Reputação Andrew Diniz da Costa Fábio de Azevedo Sérgio Ciglione

Apresentação em tema: "Reputação Andrew Diniz da Costa Fábio de Azevedo Sérgio Ciglione"— Transcrição da apresentação:

1 Reputação Andrew Diniz da Costa Fábio de Azevedo Sérgio Ciglione

2 Agenda Introdução Competição Agente finalista Desempenho na competição
Prêmios Novos Trabalhos Considerações finais © LES/PUC-Rio

3 Introdução Confiança é a segurança, certeza daquele que tem fé na probidade (honradez, integridade de caráter, honestidade, pundonor) de alguém. Reputação é um conceito atribuído a uma pessoa por parte da sociedade em que vive para medir o grau de confiança. Em sistemas multi-agentes abertos temos sociedades de agentes heterogêneos, implementados por diferentes desenvolvedores, com objetivos semelhantes ou não. Importância da existência de mecanismos para identificar agentes que não se comportam adequadamente. © LES/PUC-Rio

4 Introdução Introdução Por quê modelar confiança e reputação ?
agentes devem escolher com quem interagir objetivo de capacitar os agentes a fazer a escolha correta. Diversos algoritmos na área de confiança e reputação como compará-los ? quais as características principais ART Testbed competição entre agentes experimentos independentes © LES/PUC-Rio

5 Especificação modo de competição comparações de diferentes estratégias
cada participante controla um agente várias sessões modo de experimentação utilizado para medir desempenho (benchmark) vc pode definir número de agentes número de sessões da simulação número de categorias (Era) ... © LES/PUC-Rio

6 Especificação - Domínio: Art Appraisal
Agentes são avaliadores de pintura com níveis variados de perícias em Eras artísticas diferentes Clientes solicitam avaliações para pinturas de Eras diferentes Agentes avaliadores podem pedir opinião de outros Agentes avaliadores podem comprar reputação de outros avaliadores Objetivo de produzir avaliação mais precisa possível © LES/PUC-Rio

7 Novas regras da competição
O número de sessões será maior que a anterior (100 até 200). Graus de conhecimentos das eras podem sofrer mudanças durante o jogo. Alguns ou todos os jogos terão presença de agentes dummy com diferentes estratégias. Alguns já estão disponíveis. Novo ambiente © LES/PUC-Rio

8 Modelo Conceitual © LES/PUC-Rio

9 Modelo Conceitual do Módulo Estatístico
© LES/PUC-Rio

10 Testes finais © LES/PUC-Rio

11 Testes finais © LES/PUC-Rio

12 Competition 17 agents (1 didn’t execute) of 13 different institutions
Two phases Preliminary Final Preliminary phase (May 10-11) 8 agents of the different institutions 15 agents offered by competition (5 “bad”, 5 “neutral”, 5 “bad” dummies ) 100 rounds Final phase (May 16-17) 5 best agents of the preliminary phase 200 rounds © LES/PUC-Rio

13 Preliminary Phase © LES/PUC-Rio

14 Games of the Preliminary Phase
© LES/PUC-Rio

15 1) Electronics & Computer Science, University of Southampton
Final Phase 1) Electronics & Computer Science, University of Southampton 2) Department of Math & Computer Science, The University of Tulsa 3) Department of Computer Engineering, Bogazici University 4) Agents Research Lab, University of Girona 5) Pontifícia Universidade Católica do Rio de Janeiro © LES/PUC-Rio

16 Games of the Final Phase
© LES/PUC-Rio

17 Prêmios Os finalistas são convidados a publicar o código fonte no site da competição. Direito a uma publicação relacionada a um artigo do ART-Testbed. Pequenas lembranças, como uma camisa personalizada. Certificado de participação Reconhecimento dos colegas  © LES/PUC-Rio

18 Trabalhos Criação ou extensão de um framework para reputação.
Aplicação da Bolsa de Valores em sistemas multi-agentes. Zé Carioca LES 2 © LES/PUC-Rio

19 Framework para Reputação
Criação ou extensão. Governance Framework Existência de uma série de frameworks de reputação com diferentes modelos Centralizado Descentralizado Híbrido © LES/PUC-Rio

