A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Prof. Frederico Brito Fernandes Agentes Inteligentes.

Apresentações semelhantes


Apresentação em tema: "Prof. Frederico Brito Fernandes Agentes Inteligentes."— Transcrição da apresentação:

1 Prof. Frederico Brito Fernandes Agentes Inteligentes

2 Professor: Frederico Brito Fernandes 2/38 Disciplina: Inteligência Artificial Agentes (1) Definição

3 Professor: Frederico Brito Fernandes 3/38 Disciplina: Inteligência Artificial (1) Definição: algumas definições IBM: Intelligent agents are software entities that carry out some set of operations on behalf of an user, and in doing so employ some knowledge representation of the users goals or desires KidSim: Agent is a persistent software entity (agents have their own ideas about how to accomplish tasks) dedicated to a specific purpose (smaller than multifunctions applications) SodaBot: Software agents are programs that engage in dialogs to negotiate and coordinate transfer of information

4 Professor: Frederico Brito Fernandes 4/38 Disciplina: Inteligência Artificial (1) Definição: o que é um agente? Agente é qualquer entidade que: –percebe seu ambiente através de sensores (ex. câmeras, microfone, teclado, finger,...) –age sobre ele através de efetuadores (ex. vídeo, auto- falante, impressora, braços, ftp,...) Mapeamento: seqüência perceptiva => ação Ambiente Agente Sensores ? Atuadores Percepções Ações Raciocinador

5 Professor: Frederico Brito Fernandes 5/38 Disciplina: Inteligência Artificial (1) Definição: agente humano Ambiente Percepções Ações Atuadores Sensores

6 Professor: Frederico Brito Fernandes 6/38 Disciplina: Inteligência Artificial Ambiente Agente raciocínio Conhecimento: - leis - comportamento dos indivíduos,... Objetivo: - fazer com que as leis sejam respeitadas Ações: - multar - apitar - parar,... execuçãopercepção (1) Definição: agente policial }-{

7 Professor: Frederico Brito Fernandes 7/38 Disciplina: Inteligência Artificial (1) Definição: terminologia Percepção: entradas perceptivas do agente em qualquer momento Seqüência de percepções: história completa de tudo o que o agente já percebeu A escolha de uma ação de um agente em qualquer instante pode depender da seqüência inteira de percepção até o momento Uma função agente é o mapeamento de toda seqüência possível de percepções para uma ação –Tabela muito grande. Na verdade infinita.

8 Professor: Frederico Brito Fernandes 8/38 Disciplina: Inteligência Artificial (1) Definição: mundo do aspirador de pó Percepção: local e conteúdo, por exemplo, [A, sujo] Ações: Direita, Esquerda, Sugar, NoOp Tabela Parcial de uma função agente

9 Professor: Frederico Brito Fernandes 9/38 Disciplina: Inteligência Artificial Autonomia (IA) –raciocínio, comportamento guiado por objetivos –reatividade Adaptabilidade & aprendizagem (IA) Comunicação & Cooperação (IA) Personalidade (IA) Continuidade temporal Mobilidade (1) Definição: propriedades de agentes

10 Professor: Frederico Brito Fernandes 10/38 Disciplina: Inteligência Artificial (1) Definição: aprendizagem O agente pode ter algum conhecimento anterior Ele também pode ganhar experiência e modificar e ampliar este conhecimento Se o ambiente é previamente conhecido: –O agente não precisa aprender ou perceber –Somente agir de forma correta –Mas este tipo de agente se torna muito frágil –Ex: aspirador de pó começando a limpar no final de um corredor de vento

11 Professor: Frederico Brito Fernandes 11/38 Disciplina: Inteligência Artificial (1) Definição: autonomia Autonomia sem racionalidade = burrice –Ex. do agente que atravessa a rua sem olhar – não racional A ação correta seria olhar porque maximiza o desempenho Coleta de informações: –A realização de ações com a finalidade de modificar percepções futuras é uma parte importante da racionalidade –Ex: relógio que acerta as horas automaticamente quando o dono viaja para diferentes fusos horários

12 Professor: Frederico Brito Fernandes 12/38 Disciplina: Inteligência Artificial (1) Definição: autonomia funcional Não possui aprendizagem O agente sempre tem conhecimento embutido especificado pelo projetista, que lhe é inato e permite iniciar seu funcionamento. Assim como os animais... Se, além deste conhecimento, o agente consegue aprender por experiência e alterar seu comportamento, ele pode ter autonomia funcional, ou seja, fugir do funcionamento que lhe foi imposto pela natureza Agentes não autônomos só funcionam se as premissas do seu projeto não mudarem –Exemplo.: programa tradicional, qualquer alteração nas condições do contexto implica numa alteração do conhecimento colocado no projeto do sistema.

