Agenda Agentes que Respondem por Estímulo Agentes Inteligentes.

Apresentação em tema: "Agenda Agentes que Respondem por Estímulo Agentes Inteligentes."— Transcrição da apresentação:

1 Agenda Agentes que Respondem por Estímulo Agentes Inteligentes

2 Robô

3 Robô X

4 Processamento de Percepção
Robô Vetor de features (x1,...xi,...xn) Sensores Função de Ação Processamento de Percepção Ação

5 Robô Dois problemas precisam ser resolvidos
Converter o dado de entrada no vetor de features. Especificar as funções de ação.

6 Percepção A entrada de dados dos sensores consistem dos valores s1,.....s8. Portanto existem 256 combinações possíveis. Para o nosso problema, existem 4 features que são úteis para o nosso problema.

7 Percepção x1=1 se e somente se s2=1 ou s3=1

8 Ação Conhecidas as 4 features devemos especificar uma função delas que selecione uma ação apropriada: Se x1=1 e x2=0 mova para LESTE Se x2=1 e x3=0 mova para SUL Se x3=1 e x4=0 mova para OESTE Se x4=1 e x1=0 mova para NORTE

9 Funções de Ação Várias maneiras de representar e implementar funções de ação foram estudadas. Se existem R possíveis ações a serem tomadas, então devemos encontrar uma função adequada do vetor de features para computar a ação.

10 Sistemas de Produção Lista ordenada de regras, chamadas regras de produção. Cada regra: ci ai, onde: ci é a condição e ai é a ação. c a1 c a2 ci ai cm am

11 Nosso Exemplo x4x NORTE x3x OESTE x2x SUL x1x LESTE NORTE

12 Agentes Um AGENTE é qualquer coisa que pode ser vista como Percebendo seu ambiente através de Sensores e Agindo sobre ele através de atuadores (effectors). Um agente humano possui olhos, orelhas e outros órgãos como sensores e mãos, pernas, boca e outras partes do corpo como effectors.

13 Agentes x Ambiente AGENTE Sensores AMBIENTE ? Effectors

14 Agentes x Ambiente AGENTE Sensores AMBIENTE Função do Agente Effectors

15 Agente Racional É aquele que faz a coisa certa.
O que significa “coisa certa” Ação certa é aquela que fará o agente obter maior sucesso. Precisamos de algum método para Medir o sucesso. Isso nos traz um outro problema: decidir Como e Quando avaliar o sucesso do agente.

16 Medida de Performance Serve para responder a pergunta COMO?
Imposta por alguma autoridade Vários níveis de sofisticação Na questão do QUANDO, muitas vezes é importante medir a performance em períodos de longo prazo

17 Racionalidade Depende de 4 pontos:
Medida de Performance que define graus de sucesso. Tudo que o agente “percebeu” (seqüência de percepção). O que o agente sabe sobre o ambiente. As ações que o agente pode fazer. O que é uma gente racional perfeito?

18 Motorista de TAXI Open Ended - não existe limite para as combinações de circunstâncias que podem ocorrer. Temos que pensar em Sensores, Ações, Objetivos e Ambiente para esse agente. Tipo de Agente: Motorista de Taxi Medidas de Desempenho: Atuadores: Sensores:

19 Motorista de TAXI Tipo de Agente: Motorista de Taxi
Medidas de Desempenho: Viagem mais curta, viagem mais segura, viagem mais agradável, maximizar lucros... Atuadores: Direção, acelerador, freio, sinal, buzina, retrovisores... Sensores: Câmeras, velocímetro, GPS, sonar...

20 Mapeamento Se o comportamento do agente depende da sua seqüência de percepção, podemos descrever qualquer agente fazendo uma tabela de ações que ele toma em resposta a cada seqüência de percepção. Numeração exaustiva?? Melhor fazer uma especificação do mapeamento.

21 Autonomia Conhecimento “built-in”
Se as ações dos agentes são baseadas exclusivamente em seu conhecimento interno, de forma que ele não precisa prestar atenção à sua percepção diz-se que falta autonomia a esse agente. O comportamento de uma agente pode ser baseado na sua experiência e no seu conhecimento interno. Um sistema é autônomo se em grande parte seu comportamento é determinado pela sua própria experiência.

