Uma perspectiva heterodoxa Inteligência Artificial: Uma perspectiva heterodoxa Eugénio Oliveira eco@fe.up.pt http:www.fe.up.pt/~eol/MEMBERS/eco.html

FCUP LIACC - Laboratório de Inteligência Artificial e Ciências da Computação da Universidade do Porto NIAD&R – Núcleo de Inteligência Artificial Distribuída & Robótica (4D + 17 Inv) LIACC FEUP NIAD&R FEP U P

ÍNDICE DA APRESENTAÇÃO O que é a Inteligência Artificial Doença Infantil e Romantismo Afirmação e Pragmatismo Ousadias aceites Explorações perigosas

4 Agent-based System for EC: MAS architecture suitable for B2C : Business to Consumer Agent Tactics and Strategies for Negotiation Different negotiation tactics (time, opponents-dependent) Adaptive to the market dynamics (Q learning) Multi-issue negotiation We are designing MAS for enabling CtoB, B to C, EC including Marketplaces and Agents with different tactics to bid in EC envirionment. Negotiating agents make use of Tactics for bidding. These tactics are either, Time dependent, resources dependent or behaviour dependent. Agents learn how to combine better the tactics according to the dynamics of the situation We want to extend the concept to Virtual Enterprise formation and operation which implies : More advanced BDI agents architecture to encompass other concepts like commitment and decommitment and Ontologies and ontological services including recognising an ontology, translatinf from and to an ontology. Developed Prototypes: SMACE (MAS for EC)

Inteligência Artificial Sistemas que “pensam” como os Humanos Sistemas que “pensam” Racionalmente Sistemas que agem como os Humanos Sistemas que agem Racionalmente

INTELIGÊNCIA ARTIFICIAL: Como tornar Sistemas Computacionais mais “inteligentes” e mais úteis usando a racionalidade? “SE existem processos simbólicos identificáveis na base do raciocínio ENTÃO tais processos podem ser estudados e simulados, sendo o Hardware - pessoa ou computador- um DETALHE de Implementação...”

1956 : O Início Anos 60: Sistemas Genéricos (GPS, LN) Anos 70-80: Sistemas Específicos (SP) Anos 80: Paralelismo, Formalismos, Integração (RN,Ag) Anos 90: Sociedades Sistemas Autónomos Anos 2000: “Psicologia” e “Inteligência”

IA Arquitecturas “mentalistas” e “emocionais” Conh. Simb Inf. Sub-Simb Aquis. Conh. Arquitecturas “mentalistas” e “emocionais” Repr. Conh. Mét.Resol.Prob. RN

Anos 60-70: O Romantismo GPS Comprensão da Linguagem Natural Interfaces Tradução Automática Criação de Texto

Racionalidade das Linguagens Naturais

JAVA LISP PROLOG

Linguagem Natural Computacional Análise Lexical e Morfológica Análise Sintática Análise Semântica Análise da Pragmática Qual é a Universidade a que pertencem os alunos que assistem à palestra ? E em que cidade fica? Qual é a palestra a que pertencem os alunos que assistem à Universidade ? Erro Semântico Quantos são as jogos do europeu de futebol? Erro de concordância

Sistemas Periciais (“Expert Systems”) Conhecimento e Dedução Anos 70-80: O Pragmatismo Sistemas Periciais (“Expert Systems”) Conhecimento e Dedução Memória Associativa operacionalização baseada em regras Incerteza e Incompletitude Probabilidades Objectivas e Probabilidades Subjectivas Lógicas Difusas Aplicações: Diagnóstico Médico

Exemplo de Regra na Base de Conhecimento: SE o grupo predominante regular existe e é tipo A E frequência cardíaca maior que 100 E grupo predominante de ondas p homogéneas existe E polaridade da onda p na derivação avr é negativa OU polaridade da onda p na derivação d2 é positiva E a razão entre as ondas p e r é 1:1 E a linha de base existe ENTÃO diagnóstico é taquicardia sinusal ou auricular Conjuntos Difusos Raciocínio impreciso Muito alta FC=0.8

Interface Utilizador / Especialista Arquitectura de Sistema Pericial Explicações Base de Conhecimentos Factos MetaConhecimento Motôr de Inferência Raciocínio Incerto Aquisição do Conhecimento Interface Utilizador / Especialista

Conhecimento Vs Ilusão Leis da perspectiva Inteligência e Conhecimento à priori

Anos 80: Paralelismo, Formalismos, Integração Lógicas e Formalismos Modais Não Monótona Redes Neuronais Computacionais Aprendizagem Vs Adaptação Indução e Reforço

