Inteligência Artificial Nadilma C. V. N. Pereira Aula 3– Agentes Inteligentes

CURIOSIDADE: I.A. no Brasil Fracamente representada nas graduações em computação No máximo, 1 disciplina obrigatória No melhor dos casos, depois do sexto período Ementa restrita e desatualizada Economicamente AINDA incipiente Por falta de demanda ou de profissionais bem formados? Demanda começa a surgir... Visão “distorcida e incompleta” No exterior é o contrário MIT, Stanford, Carnegie Mellon, Berkley, Imperial College, Cambridge Mercado fatura alto.

Tópicos Agentes Inteligentes Racionalidade Ambientes Tipos de Agentes Intuições gerais sobre o tema Raciocínio – O quê? Raciocínio – Como? Buscas – O quê? Buscas – Por quê? Buscas – Como? Buscas – Heurísticas? Buscas – Heurísticas – Exemplos

Objetivos da aula Conhecer os principais aspectos constituintes dos Agentes Inteligentes Conhecer os principais tipos de Agentes Inteligentes

Agentes Inteligentes É qualquer coisa que tenha: Exemplos: Percepção: sente, percebe, vislumbra o seu meio através de sensores. Ação: realize atos, age sobre o seu meio através de efetuadores. Exemplos: Seres humanos: Percepção: Olhos, ouvidos, olfato, etc. Ação: mãos, braços, pernas, etc. Robôs: Percepção: câmeras, sensores IR, etc. Ação: Braços mecânicos, motores, etc.

Agente Ambiente (Percepção Atuação) Agentes Inteligentes Agente Ambiente (Percepção Atuação)

Agente Ambiente (Adaptação Aprendizagem) Agentes Inteligentes Agente Ambiente (Adaptação Aprendizagem)

Agente Ambiente (Autonomia Liberdade) Agentes Inteligentes Agente Ambiente (Autonomia Liberdade)

Agentes Inteligentes “ingredientes” de um Agente inteligente: Mecanismos de percepção Mecanismo de aprendizado Representação do conhecimento Função objetivo

Racionalidade

Racionalidade = “escolhas” certas Como saber se o agente está agindo de forma certa? R.: Mecanismos de avaliação para os agentes.

Racionalidade <> onisciência Princípio da racionalidade: dada uma seqüência perceptiva, o agente escolhe, segundo seus conhecimentos, as ações que melhor satisfazem seus objetivos. Onisciência: Que tudo sabe, pois tem limitações de: Sensores Efetuadores Raciocinador (conhecimento, tempo, etc)

Aspectos Em síntese, um agente racional depende em qualquer instante de quatro fatores: Desempenho (Performance) : define o grau de sucesso; Ambiente (Environment): tudo o que o agente conhece a respeito do meio; Sensores (Sensors): tudo o que o agente tenha percebido até então; Atuadores (Actuators): a ação que o agente pode desempenhar.

Problemas Automatização de sistemas de potência Rios, barragens, turbinas... Onde haja perigo para a vida humana

Problemas Produção de histórias interativas Permitir interação com o usuário; Modelar comportamento e personalidade (ex: tamagotchi)

Problemas Observações Ininterruptas Ex.: Lombadas eletrônicas. Estas substituem a necessidade de um guarda (ser humano) de estar fiscalizando o trânsito.

Lombada Eletrônica

E ai? O que estes problemas têm em comum? Grande complexidade (número, variedade e natureza das tarefas); Não há “solução algorítmica”, mas existe conhecimento; Modelagem do comportamento de um ser inteligente (autonomia, aprendizagem, conhecimento, etc.)

E ai? Inteligência Artificial Há 30 anos lida com esses problemas; Objetivo: construir (e aprender a construir) programas que, segundo critérios definidos, exibem um comportamento inteligente na realização de uma dada tarefa.

Um agente É qualquer entidade que: Percebe seu ambiente através de sensores (câmeras, microfones, teclados, etc...) Age sobre elas através de efetuadores (vídeo, alto- falante, impressoras, etc...) Mapeamento: seqüência perceptiva => ação

Agente de polícia

Exemplos de Agentes

Ambientes Observável compl. X parcialmente Determinístico x estocástico Episódico x seqüencial Estático x dinâmico Discreto x contínuo Agente único x multiagente (Competitivo x colaborativo)

Completamente X Parcialmente Observável Compl. Observável: Permite acesso ao estado completo do ambiente em cada instante, os sensores detectam aspectos relevantes para a escolha de uma determinada ação Parcial. Observável: Ambiente pode existir ruído e ter sensores imprecisos. A ESCOLHA DESSAS PROPRIEDADES ESTÁ INTEIRAMENTE LIGADA A MEDIDA DE DESEMPENHO DO SISTEMA!!!

