os estados desejáveis do mundo? Como interpretar as suas percepções? Quais as conseqüências das suas ações no mundo? Como medir o sucesso de suas ações? Como avaliar seus próprios conhecimentos? São suficientes para resolver o problema?

37 Projeto Metodologia de desenvolvimento
O resultado dessa decomposição indica: Arquitetura de agente adequada ao ambiente e ao problema a ser tratado O método de resolução de problema (raciocínio)

38 Como desenvolver um software inteligente?
Projeto: Modelar o problema em termos de PEAS e Objetivos (ou função utilidade) dos agentes Identificar o tipo de ambiente Identificar a arquitetura do(s) agente(s) Implementação: Componentes do agente O simulador de ambientes Testar o desempenho com diferentes instâncias do ambiente

39 Implementação Simulação do Ambiente
Às vezes, é mais conveniente simular o ambiente mais simples permite testes prévios evita riscos, etc... O ambiente (pedaço de código...) recebe os agentes como entrada fornece repetidamente a cada um deles as percepções corretas e recebe as ações escolhidas atualiza os dados do ambiente em função dessas ações e de outros processos (ex. dia-noite) é definido por um estado inicial e uma função de atualização deve refletir a realidade

40 Simulação de Ambientes
função simulaAmbiente (estado, funçãoAtualização, agentes,final) repita para cada agente em agentes faça Percept[agente] := pegaPercepção(agente,estado) Action[agente] := Programa[agente] (Percept[agente]) estado := funçãoAtualização(ações, agentes, estado) scores := avaliaDesempenho(scores,agente,estado) //opcional até final Cuidado para não cair em tentação e “roubar” do ambiente a descrição do que aconteceu. Use a memória do agente!

41 Por que usar a “metáfora” de agentes?
Fornece uma visão unificadora das várias sub-áreas da IA Fornece metodologias de desenvolvimento de sistemas inteligentes estendendo as de engenharia de software Ajuda a embutir a IA em sistemas computacionais tradicionais Permite tratar melhor a interação com o ambiente Permite tratamento natural da IA distribuída

42 Próxima Aula Agentes baseados em conhecimento