Inteligência Computacional aplicada à área Financeira na Geração de uma Carteira de Investimentos – utilizando Multiagentes Inteligentes, através do XMLAw adaptado para uma aplicação de Deliberate Normative Agents Renato de C. T. Raposo

O Problema No nosso dia a dia encontramos uma série de dificuldades pelo excesso de informações disponíveis, o que dificulta uma tomadas de decisões. Em diversas áreas do conhecimento, é muito difícil um ser humano lidar e avaliar tantas variáveis e tantas hipóteses possíveis. As regras podem ser criadas e modificadas constantemente. © LES/PUC-Rio

Solução do Problema (Modelo do Problema) © LES/PUC-Rio

Solução do Problema (2) Este modelo conceitual, por ser genérico e poderá ser aplicado em outras áreas, como em Engenharia de Software, Educação a Distância, entre outras. Criar um modelo computacional de informações, que seja capaz de unir todas estas informações, na tomada de decisões. © LES/PUC-Rio

Objetivos Tornar a tomada de decisão dos agentes sensível às leis, ou seja, criar uma espécie de consciência da existência de leis, utilizando o XMLaw adaptado. Através de técnicas inteligentes como o aprendizado por reforço, os agentes “sabem” interpretar as leis e decidem quais ações lhe dão maior benefício. © LES/PUC-Rio

Objetivos específicos Realizar um estudo de caso na área financeira, uma das mais instáveis, na tentativa de provar que o modelo integrado funciona e é valido. Minimizar os problemas encontrados no nosso estudo de caso do mercado financeiro, para isto está sendo criada uma ferramenta integrando uma série de módulos em um único ambiente, através do JAVA Servlets, nestes são utilizadas técnicas de IA como as Redes Híbridas Neuro-Fuzzy e a Representação do Conhecimento, Multiagentes na Web. © LES/PUC-Rio

Módulo de MultiAgentes e Internet Figura do Modelo de Implementação em ordem cronológica. © LES/PUC-Rio

Detalhando o módulo de MultiAgentes (utilizar o XMLaw adaptado e com inteligência) Internet Internet Internet … Bovespa Last Stock prices Bovespa Volume of transactions Other indicators Specialist Agent A Specialist Agent B Specialist Agent N … XMLaw Data Base Main Agent Arquitetura Implementada do Módulo MultiAgentes, Utilizando o XMLaw como mediador inteligente entre o agente principal e os agentes coletores. Os agentes especialistas funcionam como coletores de informações na Web. © LES/PUC-Rio

Detalhando o módulo de MultiAgentes (utilizar o XMLaw adaptado e com inteligência) Internet Internet Internet … Bovespa Last Stock prices Bovespa Volume of transactions Other indicators Specialist Agent A Specialist Agent B Specialist Agent N … XMLaw Data Base Main Agent Regra (leis) 1: O agente principal inteligente tem obrigação, de todo dia útil, solicitar informações do Mercado Financeiro. Estas só serão geradas num txt ou no Banco de ênciadados, depois da validação (mediação) do XMLaw entre o agente principal e os agentes coletores. © LES/PUC-Rio

Detalhando o módulo de MultiAgentes (utilizar o XMLaw adaptado e com inteligência) Internet Internet Internet … Bovespa Last Stock prices Bovespa Volume of transactions Other indicators Specialist Agent A Specialist Agent B Specialist Agent N … XMLaw Data Base Main Agent Regra (leis) 2: O agente especialista (coletor) tem obrigação, de buscar a cotação na Bolsa de Valores de São Paulo. No caso desta informação estiver indisponível ou inválida, repetir esta operação até que obtenha sucesso. Este controle está sendo realizado pelo XMLaw. © LES/PUC-Rio

Detalhando o módulo de MultiAgentes (utilizando o XMLaw adaptado e com inteligência) Internet Internet Internet … Bovespa Last Stock prices Bovespa Volume of transactions Other indicators Specialist Agent A Specialist Agent B Specialist Agent N … XMLaw Data Base Main Agent Para este estudo de caso criar 4 Estados dos agentes no XMLaw: S0 - Estado inicial; S1 – Em execução; S2 – Em execução com erro; S3 – Executado com sucesso; © LES/PUC-Rio

Protocolo de Negociação-paper-Ballroom etiquette: a case study for norm-governed multi-agent ystems © LES/PUC-Rio

Próximos passos Definição e descrição do estudo de caso no Módulo de Multiagentes ou de um dos artigos disponíveis e as suas respectivas mudanças (adaptações) no XMLaw. Resultados do estudo de caso com a implantação do Deliberate Normative Agents, utilizando o XMLaw adaptado. © LES/PUC-Rio

Referências – enfoque em Deliberate Normative Agents Deliberate Normative Agents- Principles and Architectures - C Castelfranchi, F Dignum, C Jonker, J Treur. NoA – A Normative Agent Architecture - MJ Kollingbaum, TJ Norman. Norm Adoption in the NoA Agent Architecture - MJ Kollingbaum, TJ Norman H. Verhagen. Norm Autonomous Agents. PhD thesis, The Royal Institute of Technology and Stockholm University, 2000. Ballroom etiquette: a case study for norm-governed multi-agent systems   © LES/PUC-Rio

Referências – enfoque em Deliberate Normative Agents Guido Boella and Leonardo Lesmo. Deliberate normative agents. In R. Conte and C. Dellarocas, editors, Social order in MAS. Kluwer Academic Publishers, 2001. Sascha Ossowski. Coordination in Artificial Agent Societies: Social Structure and its Implications for Autonomous Problem-Solving Agents, volume 1535 of Lecture Notes on Artificial Intelligence, chapter Distibuted Artificial Intelligence, pages 48–55. Springer Verlag, Berlin, 1999. Guido Boella and Leonardo Lesmo. A Game Theoretic Approach to Norms and Agents. In R. Conte and C. Dellarocas, editors, Social order in MAS. Kluwer Academic Publishers, 2001.   © LES/PUC-Rio

Referências - enfoque em Inteligência Computacional Figueiredo, Karla. Novos modelos neuro-fuzzy hierárquicos com aprendizado por reforço para agentes inteligentes – Rio de Janeiro : PUC, Departamento de Engenharia Elétrica, 2003.   © LES/PUC-Rio