Determinístico X Estocástico Determinístico: o próximo estado do ambiente é determinado pelo estado atual e pela ação executada pelo agente. Estocásticos: acontece geralmente em ambiente parcialmente observável, pois se o ambiente é complexo e difícil de controlar os aspectos não observados, nunca se sabe o caminho exato e pode ocorrer falha em algum sensor.

Episódico x Seqüencial Episódico: cada episódio consiste na percepção do agente e depois na execução de uma ação, mas simples, porque não precisa pensar a frente; Seqüencial: a decisão atual pode afetar todas as decisões futuras, ações em curto prazo podem ter conseqüências a longo prazo.

Estático x Dinâmico Estático: o agente não precisa continuar a observar o mundo enquanto está decidindo sobre a realização de uma ação. Dinâmico: quando o ambiente pode se alterar enquanto um agente está deliberando, precisa observar o mundo enquanto está decidindo sobre a realização de uma ação.

Discreto x Contínuo Discreto e contínuo estão relacionados a estado do ambiente. Discreto: contável Contínuo: não- contável. Com o tempo a quantidade de objetos considerados podem aumentar ou diminuir sem o seu controle.

Agente único e Multiagente Agente único e multiagente: competitivo quando uma agente “A” está tentando maximizar sua medida de desempenho que minimiza a medida de desempenho de um agente “B” ou cooperativo quando se tenta maximizar a medida de desempenho de todos os agentes.

Tipos de Agentes

Agentes Reativos Simples Respondem a percepções Regra da condição-ação – esse tipo de agentes selecionam ações com base na percepção atual, ignorando o restante do histórico de percepções. Utiliza a regra condição-ação (são conexões que respondem baseada em aprendizado ou reflexos inatos), esse tipo de conexão acontece freqüentemente com os seres humanos, ou seja, algumas conexões elas são respostas aprendidas (dirigir) e outras são reflexos inatos (piscar os olhos quando algo se aproxima). Construir um interpretador de uso geral para as regras de condição ação (agente faz conexão entre percepção e ação) Criar um conjunto de regras para um ambiente de tarefas específico. Esse tipo de agente só funciona corretamente se o ambiente for completamente observável. Se o agente operar em um ambiente parcialmente observável são inevitáveis laços de repetição infinitos. IMAGEM = Aqui o sistema simplesmente faz, sem ter mt noção do que está acontecendo. Exemplo: O robô deve varrer toda a sala. For I... For J...

Agentes Reativos(por modelo) Mantêm o estado interno para aspectos não percebidos Informações sobre o modo de como o mundo evolui independentemente do agente o modo mais efetivo de lidar com a possibilidade de observação parcial é o agente controlar a parte do mundo que ele não pode ver agora. Isto é, o agente deve manter algum tipo de estado interno que dependa do histórico de percepções e assim reflita pelo menos alguns dos aspectos não observados do estado atual. Precisamos de algumas informações sobre o modo de como o mundo evolui independentemente do agente. Precisamos de algumas informações sobre como as ações do próprio agente afetam o mundo. Esse conhecimento de como o mundo funciona, implementado em circuitos booleanos simples ou em teorias cientificas completas é chamado de modelo IMAGEM = Aqui o sistema faz e tem noção do que está acontecendo, pois a percepção atual é combinada com o estado interno antigo para gerar a descrição atualizada do estado. Exemplo: Robô varre (For I... For J...) Mas qual o estado do local onde ele está varrendo? Houve inundação? Então NÃO aplica a regra varrer.

Agentes Racionais (por objetivo) Procuram atingir alvos Descrição do estado atual + Informação sobre objetivos que descreva situações desejáveis conhecer o estado atual do ambiente nem sempre é suficiente para se decidir o que fazer. Nesse contexto a decisão depende de onde se está tentando chegar. Da mesma forma que o agente precisa de uma descrição do estado atual ele também precisa de alguma espécie de informação sobre objetivos que descreva situações desejáveis. A partir de então busca e planejamento são feitos para encontrar seqüências de ações que alcançam os objetivos do agente. IMAGEM = Aqui o sistema ao invés de regras, possui objetivos / tem uma intenção. Exemplo: Houve inundação? Então Mude a forma como fazer, mas varra pois o seu objetivo é varrer.

Agentes Racionais (por utilidade) Tentam maximizar suas expectativas Sozinhos os objetivos não são suficientes para gerar um comportamento de alta qualidade na maioria dos ambientes. Os objetivos permitem apenas uma distinção binária crua entre estados “bons” ou “não tão bons”, ou seja se um estado do mundo for PREFERIDO em detrimento de outro, ele terá maior utilidade para o agente. A função de utilidade mapeia um estado em um numero real, que descreve o grau de “bondade” associado, com uma função dessa categoria o agente pode tomar decisões racionais. IMAGEM = O Agente raciocina para aprender (processo de aprendizado é baseado em regras), porem o conjunto dos diferentes conhecimentos podem gerar novos conhecimentos. Exemplo: ?

