Agentes Inteligentes Alex F. V. Machado.

Apresentação em tema: "Agentes Inteligentes Alex F. V. Machado."— Transcrição da apresentação:

1 Agentes Inteligentes Alex F. V. Machado

2 Definição Um agente é tudo aquilo que pode ser visto como percebendo um ambiente e agindo sobre ele em busca de um conjunto de objetivos.

3 Um programa de IA pode ser visto como um Agente Racional
Plano da aula O que é um Agente Racional (inteligente)? Qual sua utilidade em IA? Ambientes e arquiteturas Aplicações Estado atual do conceito de agente

4 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 atuadores (ex. vídeo, auto-falante, impressora, braços, ftp, ...) Mapeamento: seqüência de percepções => ação Agente a m b i e n t e sensores modelo do ambiente Raciocinador atuadores

5 Características Cognitivas (1/2)
Básicas: Autonomia – capacidade de agir sem intervenção de outros agentes. Reatividade – habilidade de reagir a estímulos do ambiente. Proatividade – propriedade de agir guiado por objetivos, a partir de iniciativa própria.

6 Características Cognitivas (2/2)
Adicionais: Sociabilidade – potencialidade de se comunicar com outros agentes do ambiente. Adaptatividade – capacidade de se adaptar ao ambiente (aprendizado). Mobilidade – habilidade de se mover entre ambientes. Veracidade – propriedade de dizer sempre a verdade. Benevolência – característica de realizar tudo aquilo que lhe é solicitado. Racionalidade – capacidade de agir sempre em busca dos próprios objetivos.

7 Medida de Desempenho (MD)
Critério que define o grau de sucesso de um agente na realização de uma dada tarefa Esta medida deve ser imposta do exterior Exs. aspirador de pó, provador de teoremas, filtragem de s, policial de trânsito, avaliador de clima...

8 Agente Racional (McCarthy & Hayes 69, Newell 81)
Agente Racional: fazer a melhor coisa possível segue o princípio da racionalidade: dada uma seqüência de percepções, o agente escolhe, segundo seus conhecimentos, as ações que satisfazem melhor seu objetivo. Problema estado inicial + ações => estado final (objetivo) Racionalidade Onisciência, limitações de: sensores atuadores raciocinador (conhecimento, tempo, etc.) Agir para obter mais dados perceptivos é racional

9 A metáfora de agente decompõe
1) Problema em: percepções, ações, objetivos, e ambiente (e outros agentes) 2) Tipo de conhecimento em: Quais são as propriedades relevantes do mundo Como o mundo evolui Como identificar os estados desejáveis do mundo Como interpretar suas percepções Quais as conseqüências de suas ações no mundo Como medir o sucesso de suas ações Como avaliar seus próprios conhecimentos 3) Arquitetura e método de resolução de problema

10 Agente de Polícia de Trânsito
raciocínio Agente Objetivo: - fazer com que as leis sejam respeitadas Ações: - multar - apitar - parar, ... Conhecimento: - leis - comportamento dos indivíduos,... percepção execução Ambiente

11 Exemplos de Agentes

12 Ambiente 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 (completamente observável) x inacessível (parcialmente observável) determinista x não-determinista episódico x não-episódico (seqüêncial) estático x dinâmico discreto x contínuo Outras propriedades Número de percepções, ações, objetivos,...

13 Ambientes: propriedades
Acessível: quando os sensores do agente conseguem perceber o estado completo do ambiente. Episódico: 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. Determinístico: o próximo estado do ambiente pode ser completamente determinado pelo estado atual e as ações selecionadas pelo agente.

14 Ambiente Determinístico
Próximo estado = estado atual + ações dos agentes. Devemos dizer se um ambiente é ou não determinístico do ponto de vista de um agente. Ex.: xadrez – determinístico robô que seleciona peças – não-determinístico

15 Ambientes: propriedades
Estático: o ambiente não muda enquanto o agente está escolhendo a ação a realizar. Semi-dinâmico: o ambiente não muda enquanto o agente delibera, mas o "score" do agente muda. Discreto: quando existe um número distinto e claramente definido de percepções e ações em cada turno. Contínuo: percepções e ações mudam em um espectro contínuo de valores.

16 Exemplos de Ambientes

17 O que é um agente

18 Agentes Inteligentes Arquiteturas Agente tabela Agente reativo simples
Agente reativo com estado interno Agente orientado a objetivos Agente baseado em utilidade Agente com aprendizagem autonomia complexidade

19 Agente Tabela sensores ambiente atuadores Agente Limitações Ambientes
percepções ações . . Agente Limitações Mesmo Problemas simples -> tabelas muito grandes ex. xadrez 30^100 Nem sempre é possível, por ignorância ou questão de tempo, construir a tabela Não há autonomia nem flexibilidade Este agente só tem fins didáticos!!! Não vale nem a pena pensar nele Ambientes acessível, determinístico, episódico, estático, discreto e minúsculo!

