Agentes Inteligentes

Inteligência Artificial Prof. Patrick Pedreira Silva

Principais pontos abordados
Agentes Racionalidade PEAS (Desempenho, Ambiente, Atuadores, Sensores) Tipos de agentes Propriedades de ambientes Aplicações de agentes
2 Inteligência Artificial – Prof. Patrick Pedreira Silva

1

Agentes
Definição:
Um agente é tudo que pode ser considerado como capaz de perceber seu ambiente por meio de sensores and agir sobre esse ambiente por intermédio de atuadores

Exemplos:
Agente humano: olhos, ouvidos e outros órgão como sensores; mãos, pernas, boca e outras partes do corpo como atuadores Agente Robótico: câmeras e detectores de infravermelho como sensores; e vários motores como atuadores Agente de Software: teclado, arquivos, pacotes da rede, impressora, vídeo, ... (sensações e ações estão codificados em bits)
Inteligência Artificial – Prof. Patrick Pedreira Silva

3

Arquitetura genérica de um Agente

ambiente

sensores

Agente

?
atuadores

4 Inteligência Artificial – Prof. Patrick Pedreira Silva

2

Percepção, Seqüência de Percepções e Percepção: entradas perceptivas do agente em qualquer Ações
momento (obtidas por meio dos sensores) Seqüência de percepções: história completa de tudo o que o agente já percebeu A escolha de uma ação de um agente em qualquer instante pode depender da seqüência inteira de percepção até o momento

A função de agente mapeia qualquer sequência de percepções específica para uma ação: [f: P* A] Tabela muito grande. Em algumas situações, infinita. A menos que se tenha um limite para o comprimento da seqüência de percepções O programa de agente é uma implementação concreta relacionada à arquitetura do agente para produzir f agente = arquitetura + programa
Inteligência Artificial – Prof. Patrick Pedreira Silva

5

Exemplo: o mundo do aspirador de pó
Percepções: localização e conteúdo, ex.:., [A,Sujo] Ações: Esquerda, Direita, Aspirar, NãoFazerNada Função do agente: se o quadrado atual estiver sujo, então aspirar, caso contrário mover-se para o outro quadrado

6 Inteligência Artificial – Prof. Patrick Pedreira Silva

3

Tabela parcial de uma função de agente simples
Seqüência de percepções Ações

[A,Limpo] [A,Sujo] [B,Limpo] [B,Sujo] [A,Limpo], [A,Limpo] [A,Limpo], [A,Sujo] ... [A,Limpo], [A,Limpo], [A,Sujo]
...

Direita Aspirar Esquerda Aspirar Direita Aspirar ... Aspirar
...

[A,Limpo], [A,Limpo], [A,Limpo] Direita

Tabulação parcial da função do agente aspirador de pó
7 Inteligência Artificial – Prof. Patrick Pedreira Silva

Agentes Racionais
Um agente deve esforçar-se para “fazer a coisa certa", baseado nas suas percepções e ações que ele pode executar. A ação certa é aquela que fará o agente obter o maior sucesso. Um agente racional é aquele que faz tudo certo. Medida de desempenho(MD): uma medida objetiva para medir o sucesso do comportamento do agente Exemplo: medida de desempenho do agente aspirador de pó pode ser a quantidade de sujeira limpa, tempo total gasto, quantidade de eletricidade consumida, quantidade de barulho gerado, etc. Medidas de desempenho devem ser projetadas de acordo com o resultado realmente desejado no ambiente em vez de criá-las de acordo com o comportamento esperado do agente
8 Inteligência Artificial – Prof. Patrick Pedreira Silva

4

A racionalidade depende de quatro fatores:
Da medida de desempenho que define o grau de sucesso. Do conhecimento anterior que o agente tem sobre o ambiente. Das ações que o agente pode realizar. Do histórico da percepção do agente, i.e., tudo que já foi percebido pelo agente. Estes 4 fatores nos levam a definição de racionalidade ideal:
9 Inteligência Artificial – Prof. Patrick Pedreira Silva

Agente racional ideal
Definição:
Para cada seqüência de percepções possível, um agente racional deve selecionar uma ação que se espera venha a maximizar sua medida de desempenho, dada a evidência fornecida pela seqüência de percepções e por qualquer conhecimento interno do agente.
10 Inteligência Artificial – Prof. Patrick Pedreira Silva