13 Professor: Frederico Brito Fernandes 13/38 Disciplina: Inteligência Artificial (1) Definição: autonomia adaptativa Adapta-se por meio de aprendizagem –Exemplo: agente de reconhecimento de fala, tem um conjunto pré-definido de padrões, mas pode aprender o sotaque de um novo usuário. Um agente inteligente verdadeiramente autônomo deveria ser capaz de operar com sucesso em um grande variedade de ambientes, dado um tempo suficiente para se adaptar.

14 Professor: Frederico Brito Fernandes 14/38 Disciplina: Inteligência Artificial (2) Agente Racional: (McCarthy & Hayes 69, Newell 81) Agente Racional: fazer a melhor coisa possível –segue o princípio da racionalidade: dada uma seqüência perceptiva, o agente escolhe, segundo seus conhecimentos, as ações que satisfazem melhor seu objetivo. Racionalidade x Onisciência são diferentes! –Onisciência poder saber os resultados de suas ações antecipadamente e com precisão –Impossível de se atingir onisciência na realidade –Racionalidade diferente de perfeição

15 Professor: Frederico Brito Fernandes 15/38 Disciplina: Inteligência Artificial Racionalidade Onisciência, limitações de: –sensores –efetuadores –raciocinador (conhecimento, tempo, etc.) –Agir para obter mais dados perceptivos é racional Exemplo: –Ao atravessar uma rua deve-se observar se não vem carro nas duas direções, então posso atravessar. Mas... Não podemos condenar um agente que falha por não levar em conta algo que ele não pode perceber ou por uma ação que ele não é capaz de tomar (2) Agente Racional: porém...

16 Professor: Frederico Brito Fernandes 16/38 Disciplina: Inteligência Artificial (2) Agente Racional: Fatores 4 fatores do que é racional: –A medida de desempenho Critério que define o grau de sucesso de um agente na realização de uma dada tarefa –Exs. MD 1 : quantidade de lixo retiradas X horas de trabalho MD 2 : quantidade de lixo retiradas X horas de trabalho descontadas a energia gasta e o nível de ruído produzido –Esta medida deve ser imposta do exterior –Má escolha da MD pode acarretar comportamento indesejado –Compromissos entre objetivos múltiplos conflitantes –Resta o problema de saber quando avaliar o desempenho –O conhecimento anterior do ambiente –As ações que o agente pode executar –A seqüência de percepções até o momento

17 Professor: Frederico Brito Fernandes 17/38 Disciplina: Inteligência Artificial Uma agente racional para o mundo do aspirador de pó: –MD: 1 pt para cada quadrado limpo em uma unidade de tempo –Conhece a geografia do ambiente, mas não sabe onde tem sujeira e nem a posição inicial. Quadrados limpos permanecem limpos e aspirar limpa o quadrado atual As ações Esquerda e Direita movem o agente nesta direções; exceto quando isto leva o agente para fora do ambiente (fica parado) –Ações disponíveis: Esquerda, Direita, Apirar, NoOP (não faz nada) –O agente percebe: a sua posição e se nessa posição existe sujeira (2) Agente Racional: Exemplo

18 Professor: Frederico Brito Fernandes 18/38 Disciplina: Inteligência Artificial 1º Passo: –Especificar o ambiente de tarefa de forma tão completa quanto possível –Ambientes de tarefas: Medida de desempenho Ambiente Atuadores Sensores 2º Passo: –Especificar a arquitetura e o método de resolução do problema Agente tabela Agente reativo Agente reativo com estado interno (autômato) Agente cognitivo (baseado em objetivos) Agente otimizador (baseado em utilidade) Agente adaptativo (3) Modelagem usando agentes: Passos

19 Professor: Frederico Brito Fernandes 19/38 Disciplina: Inteligência Artificial (3) Modelagem usando agentes: Táxi Agente Motorista de Táxi –Desempenho –chegar no lugar certo –minimizar o consumo de combustível e desgaste –minimizar o tempo de percurso, custo da viagem –minimizar as infrações de leis de trânsito –minimizar os distúrbios aos outros motoristas –maximizar a segurança e conforto do passageiro –Obs.: alguns destes objetivos são conflitantes... –Ambiente –estradas locais ou freeways, tipo de tráfego, neve, Inglaterra, Brasil,... –o ambiente irá determinar a dificuldade da implementação –Atuadores –Frear, acelerar, virar, falar com o passageiro, se comunicar com outros motoristas –Sensores –Sensores de velocidade, aceleração, estado (mecânico) do veículo –GPS (Golbal Positioning System) para saber onde esta num mapa –Sensores infra-vermelhos para detectar a distância dos outros carros –Microfone ou teclado para o passageiro informar o destino