20 Agente Reativo Simples
sensores atuadores Qual a aparência atual do mundo? Que ação devo executar agora? Regras “condição-ação” a m b i e n t e Agente Vantagens e desvantagens Regras condição-ação: representação inteligível, modular e eficiente ex. Se velocidade > 60 então multar Não pode armazenar uma seqüência de percepções, pouca autonomia Ambientes: Reflexo imprescindível em ambientes dinâmicos Acessível, episódico, pequeno

21 Agente Reativo com Estado Interno
Ambiente estado interno Sensors como o mundo evolui Estado do Mundo conseqüências de minhas ações regras condição-ação Que ação eu devo tomar Effectors Necessários quando um histórico é necessário, além da informação sensorial.

22 Agente Orientado a Objetivos
Ambiente Estado do Mundo Sensors Que ação eu devo tomar objetivos Effectors estado interno como o mundo evolui conseqüências de minhas ações Como será o mundo se eu tomar ação A Ambiente: sem restrição Desvantagem: não tem adaptabilidade Ex. motorista recifence

23 Agente Baseado em Utilidade
Ambiente Estado do Mundo Sensors Que ação eu devo tomar utility Effectors estado interno como o mundo evolui conseqüências de minhas ações Como será o mundo se eu tomar ação A O quão feliz vou ficar nesse estado Funciona escolhendo sempre um estado mais útil. Função de utilidade: determina o grau de satisfação do agente em relação a um determinado estado. Ambiente: sem restrição Desvantagem: não tem adaptabilidade

24 Agente com Aprendizado
sensores crítico avaliação t a m b i e n t e trocas elemento de desempenho (agente) elemento de aprendizagem conhecimento objetivos de aprendizagem t Gerador de problemas atuadores Ambiente: sem restrição Vantagem: tem adaptabilidade (aprende) Ex. motorista sem o mapa da cidade

25 Simulação do Ambiente Às vezes é mais conveniente simular o ambiente
mais simples permite testes prévios evita riscos, etc... O ambiente (programa) recebe os agentes como entrada fornece repetidamente a cada um deles as percepções corretas e recebe as ações atualiza os dados do ambiente em função dessas ações e de outros processos (ex. dia-noite) é definido por um estado inicial e uma função de atualização deve refletir a realidade

26 Simulação de ambiente Observação:
função simulaAmbiente (estado, funçãoAtualização,agentes,final) repita para cada agente em agentes faça Percept[agente] := pegaPercepção(agente,estado) Action[agente] := Programa[agente] (Percept[agente]) estado := funçãoAtualização(ações, agentes, estado) scores := avaliaDesempenho(scores,agente,estado) //opcional até final Observação: não cair em tentação “roubando” do ambiente a descrição do que aconteceu. Usar a memória do agente!

27 Inteligência Coletiva
Porque pensar a inteligência/racionalidade como propriedade de um único indivíduo? Não existe inteligência ... Em um time de futebol? Em um formigueiro? Em uma empresa (ex. correios)? Na sociedade? Solução: IA Distribuída Agentes simples que juntos resolvem problemas complexos tendo ou não consciência do objetivo global Proposta por Marvin Minsky e em franca expansão... o próprio ambiente pode ser modelado como um agente

28 IA Distribuída: dois tipos de sistemas
Resolução distribuída de problemas consciência do objetivo global e divisão clara de tarefas Exemplos: Robótica clássica, Busca na Web, Gerência de sistemas distribuídos, ... Sistemas Multi-agentes não consciência do objetivo global e nem divisão clara de tarefas Exemplos: n-puzzle, futebol de robôs, balanceamento de carga, robótica, ...

29 Exemplos de Sistemas Multi-Agentes
Ant Colony (Colônia de Formigas) Termite Behaviour (Comportamento de Cupins)

30 Termite Behaviour

31 Termite Behaviour Ambiente: Espaço em preto: área vazia
Pontos amarelos: madeira Pontos vermelhos: cupins Objetivo: - Criar pilhas de madeira Comportamentos dos cupins: Se não estiver carregando nada: Anda aleatoriamente até achar uma madeira e a carrega Se estiver carregando madeira: anda aleatoriamente, no espaço vazio, deixando a madeira em um espaço vazio.

32 Sistemas de roteamento de redes de computadores
Termite Behaviour Aplicação: Sistemas de roteamento de redes de computadores Problemas de Clusterização / Classificação de Dados (Ex. construção de grupos homogêneos de municípios de acordo com alguma variável sócio-econômica)

33 Ant Colony

34 Ant Colony Objetivo: - Achar comida e trazer para a toca no menor caminho Comportamento das formigas: - Andam em caminhos aleatórios e deixam um rastro de feromônio (rastro) por um determinado espaço de tempo. - Tendem a andar em caminhos cujo o rastro de ferômonio seja mais forte.

35 Ant Colony Aplicação: Sistemas de roteamento de redes de computadores
Transporte urbano e logística Modelagem de Proteínas (Bioinformática)

36 Propriedades Autonomia Adaptabilidade & aprendizagem
raciocínio, comportamento guiado por objetivos reatividade Adaptabilidade & aprendizagem Comunicação & Cooperação Personalidade