5

Agente aspirador de pó
Uma agente racional para o mundo do aspirador de pó:
MD: 1 ponto para cada quadrado limpo em cada unidade de tempo, ao longo de 1.000 períodos Conhece a “geografia” do ambiente, mas não sabe onde tem sujeira e nem a posição inicial.
Quadrados limpos permanecem limpos e aspirar limpa o quadrado atual As ações Esquerda e Direita movem o agente nesta direções; exceto quando isto leva o agente para fora do ambiente (fica parado)

Ações disponíveis: Esquerda, Direita, Apirar, NoOP (não faz nada) O agente percebe: a sua posição e se nessa posição existe sujeira 11
Inteligência Artificial – Prof. Patrick Pedreira Silva

Como os agentes devem agir?
Racionalidade x Onisciência são diferentes Onisciência poder saber os resultados de suas ações antecipadamente e com precisão Impossível de se atingir na realidade devido limitações de: Sensores Atuadores raciocinador (conhecimento, tempo, etc.) Racionalidade ≠ Perfeição Racionalidade: maximiza o desempenho esperado Perfeição: maximiza o desempenho real Não podemos deixar de considerar um agente como racional por não levar em conta algo que ele não pode perceber ou por uma ação que ele não é capaz de tomar Exemplo: Ao atravessar uma rua o agente é atingido por uma porta 12 de avião...
Inteligência Artificial – Prof. Patrick Pedreira Silva

6

Coleta de Informações
A coleta de informações é um passo importante da racionalidade Agentes podem executar ações com a finalidade de modificar percepções futuras e obter informações úteis (coleta de informações, exploração de um ambiente desconhecido) ex.: olhar antes de atravessar a rua a ação de olhar maximiza o desempenho

13 Inteligência Artificial – Prof. Patrick Pedreira Silva

Aprendizagem
O agente pode ter algum conhecimento anterior Ele também pode ganhar experiência e modificar e ampliar este conhecimento Se o ambiente é previamente conhecido:
O agente não precisa aprender ou perceber Somente agir de forma correta Mas este tipo de agente se torna muito frágil
Mudanças no ambiente podem levá-lo a falhar Ex.: besouro do esterco e vespa sphex
14 Inteligência Artificial – Prof. Patrick Pedreira Silva

7

Autonomia
Um agente é autônomo se seu comportamento é determinado por sua própria experiência, seu próprio conhecimento Agentes sem autonomia se baseiam exclusivamente no conhecimento anterior de seu projetista Se, além deste conhecimento, o agente consegue aprender por experiência e alterar seu comportamento, ele pode ter autonomia funcional, ou seja, fugir do funcionamento que lhe foi imposto quando foi projetado Agente autônomo deve ter a habilidade de aprender e adaptar para compensar um conhecimento prévio parcial ou incorreto 15
Inteligência Artificial – Prof. Patrick Pedreira Silva

Agente autônomo = conhecimento inato + aprendizagem
Agente autônomos são mais flexíveis, podem se adaptar a novas condições de ambiente.
Exemplo: agente de reconhecimento de fala, tem um conjunto pré-definido de padrões, mas pode aprender o sotaque de um novo usuário.

Um agente inteligente verdadeiramente autônomo deveria ser capaz de operar com sucesso em um grande variedade de ambientes, dado um tempo suficiente para se adaptar.
Inteligência Artificial – Prof. Patrick Pedreira Silva

16

8

O projeto de um agente inteligente
1º Passo do projeto de um agente Especificar o ambiente de tarefa de forma tão completa quanto possível Ambientes de tarefas: Os “problemas” para os quais os agentes são a “solução”. Para entender o ambiente é necessário conhecer: • 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
Inteligência Artificial – Prof. Patrick Pedreira Silva 17

O projeto de um agente inteligente
O projeto do agente compreende as seguintes especificações (PEAS): Medida de desempenho (Performance) Ambiente (Environment) Atuadores (Actuators) Sensores (Sensors)
18 Inteligência Artificial – Prof. Patrick Pedreira Silva

9

Exemplo: Projetando um Agente Motorista de Taxi Automatizado
Medida de desempenho: viagem segura, rápida, dentro da lei, confortável, maximizar lucros, minimizar o consumo de combustível e desgaste, minimizar os distúrbios aos outros motoristas
Obs.: alguns destes objetivos são conflitantes, devendo haver compromissos

Ambiente: Estradas, outros tipos de tráfego, pedestres, clientes, neve, buracos
o ambiente irá determinar a dificuldade da implementação. Quanto mais restrito o ambiente, mais fácil se torna o problema de projetá-lo.

Atuadores: Direção, acelerador, freio, sinal, buzina, visor Sensores: Câmeras, sonar, velocímetro, GPS, hodômetro, sensores do motor, teclado
19 Inteligência Artificial – Prof. Patrick Pedreira Silva

Agente de Policia
raciocínio

Agente

Conhecimento: - leis - comportamento dos indivíduos,...