22 Estrutura Um dos trabalhos da IA é desenvolver programas agentes: funções que implementem o mapeamento das percepções para as ações. Esse programa rodará em algum artefato computacional: arquitetura Agente= Arquitetura + Programa

23 Projetar Agentes Antes que se projete agentes de programas devemos:
ter idéia muito clara das percepções e ações possíveis quais objetivos ou medidores de performance são esperados dos agentes em qual ambiente ele vai operar

24 Programas Agentes function agente(percepção)
static: memória (memória do agente do mundo) memória Atualiza_memória(memória, percepção) ação Escolha_melhor_ação(memória) memória Atualiza_memória(memória,ação) return(ação);

25 Tipos de Programas Agentes
Agora nós temos que decidir como construir um programa real para implementar o mapeamento das percepções em ações. Vamos considerar quatro tipos de agentes: Agentes de simples reflexo Agentes baseado em modelos Agentes para atingir objetivos Agentes baseado em utilidades

26 Agentes de simples reflexo
Construir uma tabela lookup explícita está fora de questão. Porquê? Nós podemos reduzir esta tabela notando certas associações comuns entrada/saída. Regra de condição-ação SE o carro da frente está brecando ENTÃO comece a brecar

27 Agentes de simples reflexo
Sensores AMBIENTE Como o Mundo está agora Que ação devo fazer agora Regras condição-ação Effectors

28 Agentes de simples reflexo
function Agente_SR (percepção) static: regras, conjunto condição-ação estado Interpreta-Entrada(percepção) regra Encontra_Regra(estado,regra) ação Regra_Ação[regra] return ação

29 Agentes de simples reflexo
Quando este tipo de agente funcionará? Somente se a decisão correta puder ser tomada baseada na percepção corrente

30 Agentes baseado em modelos
Sensores não provêem acesso ao estado completo do mundo. Nessa condição, os agentes devem manter alguma informação interna do estado a fim de distinguir entre estados do mundo que gerem a mesma percepção mas sejam significativamente diferentes. Significativamente diferentes indica que ações diferentes são as mais adequadas.

31 Agentes baseado em modelos
Atualizar essas informações internas do estado com o passar do tempo requer que dois tipos de conhecimento estejam codificados no programa agente: Como o mundo evolui independente do agente. Como as ações do agente afetam o mundo.

32 Agentes baseado em modelos
Sensores AMBIENTE Estado Evolução Mundo Minhas Ações Como o Mundo está agora Regras condição-ação Que ação devo fazer agora Effectors

33 Agentes baseado em modelos
function Agente_R_com _estado(percepção) static: regras, conjunto de condição-ação estado, descrição do estado atual do mundo ação, a mais recente, inicialmente nenhuma estado Atualiza_Estado(estado,ação, percepção) regra Encontra_Regra(estado,regras) ação Regra_Ação[regra] return ação

34 Agentes por Objetivos Conhecer o estado atual do ambiente nem sempre é suficiente para se decidir o que fazer. Da mesma forma que a descrição do estado atual, o agente necessita de alguma informação de objetivos. O programa agente pode combinar essa informação com as de resultados das ações para buscar o objetivo.

35 Agentes por Objetivos Técnicas de Busca Planejamento
Tomada de Decisão desse tipo é diferente das regras de condição - ação descritas anteriormente. Embora sejam menor eficientes, são mais flexíveis

36 Agentes por Objetivos AMBIENTE AGENTE Sensores Como o Mundo está agora
Estado Evolução Mundo Minhas Ações Como ficará Mundo se eu fizer ação A Que ação devo fazer agora Objetivos AGENTE Effectors

37 Agentes por Utilidade Objetivos não são suficientes para gerar comportamento de alta qualidade. Eles somente provêem uma distinção entre estados “felizes” e “infelizes”. Medidas de performance mais gerais devem permitir comparação entre estados informando o quão “feliz” ele faria o agente se puder ser encontrado. Se um estado é preferível em relação a outro, ele tem uma utilidade maior para o agente.

38 Agentes por Utilidade Utilidade é portanto uma função que mapeia um estado num número real, o qual descreve o grau de “felicidade” Aparecem quando existem objetivos conflitantes muitos objetivos para o agente “procurar” Um agente pode tomar decisões racionais se ele possui um função de utilidade explícita.

39 Agentes com Aprendizagem
Como os agentes passam a existir? Programar máquinas inteligentes à mão Algum método mais eficiente é desejável Criar máquinas com capacidade de aprendizagem e depois ensiná-las. Existem quatro componentes conceituais Elemento de Aprendizado Elemento de Desempenho Crítico (padrões de desempenho) Gerador de Problemas (novas experiências)

40 Agentes com Aprendizagem
Padrões de Desempenho Sensores Crítico AMBIENTE Elemento de Aprendizado Elemento de Desempenho Gerador de Problemas AGENTE Effectors

41 Ambiente Classifique: Observável x Parcialmente Observável
Determinístico x Estocástico Estático x Dinâmico Discreto x Contínuo Episódico x Seqüencial Agente Único x Multiagentes Classifique: Jogo de Xadrez Backgammon Motorista de Taxi Robô de Seleção de Peças