Redes Neuronais O Cérebro Humano é composto por cerca de 1011 Neurónios. O Cérebro aprende e opera em modo massivamente paralelo grandes quantidades de informação. Processa informação incompleta, incerta e com “ruído” .. Algoritmos das Redes Neuronais Artificiais permitem através da Aprendizagem das conexões entre nodos ganhar capacidade Adaptativa e de Generalização

As Técnicas Conexionistas são prometedoras na resolução de problemas para os quais as aproximações algorítmicas tradicionais se revelam ineficazes e inoperantes. Por exemplo: Reconhecimento de Formas Classificação e tratamento do sinal Comando reactivo de Robôs Previsões baseados na análise de um historial O resultado da aproximação Conexionista pode ser vista como a Aprendizagem de um processo de classificação de uma população de casos existentes.

Tentativa da sua modelação: Neurónio formal

si e i = å j=1 n w ji *s j = 1 1+exp(-ei ) ou si 2 *arctg(ei) Outras funções utilizadas são: função degrau, rampa, ...

APRENDIZAGEM SUPERVISIONADA A Rede produz a sua própria resposta a uma configuração que lhe é apresentada à entrada, após o que o supervisor apresenta a resposta correcta. Se as duas respostas são idênticas, não há necessidade de modificar os pesos das conexões. Caso contrário, a diferença entre os dois valores é utilizada para modificar o peso das conexões existentes na Rede. Este método é também denominado “aprendizagem com um supervisor”

APRENDIZAGEM SUPERVISIONADA A Rede produz a sua própria resposta a uma configuração que lhe é apresentada à entrada, após o que o supervisor apresenta a resposta correcta.

Previsões Reconhecimentos Controlo robótico nº ligações independentes < nº saídas*nº exemplos aprendizagem

3. APRENDIZAGEM DA REDE Na Aprendizagem da Rede Neuronal Computacional, os pesos das conexões são modificados para realizar, da melhor forma possível, a relação entrada-saída desejada. Analogia com a aprendizagem pelas modificações dos contactos sinápticos

APRENDIZAGEM POR REFORÇO (por Recompensa) São atribuídas recompensas/punições de acordo com o facto de a saída ser apropriada ou não “Aprendizagem com um crítico”

3.3 APRENDIZAGEM NÃO SUPERVISIONADA O algoritmo extrai alguma estruturação (associação) inerente às próprias amostras de entrada. Este método é também denominado “aprendizagem sem supervisor” Aprendizagem Competitiva Conceptual Clustering

Algoritmos para a Evolução (Evolutionary Programming)

“O que é bom para a Natureza é bom para os Sistemas Artificiais” Computação Evolucionária: Porquê? A Natureza permite a Evolução bem sucedida de organismos através de selecção e reprodução com alguma mutação Computação Evolucionária (Friedberg, 1958 ; JHolland, 1975): Quando? Espaço de Pesquisa grande e complexo Facilidade de implementação paralela Não necessidade de solução óptima (mas boa) Exemplo: optimizar uma função f(x1,…,x100) sendo f muito complexa. se xi=0 ou xi=1, Espaço de pesquisa 2100 ~=1030 Pesquisa exaustiva fora de questão

Diagrama do Algoritmo para Evolução População Inicial Selecção Emparelhamento Cruzamento Mutação SIM Não FIM?

Questões: Como representar os Indivíduos? Como Seleccionar os Indivíduos? Qual a Função de Adaptação? Como se reproduzem os Indivíduos?

Qual a Função de Adaptação? Depende do problema Recebe um Indivíduo e dá como resultado um Real Por ex: Pode representar o número de exemplos com os quais um indivíduo é consistente (homogeneização)

ex: Treinar o disparo controlado por um AG sobre um alvo móvel. Depende de variáveis como vento, velocidade do alvo, distância, tipo de arma.... Função de Adaptação: a distância a que o projéctil ficou do alvo É um exemplo de problema em que os AGs são bem aplicados

Como representar os Indivíduos? Indivíduos representados como cadeias de caracteres (strings) sobre um alfabeto. Indivíduos são representados pelos Genomas ou Cromossomas. Nº de Genes depende do Nº de Atributos a representar Se a Representação dos indivíduos é binária temos Algoritmos Genéticos A={0,1} 0 e 1 são os “alelos”

Qual a Função de Adaptação Como se reproduzem os Indivíduos/Cromossomas? por Cruzamento e Mutação