20 Professor: Frederico Brito Fernandes 20/38 Disciplina: Inteligência Artificial (3) Modelagem usando agentes: Exemplos Outros exemplos:

21 Professor: Frederico Brito Fernandes 21/38 Disciplina: Inteligência Artificial Classes de ambientes –Físico: robôs –Software: softbots –Realidade virtual (simulação do ambiente físico): softbots e avatares Propriedades de um ambiente –acessível x inacessível –estático x dinâmico –determinista x não-determinista –discreto x contínuo –episódico x não-episódico –tamanho: número de percepções, ações, objetivos,... (3.a) Ambientes

22 Professor: Frederico Brito Fernandes 22/38 Disciplina: Inteligência Artificial (3.a) Ambientes: Propriedades Acessível x Parcialmente Acessível: –quando os sensores do agente conseguem perceber o estado completo do ambiente. Determinístico x Estocástico: –o próximo estado do ambiente pode ser completamente determinado pelo estado atual e as ações selecionadas pelo agente. Episódico x Seqüencial: –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.

23 Professor: Frederico Brito Fernandes 23/38 Disciplina: Inteligência Artificial (3.a) Ambientes: Propriedades Estático x Dinâmico: –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 x Contínuo: –quando existe um número distinto e claramente definido de percepções e ações em cada turno. Agente Único X Múltiplos Agentes –Palavras cruzadas – agente único –Xadrez – agentes múltiplos -> ambiente competitivo –Dirigir táxi – agentes múltiplos ->ambiente cooperativo –Comunicação é necessário em multi-agentes

24 Professor: Frederico Brito Fernandes 24/38 Disciplina: Inteligência Artificial (3.a) Ambientes: Exemplos SIMAgente único SIMDiscreto SIMEstático NÃOEpisódico SIMDeterminístico SIMAcessível Direção de Táxi Diagnótico médico Xadrez com tempo Palavras Cruzadas Complete o quadro abaixo

25 Professor: Frederico Brito Fernandes 25/38 Disciplina: Inteligência Artificial (3.a) Ambientes: Exemplos NÃOSIMNÃOSIMAgente único NÃO SIM Discreto NÃO SEMISIMEstático NÃO Episódico NÃO SIM Determinístico NÃO SIM Acessível Direção de Táxi Diagnótico médico Xadrez com tempo Palavras Cruzadas

26 Professor: Frederico Brito Fernandes 26/38 Disciplina: Inteligência Artificial função agenteSimples (percept) retorna ação memória := atualizaMemória (memória, percept) ação := escolheMelhorAção(memória) memória := atualizaMemória (memória, ação) retorna ação Arquiteturas –Agente tabela –Agente reativo –Agente reativo com estado interno (autômato) –Agente cognitivo (baseado em objetivos) –Agente otimizador –Agente adaptativo autonomia complexidade (3.b) Arquiteturas

27 Professor: Frederico Brito Fernandes 27/38 Disciplina: Inteligência Artificial ambiente sensores efetuadores Tabela percepçõesações.. Agente Dada uma percepção, procurar na tabela a ação correspondente Limitações –Mesmo Problemas simples -> tabelas muito grandes ex. xadrez –Nem sempre é possível, por ignorância ou questão de tempo, construir a tabela –Não há autonomia nem flexibilidade Ambientes –acessível, determinista, episódico, estático, discreto e minúsculo! (3.b) Arquiteturas: agente tabela

28 Professor: Frederico Brito Fernandes 28/38 Disciplina: Inteligência Artificial (3.b) Arquiteturas: agente tabela Ex: Agente aspirador de pó Tabela PercepçãoAção [A,limpo]Direita [A,sujo]Aspirar [B,limpo]Esquerda [B,sujo]Aspirar Problema: Construir a tabela é muito trabalhoso! Função AGENTE-ASPIRADOR-TABELA ([posição, estado]): ação { ação = procura(Tabela, [posição,estado] retorna ação }

29 Professor: Frederico Brito Fernandes 29/38 Disciplina: Inteligência Artificial A decisão do agente só depende da percepção atual Agente motorista de táxi: –Usa regras de condição ação se carro_da_frente_estiver_freando então inicie_a_freagem (3.b) Arquiteturas: agente reativo sensores efetuadores Como está o mundo agora? Que ação devo escolher agora? Regras condição-ação a m b i e n t e

30 Professor: Frederico Brito Fernandes 30/38 Disciplina: Inteligência Artificial Vantagens e desvantagens –Regras condição-ação: representação inteligível, modular e eficiente ex. Se velocidade > 60 então multar –Não pode armazenar uma seqüência perceptiva, pouca autonomia Ambientes: –Reflexo imprescindível em ambientes dinâmicos –Acessível, episódico, pequeno Ex: Agente aspirador de pó: Função AGENTE-ASPIRADOR-REATIVO ([posição, estado]): ação { se estado = sujo então retorna aspirar se posição = A então retorna direita senão se posição = B então retorna esquerda } (3.b) Arquiteturas: agente reativo Problema: Mesmo estando a sala limpa, quando o aspirador irá parar?