Agentes (com aprendizagem) Agentes com aprendizagem possuem melhores performances

Problemas x Soluções Problemas demandam soluções Soluções podem ser providas: Pelo programador do sistema Encontradas computacionalmente Soluções computacionais envolvem : Estruturas de dados e procedimentos

Raciocínio – O quê? Raciocínio é a habilidade mental de deduzir ou inferir uma conclusão dado uma conjunto de premissas.

Raciocínio - Como? Raciocínio dedutivo (e.g. silogismo): Todas os humanos são mortais Bush é mortal Então, Bush é mortal.

Raciocínio – Como? Raciocínio indutivo (e.g. probabilístico): O sol nasceu todos os dias do leste até hoje; Então, o sol nascerá do leste amanhã.

Intuições Gerais sobre o tema E se a solução de um problema for um ponto(s) num espaço ? E se a solução de um problema puder ser encontrada por um raciocínio?

Busca (força bruta) – O quê? Tipo de busca que enumera todas as possíveis soluções e examina-as todas; Método caro (memória/processador) Risco de explosão combinatorial =“Blind Search Methods”

Busca (força bruta) – Por quê? É possível ser melhorado: Reordenando o espaço de buscas Reduzindo o espaço de buscas Incluindo conhecimento anterior Incluindo heurísticas

Busca (força bruta) – Como? Busca em largura (“Breatdh-first”) Primeiro busca soluções eqüidistantes da “raiz” Usa filas

Busca (força bruta) – Como? Busca em profundidade (“Depth - first”) Segue “trilhas” Improdutivo para caminhos longos Usa pilhas

Busca - Heurísticas Aproximação de soluções; Não segue um percurso claro mas se baseia na intuição e nas circunstâncias a fim de gerar conhecimento novo; Usa algum tipo de função para estimar o custo da busca; Assume que função é eficiente; Foca em alguns “caminhos” em detrimento de outros.

Busca – Heurísticas - Exemplos “Hill climbing” - idéia Procura dentre operadores existentes o que leva mais próximo do objetivo Continua até que não haja mais melhoria notada

Busca – Heurísticas - Exemplos “Hill climbing” – comentários O algoritmo pode mover-se sempre na direção que apresenta maior taxa de variação para função objetivo considerada Problemas: máximos locais, platôs e ondulações Soluções: retornar (backtracking), saltos maiores (para platôs) e regras múltiplas (para ondulações)

Máximos Locais Definição Em contraste com máximos globais, são picos mais baixos do que o pico mais alto no espaço de estados (solução ótima)

Platôs (Planícies) Uma região do espaço de estados onde a função de avaliação dá o mesmo resultado Todos os movimentos locais são iguais (taxa de variação zero) o algoritmo pára depois de algumas tentativas restrição do algoritmo

Ondulações (Encostas e Picos) Apesar de estar em uma direção que leva ao pico, nenhum dos operadores válidos conduz o algoritmo nessa direção.

Busca – Heurísticas - Exemplos Simulated Annealing: Este algoritmo é semelhante à Subida da Encosta, porém oferece meios para se escapar de máximos locais. quando a busca fica “presa” em um máximo local, o algoritmo não reinicia a busca aleatoriamente ele retrocede para escapar desse máximo local esses retrocessos são chamados de passos indiretos Apesar de aumentar o tempo de busca, essa estratégia consegue escapar dos máximos locais Analogia com cozimento de vidros ou metais: processo de resfriar um líquido gradualmente até ele se solidificar

Busca – Heurísticas - Exemplos “Simulated Annealing” - idéia O objetivo é buscar mínimos estados de energia “Movimentos” são governados pelos estados de energia que decai sempre Movimento para cima são mais prováveis antes

Críticas a Busca Heurística Solução de problemas usando técnicas de busca heurística: dificuldades em definir e usar a função de avaliação não consideram conhecimento genérico do mundo (ou “senso comum”) Função de avaliação: compromisso

Exercício Imagine uma situação qualquer que você gostaria que um determinado agente inteligente realizasse para tornar sua vida mais agradável. Conjeture: Tarefa e Meio: o que e onde o agente irá atuar Tipo de Conhecimento: o que o agente deve saber? A estrutura do Agente: Sensore, raciocínio, efetuadores. Resolução do problema: o que deve ser feito para realizar a tarefa desejada Medida de Desempenho: como este agente é avaliado?

Trabalho (Projeto + Seminário) As Técnicas de Inteligência Artificial estudadas: Sistemas Especialistas Lógica Fuzzy Redes Neurais Árvores de Decisão Computação evolucionária Sistemas Multi-agentes