Page1 DAS-5341: Agentes Inteligentes Prof. Eduardo Camponogara

Page2 Agenda Introdução a agentes inteligentes Como devemos agir? –Mapeamento de sequências de percepção para ações –Autonomia

Page3 Agenda Estrutura de agentes inteligentes –Programas de agentes –Por que não buscar respostas em tabelas? –Um exemplo –Agentes reflexivos –Agentes baseados em objetivos –Agentes baseados no conceito de utilidade Ambientes

Page4 Introdução Ambiente Agente percepção ações ? Sensores Atuadores Como projetar isto?

Page5 Introdução Definição de Agente: –Um agente é qualquer coisa que tem capacidade de percepção do ambiente, através de sensores, e de ação através de atuadores Um agente humano tem olhos, ouvidos, e outros órgãos como sensores, e mãos, pernas, boca, e outras partes como atuadores

Page6 Introdução Um agente robótico utiliza câmeras e dispositivos de infra-vermelho como sensores e vários motores como atuadores

Page7 Introdução Um objetivo da Inteligência Artificial é projetar agentes que façam um bom trabalho de atuar em um ambiente Ambiente Agente percepção ações ? Sensores Atuadores Como projetar isto?

Page8 Como agentes agem Agente racional –Um agente é dito racional se este faz o que é certo –Certamente, isto é melhor do que fazer a coisa errada O que isto significa? –Como uma primeira aproximação, diremos que a ação correta é uma que induz sucesso. –Isto deixa em aberto o problema de avaliar como e quando avaliar o sucesso de um agente

Page9 Como agentes agem Usaremos o termo medida de performance para caracterizar a maneira que um agente age--este critério quantifica o grau de sucesso de um agente –Não há uma medida única de sucesso para todos os agentes –A medida de desempenho deve ser imposta por uma autoridade –Nós (os projetistas) estabelecemos um padrão do que significa obter sucesso em um ambiente e usamos este para quantificar a performance do agente

Page10 Um exemplo Como exemplo de medida de desempenho, considere um agente aspirador-de-pó que deve limpar uma dada área

Page11 Um exemplo Como exemplo de medida de desempenho, considere um agente aspirador-de-pó encarregado de limpar uma certa área –uma medida de desempenho plausível é medir a quantidade de poeira coletada em um período de oito horas –Uma medida mais sofisticada levaria em conta a quantidade de eletricidade consumida e a quantidade de ruído produzido

Page12 Quando medir a performance O momento de avaliar a performance também é importante. –Se medimos após a primeira hora do dia, estaremos recompensando aqueles agentes que trabalham rápido, mesmo que façam pouca coisa mais tarde –Portanto, desejamos uma medida de performance para um período longo, seja ela de oito horas ou uma vida inteira

Page13 Omnisciência  Racionalidade Um agente omnisciente sabe o resultado de uma ação antes de tomá-la –Agentes omniscientes não são reais Considere o exemplo –Uma pessoa esta caminhando na calçada e vê seu amigo do outro lado –Não havendo tráfego se aproximando ele inicia a travessia

Page14 Omnisciência  Racionalidade

Page15 Omnisciência  Racionalidade Considere o exemplo –neste momento um objeto cai de um avião que está sobrevoando a área, a cerca de pés, sobre o pedestre Foi então racional atravessar a rua?

Page16 Omnisciência  Racionalidade Foi racional atravessar a rua? –O exemplo mostra que racionalidade está relacionada à expectativa de sucesso dado o que foi percebido –Atravessar a rua foi racional porque, na maioria das vezes, a travessia teria sido bem-sucedida e não havia maneira de prever a queda do objeto –Em outras palavras, não podemos culpar o agente por não levar em conta alguma coisa que ele não tinha condições de observar

Page17 Omnisciência  Racionalidade Em suma, o que é racional em um certo instante de tempo depende de quatro fatores medida de desempenho: a medida de desempenho define o grau de sucesso percepção: tudo que o agente percebeu até o momento; chamamos esta informação de histórico de percepção completo ambiente: tudo que o agente sabe sobre o ambiente ações: as ações que o agente pode executar

Page18 Agente Racional Ideal Para cada seqüência de percepção possível, um agente racional ideal deve tomar a ação que maximiza a medida de desempenho, tendo como base as evidências fornecidas através da sequência e qualquer conhecimento embutido –Tomar ações de forma a obter informações úteis (explorar e aprender) é uma parte importante da racionalidade A noção de agente deve ser utilizada como uma ferramenta para analisar um sistema, não como uma caracterização que divide o mundo entre agentes e não-agentes

Page19 Agente Racional Ideal Considere um relógio –Este pode ser visto como um agente inanimado ou como um agente simples –Como agente, a maioria dos relógios fazem a coisa certa –Relógios são um tipo de agente degenerado, cuja seqüência de percepção é vazia; quaisquer que sejam os eventos externos, o comportamento do relógio não se altera