31 Professor: Frederico Brito Fernandes 31/38 Disciplina: Inteligência Artificial O estado atual é dado em função do estado anterior (histórico) e do que foi percebido no ambiente. O agente tem um estado interno com as informações coletadas do ambiente. (3.b) Arquiteturas: agente reativo (com estado interno) sensores Agente Como está o mundo agora? Regras condição-ação estado: como o mundo era antes como o mundo evolui efetuadores Que devo fazer agora? a m b i e n t e impacto de minhas ações

32 Professor: Frederico Brito Fernandes 32/38 Disciplina: Inteligência Artificial Desvantagem: pouca autonomia –não tem objetivo, não encadeia regras Ambientes: determinista e pequeno. Ex. Tamagotchi Agente aspirador de pó: Função AGENTE-ASPIRADOR-REATIVO ([posição, estado]): ação { EstadoAnterior = [posição_anterior,estado_anterior] se estado = sujo então retorna aspirar se (posição = A e posição_anterior B) então retorna direita se (posição = B e posição_anterior A) então retorna esquerda retorna noop } (3.b) Arquiteturas: agente reativo (com estado interno) Problemas : (1) E para uma sala com mais de duas posições? (2) (2) Táxi chega a um cruzamento com três caminhos, e agora? -> simplesmente reagir não dá, existem três reações possíveis e saber do passado do ambiente também não ajuda a decidir qual o caminho

33 Professor: Frederico Brito Fernandes 33/38 Disciplina: Inteligência Artificial O agente precisa de algum tipo de informação sobre o seu objetivo –Objetivos descrevem situações desejáveis. Ex: estar no destino Combinando informações sobre: –O objetivo do agente –Os resultados de suas ações O agente pode escolher ações que alcancem o objetivo A seleção da ação baseada em objetivo pode ser: –Direta: quando o resultado de uma única ação atinge o objetivo –Mais complexa: quando será necessário longas seqüências de ações para atingir o objetivo (3.b) Arquiteturas: agente cognitivo (baseado em objetivo)

34 Professor: Frederico Brito Fernandes 34/38 Disciplina: Inteligência Artificial Para encontrar seqüências de ações que alcançam os objetivos –algoritmos de Busca e Planejamento A tomada de decisão envolve a consideração do futuro –o que acontecerá se eu fizer isso ou aquilo? –o quanto isso melhorará o meu desempenho? Exemplos: –Objetivo: não bater no carro da frente se o carro da frente pára, pela forma de funcionamento do mundo, a única ação que atinge o objetivo de não bater é também parar. (3.b) Arquiteturas: agente cognitivo (baseado em objetivo)

35 Professor: Frederico Brito Fernandes 35/38 Disciplina: Inteligência Artificial sensores Agente Como está o mundo agora? Objetivos como o mundo evolui efetuadores 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 Ambientes: determinista –ex.: xeque-mate no xadrez (3.b) Arquiteturas: agente cognitivo (baseado em objetivo)

36 Professor: Frederico Brito Fernandes 36/38 Disciplina: Inteligência Artificial Se um estado do mundo é mais desejável que outro, então ele terá maior utilidade para o agente. Utilidade é uma função que mapeia um estado para um número real que representa o grau de satisfação com este estado. Nos casos onde existem objetivos conflitantes (velocidade x segurança) a utilidade pode determinar o peso adequado a cada objetivo. Qualquer agente racional deve se comportar como se possuísse uma função de utilidade cujo o valor esperado ele tenta maximizar. (3.b) Arquiteturas: agente otimizador (baseado em utilidade)

37 Professor: Frederico Brito Fernandes 37/38 Disciplina: Inteligência Artificial Ambiente: sem restrição Desvantagem: não tem adaptabilidade ambiente sensores efetuadores 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 (3.b) Arquiteturas: agente otimizador (baseado em utilidade)

38 Professor: Frederico Brito Fernandes 38/38 Disciplina: Inteligência Artificial sensores efetuadores Agente Gerador de problemas crítico elemento de aprendizagem avaliação objetivos de aprendizagem elemento de execução (agente) trocas conhecimento a m b i e n t e Ambiente: sem restrição Vantagem: tem adaptabilidade (aprende) Ex. motorista sem o mapa da cidade t t+1 t (3.b) Arquiteturas: agente que aprende


Carregar ppt "Prof. Frederico Brito Fernandes Agentes Inteligentes."

Apresentações semelhantes


Anúncios Google