20 Trabalhos Relacionados – Modelo Centralizado
Os mecanismos de reputação mais famosos são aqueles utilizados no comércio ou leilão eletrônico. Modelos centralizados colecionam e agregam avaliações das negociações anteriores. O sistema centralizado calcula a reputação se baseando na informação que recebe sobre negociações ocorridas. Ebay e Amazon Auctions Informar ao comprador a atuação do vendedor em negociações anteriores. © LES/PUC-Rio

21 Modelo Descentralizado
Os próprios agentes são capazes de calcular a reputação. Uso das próprias fontes de informação ou consulta com outros agentes caso não tenham informação suficiente disponível. Modelos Simples - Regret Cada agente calcula e armazena as reputações dos agentes com quem interagiu. Baseado em testemunhos - Fire Solicitação de reputação para uma testemunha que já interagiu com um agente anteriormente. Baseado em Reputação Certificada Coletar avaliações feitas por outros agentes sobre ele. © LES/PUC-Rio

22 Modelo Híbrido Governance Framework © LES/PUC-Rio

23 Bolsa de Valores Bolsa de Valores Estrutura da Bolsa de Valores
Motivação: Ótimo cenário para mapear os conhecimentos adquiridos na competição Cenário mais real, com maiores possibilidades Estrutura da Bolsa de Valores Empresas de Capital Aberto Corretoras de Valores Investidores Tipos de Investimento Diversificado Conhecimento © LES/PUC-Rio

24 Trabalhos Relacionados
Folhainvest: é um simulador, que não utilizada nenhuma técnica de sistemas de multi-agentes, promovido pelo caderno de investimentos do jornal Folha de São Paulo em parceria com a Bovespa. © LES/PUC-Rio

25 Trabalhos Relacionados
TrAgent: desenvolvido em conjunto pelas universidades Carbondale e George Manson, nos EUA, o TrAgent é um modelo baseado em agentes de software para negociação de ações. © LES/PUC-Rio

26 MASSES - Simulador para o Mercado de Ações
Multi-Agent System for Stock Exchange Simulation (MASSES) Uma aplicação mais real para soluções de reputação e negociação em sistemas de multi-agentes Foram definidas duas abordagens: Simulador para aprendizado dos profissionais e investidores interessados em aplicar na bolsa de valores Um ambiente, onde bolsas de valores e empresas de capital aberto poderiam ser carregadas Agentes de software representando as corretoras de valores Os investidores escolheriam agentes corretores de valores que fariam as negociações de compra e venda de ações Simulador com o objetivo de estimular a comunidade acadêmica a desenvolver a tecnologia de sistemas de multi-agentes Regras para inserção de agentes de software, desenvolvidos pela comunidade acadêmica, representando as corretoras de valores. Regras para inserção de agentes de software, desenvolvidos pela comunidade acadêmica, representando os investidores. © LES/PUC-Rio

27 MASSES - Processo Petrobrás Vale do Rio Doce Banco do Brasil
Calcula reputações para investir em empresas Calcula reputações para investir em empresas Corretora X Investidor A Fornece opiniões para investidores Calcula reputações de corretoras © LES/PUC-Rio

28 MASSES - Arquitetura © LES/PUC-Rio

29 Estudo de Caso – Simulador para o Mercado de Ações
As vantagens das duas abordagens mencionadas são: O caso de estudo será mais real, tornando a contribuição mais palpável A comunidade acadêmica será estimulada a participar do desenvolvimento dos agentes, sendo assim, aumentando a qualidade final das abordagens Os resultados dos desenvolvimentos podem ser comparados com os resultados obtidos pela abordagem utilizada na Folhainvest, que não utiliza sistemas de multi-agentes Conclusão O mercado de valores como domínio de aplicação será um desafio, devido à complexidade das simulações de transações de compra e venda de ações, mas será de grande contribuição e permitirá a integração e troca de conhecimentos entre áreas distintas, como tecnologia da informação e economia © LES/PUC-Rio