0 1 0

Estratégia incluindo aleatoriedade. Selecção: Estratégia incluindo aleatoriedade. Probabilidade da selecção proporcional à Adaptabilidade observada. Se indivíduo x é 2 vezes melhor que y, terá o dobro das probabilidades de ser seleccionado para reprodução fa(Ci) dá a adaptação do Cromossoma Ci e Si=1aN fa(Ci) a soma das adaptações de toda a população Probabilidade de Ci ser seleccionado é fa(Ci) / Si=1aN fa(Ci)

Como se reproduzem os Indivíduos/Cromossomas? por Cruzamento e Mutação. Indivíduos seleccionados com probabilidade Ps são emparelhados aleatoriamente. Para cada par, com uma dada probabilidade Pcr, um ponto de cruzamento (“crossover”) é escolhido, (estratégia b_uX). Um GENE também pode sofrer Mutação para um valor diferente, mas com uma pequena probabilidade Pm

População inicial gerada aleatoriamente Exemplo: Probabilidade de selecção População inicial gerada aleatoriamente

Como operam os Algoritmos Genéticos? Exemplo de problema: Max f(x1, x2) = 21.5 + x1sin(4πx1) + x2sin(20πx2) Onde – 3.0 ≤ x1 ≤ 12.1 and 4.1 ≤ x2 ≤ 5.8. Valor da função

Anos 90: Distribuição e Sociedades Durkheim Vs Turing Conectividade

INTELIGÊNCIA ARTIFICIAL DISTRIBUÍDA: Estudo das “leis sociais” e implementação de Sistemas Multi- Agente Cooperantes, que permitam a resolução de problemas complexos e Distribuídos (espaço , competências,...)

SISTEMAS PERICIAIS COOPERATIVOS: GESTÃO DE REDES ELÉCTRICAS INTEGRAÇÃO DE INFORMAÇÃO EM HOSPITAIS SIMULAÇÃO DAS ORGANIZAÇÕES NO MERCAD0 YES No What? Why?

Aplicação real

Objetivo Global Como evitar o APAGÃO? Cooperação Aplicação: Monitorar e gerir grandes Redes Eléctricas Como evitar o APAGÃO? Objetivo local Objetivo local Objetivo local Objetivo local Sistema Específico Sistema Específico Sistema Específico Sistema Específico

1 Architecture for Cooperative Agents: ARCHON System 1 Architecture for Cooperative Agents: New Agent’s Architecture: AAM+SM+BB Book “ARCHON…” Ed. Thies Wittig Ellis Horwood, 1992 The main idea is to distinguish, in a distributed environment including agents having different expertises, different kinds of information according to the source: Observations, private info, and shared information. There are also different kinds of coherence, either local or global coherence and some policies to maintain that coherence relying in a DTMS It was supported along several years by bi-lateral projects Anglo-Portuguese (BC) and JNICT with the Hungarian Science Fundation.

Multiplos Agentes com Especialidades diversas Each one of the agents included na Expert System plus na ATMS and it was responsible for a domain of expertise like hydrology Or forrests etc. At the end they collaborate in finding out the best location for a project (na AIRPORT, for example). Dynamic info was maintained coherent through the DATMS. Airport Location? Multiplos Agentes com Especialidades diversas Suporte da Decisão e Manutenção da Coerência Global/local

Mercado Electrónico como SMA agente V2 agente C1 agenteV3 Mercado agente C2 agente V4 agente V1

Tácticas dependentes do Tempo Tácticas dependentes da situação Dependendo de factores em tempo de execução: Nº de oponentes… Tácticas dependentes do Comportamento Dependendo do Comportamento dos oponentes We are designing MAS for enabling CtoB, B to C, EC including Marketplaces and Agents with different tactics to bid in EC envirionment. Negotiating agents make use of Tactics for bidding. These tactics are either, Time dependent, resources dependent or behaviour dependent. Agents learn how to combine better the tactics according to the dynamics of the situation We want to extend the concept to Virtual Enterprise formation and operation which implies : More advanced BDI agents architecture to encompass other concepts like commitment and decommitment and Ontologies and ontological services including recognising an ontology, translatinf from and to an ontology.