Objetivo: - fazer com que as leis sejam respeitadas

Ações: - multar - apitar - parar, ...

percepção

execução

Ambiente

20 Inteligência Artificial – Prof. Patrick Pedreira Silva

10

Sistema de dignóstico médico
Medida de desempenho: paciente saudável, minimizar custos, processos judiciais Ambiente: paciente, hospital, equipe Atuadores : exibir perguntas, testes, diagnósticos, tratamentos, indicações Sensores : entrada pelo teclado de para sintomas, descobertas, respostas dos pacientes
21 Inteligência Artificial – Prof. Patrick Pedreira Silva

Robô de seleção de peças
Medida de desempenho: Porcentagens de peças em bandejas corretas Ambiente: Correia transportadora com peças, bandejas Atuadores : Braço e mãos articulados Sensores : câmera, sensores angulares articulados

22 Inteligência Artificial – Prof. Patrick Pedreira Silva

11

Instutor de espanhol interativo
Medida de desempenho: maximiza nota de aluno em teste Ambiente: conjunto de alunos, testes de agência Atuadores : exibir exercícios, sugestões, correções Sensores : entrada pelo teclado

23 Inteligência Artificial – Prof. Patrick Pedreira Silva

Exemplos de agentes
Agente
Diagnóstico médico Análise de imagens de satélite Tutorial de português Filtrador de mails Motorista de taxi Músico de jazz

Dados perceptivos
Sintomas, paciente, exames respostas, ... Pixels

Ações
Perguntar, prescrever exames, testar imprimir uma categorização Imprimir exercícios, sugestões, correções, ... Aceitar ou rejeitar mensagens brecar, acelerar, dobrar, falar com passageiro, ... Escolher e tocar notas no andamento

Objetivos
Saúde do paciente, minimizar custos categorizar corretamente Melhorar o desempenho do estudante Aliviar a carga de leitura do usuário

Ambiente
Paciente, gabinete, ... Imagens de satélite Conjunto de estudantes Mensagens, usuários

Palavras digitadas mensagens

Imagens, velocímetro, sons Sons seus e de outros músicos, grades de acordes

Segurança, Ruas, pedestres, rapidez, economia, carros, ... conforto,... Tocar bem, se divertir, agradar Musicos, publico, grades de acordes 24

Inteligência Artificial – Prof. Patrick Pedreira Silva

12

Ambientes
Classes de ambientes
Físico: robôs Software: softbots Realidade virtual (simulação do ambiente físico): softbots e avatares

Propriedades de um ambiente
completamente observável x parcialmente observável estático x dinâmico determinístico x estocástico discreto x contínuo episódico x seqüêncial tamanho: número de agentes, percepções, ações, objetivos,...
25 Inteligência Artificial – Prof. Patrick Pedreira Silva

Propriedades dos ambientes
Completamente observável (vs. parcialmente observável): Os sensores do agente permitem acesso ao estado completo do ambiente em cada instante de tempo, isto é, todos os aspectos relevantes para a escolha da ação. Determinístico (vs. estocástico): O próximo estado do ambiente é complemente determinado pelo estado atual e pela ação executada pelo agente. (Se o ambiente é determinístico exceto pelas ações de outros agentes, dizemos que o ambiente é estratégico)
Inteligência Artificial – Prof. Patrick Pedreira Silva

26

13

Propriedades dos ambientes
Episódico (vs. sequencial): A experiência do agente é dividida em"episódios" atômicos(cada episódio consiste na percepção do agente, e depois na execução de uma única ação), e a escolha da ação em cada episódio só depende do próprio episódio. Estático (vs. dinâmico): O ambiente é não se altera enquanto o agente esta deliberando. (O ambiente é semi-dinâmico se o próprio ambiente não muda com a passagem do tempo, mas o nível de desempenho do agente se altera)
Inteligência Artificial – Prof. Patrick Pedreira Silva

27

Propriedades dos ambientes
Discreto (vs. continuo): Um número distinto e claramente definido de percepções e ações. Agente único (vs. multiagente): Um agente que opera sozinho no ambiente.