30 Nova Versão do Agente Competidor
Zé Carioca LES 2. Algoritmos mais inteligentes. AAMAS 2008 – Lisboa © LES/PUC-Rio

31 Trabalhos Criação ou extensão de um framework para reputação - Andrew
Aplicação da Bolsa de Valores em sistemas multi-agentes – Sérgio e Fábio Zé Carioca LES 2 - Eduardo © LES/PUC-Rio

32 Considerações finais Artigo para o SBES 2007 aceito.
Recrutamento para a próxima competição Artigo para AAMAS 2008 do agente Zé Carioca LES Multi-Agent System for Stock Exchange Simulation (MASSES) © LES/PUC-Rio

33 Referências Fernanda Duran, Viviane Torres da Silva, and Carlos J. P. de Lucena (2006) “Using Testimonies to Enforce the Behavior of Agents”. Guedes, José de Souza Pinto; Silva, Viviane Torres; Lucena, Carlos José Pereira de: A Reputation Model Based on Testimonies, workshop, Luxembourg, Grand-Duchy of Luxembourg, June 6, 2006. Amazon Site. World Wide Web (2006) eBay Site. World Wide Web (2006) Huynh, T. D., Jennings N. R., Shadbolt, N. R.: FIRE: An Integrated Trust and Reputation Model for Open Multi-Agent Systems. In: Proceedings of the 16th European Conference on Artificial Intelligence (ECAI) (2004) pp. 18–22 Huynh, T. D., Jennings N. R., Shadbolt, N. R.: Certified Reputation --- How an Agent Can Trust a Stranger Proc. 5th Int. Conf. on Autonomous Agents and Multi-Agent Systems, Hakodate, Japan.(2006) Huynh, T. D., Jennings N. R., Shadbolt, N. R.: Trust in Multi-Agent Systems The Knowledge Engineering Review 19 (1):1-25. (2004) © LES/PUC-Rio

34 Referências ART Testbed Team. Agent Reputation and Trust Testbed. Fullam, K., T. Klos, G. Muller, J. Sabater, A. Schlosser, Z. Topol, K. S. Barber, J. Rosenschein, L. Vercouter, and M. Voss. (2005) "A Specification of the Agent Reputation and Trust (ART) Testbed: Experimentation and Competition for Trust in Agent Societies," The Fourth International Joint Conference on Autonomous Agents and Multiagent Systems (AAMAS-2005), Utrecht, July 25-29, pp Fullam, K., T. Klos, G. Muller, J. Sabater, Z. Topol, K. S. Barber, J. Rosenschein, and L. Vercouter. (2005) "A Demonstration of The Agent Reputation and Trust (ART) Testbed: Experimentation and Competition for Trust in Agent Societies," The Fourth International Joint Conference on Autonomous Agents and Multiagent Systems (AAMAS-2005) Demonstration Track, Utrecht, July 25-29, pp © LES/PUC-Rio

35 Referências Sen, S., I. Goswami, and S. Airiau. (2006) "Expertise and Trust-Based Formation of Effective Coalitions: An Evaluation of the ART Testbed," The Workshop on Trust in Agent Societies at The Fifth International Joint Conference on Autonomous Agents and Multiagent Systems (AAMAS-2006), Hakodate, Japan, May 9, pp Stranders, R. (2006) Argumentation Based Decision Making for Trust in Multi-Agent Systems. Master's Thesis, Delft University of Technology. Fullam, K. and K.S. Barber. (2006) "Learning Trust Strategies in Reputation Exchange Networks," The Fifth International Joint Conference on Autonomous Agents and Multiagent Systems (AAMAS-2006), Hakodate, Japan, May 8-12, pp Kafali, O. and P. Yolum. (2006) "Trust Strategies for ART Testbed," The Workshop on Trust in Agent Societies at The Fifth International Joint Conference on Autonomous Agents and Multiagent Systems (AAMAS-2006), Hakodate, Japan, May 9, pp © LES/PUC-Rio

36 Referências Web site Folhainvest, 2007, http://emacao.folha.uol.com.br
Web site da Bovespa, 2007, Tatikunta R., Rahimi S., Shrestha P., Bjursel J. “TrAgent: A Multi-Agent System for Stock Exchange” 2006 IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology (WI-IAT 2006 Workshops)(WI-IATW'06) /06 © LES/PUC-Rio

37 Fim!