Page20 Mapeamento ideal de seqüências de percepção em ações Uma vez verificado que o comportamento de um agente depende da seqüência de percepção, podemos descrever qualquer agente particular por meio de uma tabela –Para cada seqüência possível, a tabela tem uma entrada com ação correspondente –Tal tabela é dita mapeamento de seqüências em ações –Testando todas as possíveis seqüências podemos, em princípio, identificar o mapeamento que descreve o comportamento de um agente

Page21 Mapeando seqüências em ações Se um mapeamento descreve um agente, então um mapeamento ideal descreve um agente ideal –A especificação da ação correta para cada seqüência resulta no projeto de um agente ideal Agente Sequência s Acão a = f(s,t)‏

Page22 Mapeando seqüências em ações De qualquer forma, isto não significa que podemos criar uma tabela que explicitamente defina o comportamento de um agente É possível especificar um mapeamento de forma implícita, sem ter que enumerar todas as entradas da tabela?

Page23 Mapeando seqüências em ações Considere um agente simples: calcular a função raiz quadrada Ação zPercepção x

Page24 Mapeando seqüências em ações Function Sqrt(x) ‏ z <- 1.0 repeat until |z 2 - x| < z <- z - (z 2 -x)/(2z) ‏

Page25 Mapeando seqüências em ações O exemplo da raiz quadrada ilustra o relacionamento entre um mapeamento ideal e um agente ideal, para uma tarefa restrita –Enquanto que a tabela é excessivamente grande, o agente é eficaz e compacto Para sorte da IA, é possível projetar agentes compactos que implementam um mapeamento ideal para problemas muito mais gerais

Page26 Autonomia Há outro conceito relacionado com a definição de agente ideal: o conhecimento embutido Se as ações de um agente são baseadas completamente no conhecimento embutido, de forma que o agente não presta atenção aos valores dos sensores (percepção), então dizemos que falta autonomia ao agente

Page27 Autonomia Se o fabricante do relógio soubesse que o dono vai viajar para a Austrália, ele poderia pré-programar o relógio A quem pertenceria a inteligência?

Page28 Autonomia A inteligência pertenceria ao fabricante, não ao relógio

Page29 Autonomia Um sistema é autônomo à medida que seu comportamento é determinado pela sua própria experiência –Quando um agente tem pouca ou nenhuma experiência, ele teria que agir randomicamente a menos que o projetista forneça alguma assistência

Page30 Autonomia Portanto, a teoria da evolução permite que animais tenham reflexos embutidos que são suficientes para eles sobreviverem por um tempo longo, o suficiente, para aprenderem por si próprios Assim, seria razoável que a IA introduzisse conhecimentos iniciais e a habilidade de aprender em seus agentes artificiais

Page31 Autonomia Um agente verdadeiramente autônomo deve ser capaz de operar com sucesso, em uma variedade de ambientes, dado tempo suficiente para se adaptar

Page32 Estrutura de Agentes Inteligentes Até este momento, falamos sobre como descrever o comportamento dos agentes--a ação que é executada após uma seqüência de percepções. A tarefa de IA é projetar programas de agentes –uma função que implementa o mapeamento da percepção em ações –se assume que o programa vai rodar em algum tipo de dispositivo computacional, que chamamos de arquitetura

Page33 Arquitetura A arquitetura pode ser –um simples computador –hardware de propósito específico para certas tarefas, tais como processamento de imagens e filtragem de áudio Em geral, a arquitetura: – apresenta a percepção dos sensores do agente, –roda o programa do agente, e –alimenta as ações do agente aos atuadores

Page34 Agente ArquiteturaPrograma=+

Page35 Estrutura de Agentes Programa: –uma função que mapeia percepção em ação Arquitetura –Dispositivo computacional no qual o programa é executado Agente = Programa + Arquitetura

Page36 Estrutura de Agentes Para projetar agentes, precisamos de uma idéia básica sobre: –Possíveis percepções e ações –Objetivos e medida de desempenho –O ambiente no qual o agente atuará

Page37 Exemplos de tipos de agentes AmbienteObjetivosAçõesPercepçãoTipo Grupos de alunos Maximizar acertos aluno Sugestões de exercícios Palavras digitadas Tutor de Inglês inteligente RefinariaSegurança, nível de pureza Válvulas, ajuste de temp. Temperatura, pressão Controlador de refinaria EsteiraMovimento correto Partes a serem manipuladas Pontos de imagem Robô manipulador Imagens de satélite Classificação correta Classificação da cena Cor, resoluçãoAnálise de imagens Paciente, Hospital Saúde do paciente, minimização de custos Questões, exames, e tratamentos Sintomas, descobertas, respostas do paciente. Diagnóstico médico

Page38 Programa de Agentes - Esqueleto Função Agente(percepção) retorna ação Estático: memória, memória do agente memória <- Atualiza-Memória(memória, percepção) ‏ ação <- Escolha-Melhor-Ação(memória) ‏ memória <- Atualiza-Memória(memória, ação) ‏ retorna ação Apenas um item de percepção em vez de uma seq. Sem medida de desempenho pois esta será aplicada externamente