Lançamento de Agentes no ME (B2C)

Instituição Electrónica Negociação Automática em B2B Normas Regras Ligações instituições dissolução E.V. Q-Negociação formação E.V. Monitoração operação E.V. Ana Paula Rocha, Eugénio Oliveira MAgt EAgt Contratos The main idea is to distinguish, in a distributed environment whith agents having different expertises, different kinds of information according to the source: Observations, private info, and shared information. There are also different kinds of coherence, either local or global coherence and some policies to maintain that coherence relying in a DTMS It was supported along several years by bi-lateral projects Anglo-Portuguese (BC) and JNICT with the Hungarian Science Fundation. Finanç. Legais

Garage Storehouse Personnel Planning Edification Facilitator Storehouse Machinery Personnel Stocks manager Workers Facilitator Facilitator Machinery Facilitator Planning Facilitator Chief Experts Workers Edification Garage Storehouse Planning Personnel Interconnecting network Supervisors Edification

Inter-coalitions protocol Announcer A B C 90 for 50 The winner !!! D I need 100 I can do 90 for 50 I can do 30 for 20 I can do 70 for 40 50 for 30 30 for 20 Need 100 Coalition formation Four useful coalitions: - C & D (cost=70) - B & C (cost=60) - A & C (cost=90) - A & D (cost=80) Coalition team & best offer announcing to coordinators Task announcing Intra-coalition negotiation Quit Leading 50 55 New best offer announcing to coordinators 45

Agents activity cost calculation Five components: Owning cost Operation cost Operator cost Displacement (if necessary) Profits Fixed costs Variable costs Owning Operator Operation Profits Optimum Absolute minimum Movement Negotiation margin Zero loose Variable costs Fixed costs

5 Agent-based Robotics co-ordination: Autonomous Robot (Robuter) agent-based Navigation Control

FC Portugal project Simulation League: World Champions in 2000, Australia RobotSoccer co-ordination: Team as a Multi-Agent System Positional strategies (formations) Active tactics (mandatory behaviours : SP, DRPE…) Luis Paulo Reis, Nuno Lau

CARACTERÍSTICAS dos AGENTES (BDI) Autonomia Pró-actividade Agentes que usam funções de utilidade são mais racionais CARACTERÍSTICAS dos AGENTES (BDI) Autonomia Pró-actividade Persistência Mobilidade Intencionalidade Crenças-Desejos-Intenções

ARQUITECTURA DE AGENTES BDI

Conceitos baseados em Emoções tem papeis diversos nos Sistemas Computacionais: Reconhecimento da Emoção Humana poderá um C vir a reconhecer emoções melhor que os H? Expressão de comportamentos semelhantes aos emotivos Personagens sintéticas; Robôs Modelação e Simulação do Comportamento Humano Efeitos computacionais semelhantes a comportamentos Humanos

surpreso irado triste Kismet - MIT calmo feliz

Mas C não se conclui de P1 e P2!! Damásio?? - Damásio : O Erro de Descartes Daniel Goleman : Inteligência Emocional: Porquê pode ser mais importante que o QI? Rosalind Picard : Affective Computing Damásio baseado em dois exemplos: Phileas Gage (1884) e Elliot (seu paciente): Acidentes na zona do lobo frontal esquerdo Alteração de personalidade e perda de certas emoções P1- Destruição no lobo frontal esquerdo altera capacidades emocionais P2- Destruição no lobo frontal esquerdo altera inteligência C- Emoções são necessárias à Inteligência

Mas se C não ressalta de P1 e P2 não significa que C P’1- Bateria descarregada impede funcionamento da Buzina P’2- Bateria desligada impede arranque do carro C’- Buzina a funcionar é essencial ao arranque do carro Mecanismo M pode ser condição necessária para A e B mas não mostra que A e B são necessárias uma à outra. Mas se C não ressalta de P1 e P2 não significa que C Não seja verdadeira. Pode ser!

A arquitectura para o pensamento humano segundo A.Sloman Complexidade do raciocínio pode torná-lo perigosamente lento. Alarmes Muitas emoções podem estar baseadas no sistema de alarmes Alguns estados emocionais são úteis para a decisão quando falta informação ou o processamento fica lento

Camada Controlo-básico Planeamento Previsão Raciocínio topológico Teste de Crenças “Deliberadores” Memória de Execução Gestor de Objectivos: Obj. Específicos;Prioridades Recursos (tempo cpu) Ciclo de execução Perceptores Formar Crenças das percepções Trabalho: Planos Previsões Rev. Crenças Estado Emocional Auto-confiança Ansiedade Medo Gestor de Acções Estado Agente: Dados percepção Comandos de Acções: Motoras... t EAi Camada Deliberativa Sobreviver Gerar Obj Controlo acção percepção Monitorar Planear Prevêr Avaliar d. Avaliar riscos Construção Agente Comunicações Camada Controlo-básico Esqueleto-Agente

