Agentes Inteligentes

(1) Definição Agentes

(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 user’s 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

(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

(1) Definição: agente humano Sensores Percepções Ambiente Ações Atuadores

(1) Definição: agente policial raciocínio Agente Objetivo: - fazer com que as leis sejam respeitadas Ações: - multar - apitar - parar, ... Conhecimento: - leis - comportamento dos indivíduos,... }-{ percepção execução Ambiente

(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.

(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

(1) Definição: propriedades de agentes Autonomia (IA) raciocínio, comportamento guiado por objetivos reatividade Adaptabilidade & aprendizagem (IA) Comunicação & Cooperação (IA) Personalidade (IA) Continuidade temporal Mobilidade

(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

(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

(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.

(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.

(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

(2) Agente Racional: porém... Racionalidade ¹ 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: 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. MD1: quantidade de lixo retiradas X horas de trabalho MD2: 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

(2) Agente Racional: Exemplo 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

(3) Modelagem usando agentes: Passos 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: 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

(3) Modelagem usando agentes: Exemplos Outros exemplos:

(3.a) Ambientes Classes de ambientes Propriedades de um ambiente 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: 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.

(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

(3.a) Ambientes: Exemplos Complete o quadro abaixo SIM Agente único Discreto Estático NÃO Episódico Determinístico Acessível Direção de Táxi Diagnótico médico Xadrez com tempo Palavras Cruzadas

(3.a) Ambientes: Exemplos NÃO SIM Agente único Discreto SEMI Estático Episódico Determinístico Acessível Direção de Táxi Diagnótico médico Xadrez com tempo Palavras Cruzadas

(3.b) Arquiteturas 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: agente tabela Dada uma percepção, procurar na tabela a ação correspondente Limitações Mesmo Problemas simples -> tabelas muito grandes ex. xadrez 30100 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! ambiente sensores efetuadores Tabela percepções ações . . Agente

(3.b) Arquiteturas: agente tabela Ex: Agente aspirador de pó Tabela Percepção Ação [A,limpo] Direita [A,sujo] Aspirar [B,limpo] Esquerda [B,sujo] Função AGENTE-ASPIRADOR-TABELA ([posição, estado]): ação { ação = procura(Tabela, [posição,estado] retorna ação } Problema: Construir a tabela é muito trabalhoso!

(3.b) Arquiteturas: agente reativo 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 sensores efetuadores Como está o mundo agora? Que ação devo escolher agora? Regras “condição-ação” a m b i e n t e

(3.b) Arquiteturas: agente reativo 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 } Problema: Mesmo estando a sala limpa, quando o aspirador irá parar?

(3.b) Arquiteturas: agente reativo (com estado interno) 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. 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 Os sensores não fornecem acesso ao estado do mundo completo

(3.b) Arquiteturas: agente reativo (com estado interno) 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 } Problemas: (1) E para uma sala com mais de duas posições? (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 Os sensores não fornecem acesso ao estado do mundo completo

(3.b) Arquiteturas: agente cognitivo (baseado em objetivo) 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) 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) 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 otimizador (baseado em utilidade) 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) 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 Ambiente: sem restrição Desvantagem: não tem adaptabilidade

(3.b) Arquiteturas: agente que aprende 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 efetuadores Ambiente: sem restrição Vantagem: tem adaptabilidade (aprende) Ex. motorista sem o mapa da cidade