Page39 Programa de Agente: Tabela de Consulta função Agente-Tabela(percepção) retorna ação estática:sequência, inicialmente uma sequência vazia tabela, uma tabela indexada por sequência de percepção, inicialmente vazia insira percepção final sequência ação <- procura_tabela(sequência, tabela)‏ retorna ação

Page40 Por que a abordagem por tabela falha? Número excessivo de entradas – entradas necessárias para um jogo de xadrez Leva muito tempo para construir a tabela Sem autonomia –Mudanças no ambiente podem tornar o agente totalmente inútil Aprendizagem leva muito tempo –Há tantas possibilidades que aprender o valor correto de cada sequência vai consumir tempo “infinito”

Page41 Exemplo: motorista de taxi Ruas, pedestres, clientes, sinais Segurança, velocidade, conforto, lucro Mover volante, acelerar, frear, falar Câmeras, velocímetro, GPS, sonar, microfone Motorista de taxi AmbienteObjetivosAçõesPercepçãoTipo agente Use a percepção para determinar o estado –Onde nós estamos? –Qual é velocidade atual? –Quais são as condições do veículo? Lidar com objetivos conflitantes Lidar com diferentes ambientes

Page42 Tipos gerais de agentes Agentes reflexivos simples Agentes que mantêm histórico do “mundo” Agentes baseados em metas Agentes baseados na função utilidade

Page43 1) Agente Reflexivo Ambietne Agente Sensores Qual é a condição do mundo? Que ação devo tomar agora? Atuadores Regras condição-ação Regras condição-ação sumarizam parte da tabela –Exemplo: Se carro à frente está parando, inicie frenagem

Page44 1) Agente Reflexivo função Agente-Reflexivo(percepção) retorna ação estático: regras, conjuntos de regras condição-ação estado <- Interpretar-Entrada(percepção)‏ regra <- Casa-Regra(estado, regras)‏ ação <- Regra-ação(regra)‏ retorna ação Implementação eficiente possível Aplicabilidade limitada

Page45 2) Agentes que matêm informações sobre o “mundo” Estado Ambiente Agente Sensores Qual é o estado do mundo? Que ações devo tomar Atuadores Regras condição-ação Como o mundo evolui Quais são minhas ações Matém um estado interno para escolher uma ação –Sensores não dão o estado completo do “mundo”

Page46 2) Agente com estado interno função Agente-com-Estado(percepção) retorna ação estático: estado, descrição do estado corrente do mundo regras, um conjunto de regras condição-ação estado <- Atualiza-Estado(estado, percepção)‏ regra <- Casa-Regra(estado,regras)‏ ação <- Regra-Ação[regra] estado <- Atualiza-Estado(estado,ação)‏ retorna ação Atualiza-Estado cria um novo estado do mundo

Page47 3) Agentes baseados em metas Informação sobre metas Quais situações são desejáveis –Exemplo: o destino do passageiro Combine com resultados de ações –Algumas vezes apenas uma ação, outras vezes uma sequência de ações Necessita considerações sobre o futuro –O que irá acontecer –O que me deixará contente

Page48 3) Agentes baseados em metas Mais flexível do que o sistema baseado em regras condição-ação –Inferência sobre o resultado de uma frenagem em conexão com a meta em vez da resposta imediata –Atualização do conhecimento mais rápida quando o ambiente se altera –Exemplo: Frenagem em tempo chuvoso

Page49 3) Agentes baseados em metas Estado Ambiente Agente Sensores Qual é o estado do mundo? Que ação devo tomar agora? Atuadores Metas Como que o mundo evolui Quais são minhas ações Qual será o estado se eu tomar a ação A

Page50 4) Agentes com função utilidade Metas podem ser atingidas de diferentes maneiras –Qual é a mais desejável? Necessitamos de uma medida da utilidade dos estados –Quão satisfeito estará o agente quando a meta é atingida? –Mapear o estado a um número real Permite tomada de decisões racionais –Metas conflitantes: apenas algumas podem ser alcançadas –Várias metas: nenhuma pode ser alcançada com certeza

Page51 4) Agentes com função utilidade Porque “satisfação” não é cientificamente aceito, dizemos que um “estado do mundo” é preferível a outro se o primeiro tiver mais “utilidade”

Page52 Agentes com função utilidade Estado Ambientes Agente Sensores Qual é o estado atual do mundo? Que ação devo escolher? Atuadores Como que o mundo evolui Quais são minhas ações? Qual será o estado após a ação A Quão satisfeito estarei neste estado? Utilidade

Page53 Referências Stuart Russel and Peter Norvig, Artificial Intelligence: A Modern Approach, Prentice Hall, –Chapter 2: Intelligent Agents

Page54 Fim Obrigado pela presença!