EEF(g(t)i, [G(t)], [E(t)], [I(t)]) Para um Objetivo de [G(t)], existe uma EEF, capaz de produzir uma mudança [Em], no Estado Emocional do Agente [Em]: [Em] = EEF(g i(t), [G(t)], [E(t)], [I(t)]) emi EEF(g(t)i, [G(t)], [E(t)], [I(t)]) EAi(t, i, Pinput,Td) t emi(t1) emi(t2) EAi(t) A estrutura Emocional básica: Conexão EEV-Função de Avaliação Emocional – Acumulador Emocional Resultados de EEF são inputs para a evolução temporal do AE que tem uma cte de decaimento variável

Estratégias de Processamento Aprender Julgar... Esforço Computacional Influência da Informação Emocional Processamento Motivado Substantivo Acesso Directo Heurístico Dirigido por Objectivos Sem objectivos definidos Pouca informação Situações novas Baseado em Regras

Modelo da interacção dos conceitos relacionados com as Estratégias de A([G(t)]) [Rj(t)] [Rl(t)] [R(t)] [C(t)] Pl1 Pl2 ECl [Emi(t)] : Acumuladores Emocionais 1 2 3 Pk1 ECk E como Controlo de Processos E como Informação E na Atribuição de Recursos Modelo da interacção dos conceitos relacionados com as Estratégias de Processamento de Informação: Emoção como Informação Controlo dos Processos Atribuição de Recursos

3 Mecanismos Emocionais “Medo” Perigos Imediatos (fogo, temperatura) Objectivo Fundamental em Risco “Ansiedade” Perigos e dificuldades futuras (preparação...) Episódios sucessivos de “Medo” (má adaptação...) “Auto-Confiança” Sucesso nos Objectivos de Alto nível

Medo Objectivo Fundamental em Risco Concentrar o máximo de recursos na execução desse objetivo e dos objectivos dependentes aumentar atenção sobre as proximidades cautelosa/pessimista Atitude (distâncias/cálculo de riscos/limites) Não desperdiçar tempo de processamento com coisas menos urgentes (analisar/prever desenvolvimentos distantes) Não implica “Reactividade” (ex: fugir!)

Medo “Fear” Emotional Accumulator Temperature Perceptor Close Range Fire Perceptor Medium Range Fire Perceptor Pain BCA Proprio- Perception Vision Maps Other Agent

Ansiedade Eventual dificuldade futura Ex.: frente de fogo ampla embora localmente não haja perigo imediato aumentar atenção sobre as proximidades mas também tentar acompanhar desenvolvimentos mais distantes Atitude cautelosa Grande gasto de CPU grande produção de Crenças para a eventual tomada de decisão (alteração estratégica local ou global) planeamentos mais cuidado calculo de progressões frequente

Auto-Confiança Sucesso nos objectivos de alto nível “Relaxar” o processamento e condições em torno dos objectivos imediatos Direccionar CPU para actividades menos urgentes mas possivelmente úteis Atitude mais positiva/arriscada (descobrir novas oportunidades – adaptação) (Combate ao fogo próximo) No caso de Insucesso (decréscimo de AC) Motivar uma alteração de estratégias (reposicionamento ou mesmo desistência)

PyroSim: Estado do Agente inclui parâmetros: Energia física Localização, direcção do movimento; inclinação Velocidade e Aceleração Temperatura da pele (intensidade do jato de água) Mapas visuais, entidades percebidas Visualizador: geometria do terreno posição da vegetação posição e acção dos Agentes posição e intensidade dos focos de incêndio

Limiares de Temperatura (reconfiguráveis) e Tomada de Decisão Gerar Objectivo: Fugir Em_frente Frente_Vagar Trás_ vagar TMIN TMAX TOPT Limiares de Temperatura (reconfiguráveis) e Tomada de Decisão

SMA para controlo de tráfego adaptativo

Processo de troca de conselhos 1. Observa Estado Ambiente 6. Integração 7. Decisão e acção Aconselhado 2. Pedir Conselho ? ScA * PA < PO or ConfusedAbout(State) Conceitos: Auto-confiança Desempenho “Trust” Estado Actores: Aconselhado Conselheiro Outros Agentes 3.A Quem? TA,Ar * PAr(S) > TA,O * PO(S) 4. Conselho 5. Acção aconselhada Conselheiro

CONCLUSÕES ? A queda dos MITOS aconselha prudência As REALIZAÇÕES indiciam optimismo Os OBJETIVOS tendenciais imitativos revelam atrazo Os MEIOS são pré-históricos O Desenvolvimento é exponêncial

A Vingança... … do Futuro ?

FIM