28 Inteligência Artificial – Prof. Patrick Pedreira Silva

14

Tipos de ambientes

O tipo de ambiente determina o projeto do agente O mundo real é parcialmente observável, estocástico, seqüencial, dinâmico, contínuo, multi-agente
29 Inteligência Artificial – Prof. Patrick Pedreira Silva

A estrutura de agentes
Um agente é completamente especificado por uma função de agente que mapeia percepções em seqüência de ações O programa de agente implementa a função de agente, sendo executado em algum tipo de dispositivo de computação com sensores e atuadores físicos – esse conjunto é denominado arquitetura AGENTE = ARQUITETURA + PROGRAMA
30 Inteligência Artificial – Prof. Patrick Pedreira Silva

15

Programas agentes
function ESQUELETO_DE_AGENTE(percepção):ação static: memória (memória do agente sobre o mundo) memória ← ATUALIZA_MEMÓRIA(memória,percepção) ação ← ESCOLHA_A_MELHOR_AÇÃO(memória) memória ←ATUALIZA_MEMÓRIA(memória,ação) return ação O programa agente recebe somente a percepção atual A função agente pode depender da seqüência de percepções inteira
O agente terá que armazenar as percepções (seqüência)

A MD não faz parte do esqueleto (medida externamente)
31 Inteligência Artificial – Prof. Patrick Pedreira Silva

O mapeamento ideal da seqüência de percepções para as ações
Mapeamento (de seqüências de percepções para ações)
Uma tabela muito longa (na verdade infinita, mas limitada para o mundo real) de seqüências das percepções que estão sendo consideradas

Mapeamento ideal
Especifica qual ação um agente deve tomar em resposta a qualquer seqüência de percepção

Exemplo:
a função raiz quadrada
a seqüência de percepção: a digitação de números a ação: mostrar o resultado correto
Inteligência Artificial – Prof. Patrick Pedreira Silva 32

16

Tipos de agentes
Podemos classificar os agentes em tipos básicos levando em conta sua arquitetura:

Agente Agente Agente Agente Agente Agente

dirigido por tabela reativo simples reativo baseado em modelos baseado em objetivos baseado em utilidade autonomia com aprendizagem

complexidade

33 Inteligência Artificial – Prof. Patrick Pedreira Silva

Agente dirigido por tabela
sensores ambiente
Tabela Percepções ações .. ..

Agente

atuadores
Limitações
Mesmo Problemas simples -> tabelas muito grandes ex. xadrez: 35100 entradas Nem sempre é possível, por ignorância ou questão de tempo, construir a tabela Não há autonomia nem flexibilidade Uma troca inesperada no ambiente poderia resultar em falha Somente é viável construir tabelas para ambientes muito pequenos e limitados Inteligência Artificial – Prof. Patrick Pedreira Silva
34

Ambientes

17

Agente dirigido por tabela
function AGENTE_POR_TABELA(percepção):ação static: percepções (uma seqüência, inicialmente vazia) tabela (uma tabela, indexada por percepção, inicialmente completamente especificada) agregar (percepção) ao fim de percepções ação ← PROCURA(percepções,tabela) return ação

35 Inteligência Artificial – Prof. Patrick Pedreira Silva

Implementação do Agente Motorista de Taxi
Criar a tabela de Percepção x Ação.
50 MB de imagens por segundo (25 frames p/s, 1000x1000 pixels, 8 bits cores e 8 bits de intensidade)
Tabela com 10250.000.000.000 entradas

Para cada imagem possível -> uma ação !

Desafio fundamental da IA:
Escrever programas que, na medida do possível, produzam um comportamento racional a partir de uma pequena quantidade de código Exemplo:
Tabelas de raízes quadradas utilizadas por engenheiros (dec. 70) Substituídas por um programa de 5 linhas que corresponde 36 ao método de Newton
Inteligência Artificial – Prof. Patrick Pedreira Silva

18

Agente reativo simples
Programa muito pequeno em relação a tabela que representa a função agente
Porque descartamos o histórico de percepções
Pouca autonomia

Porque se o quadro está sujo, não precisamos verificar a posição A entrada pode ser processada para estabelecer uma condição
Exemplo: Processar a imagem do agente motorista de táxi e verificar que “o carro da frente está freando” Ao invés de ter uma tabela com cada mudança que ocorre na imagem, “interpretamos” a condição da imagem
Inteligência Artificial – Prof. Patrick Pedreira Silva

37

Agente reativo simples – motorista de táxi
Então podemos fazer conexões entre as condições de entrada e as ações correspondentes Se carro_da_frente_está_freando
então começar_a_frear

Estas regras são chamadas de regras de condição-ação Conexões nos seres humanos:
Aprendidas: dirigir Reflexos inatos: tirar a mão do fogo, ou piscar quando algo se aproxima do olho

Projeto do agente:
Construir um interpretador de uso geral para regras de condiçãoação Criar um conjuntos de regras para cada ambiente de tarefa
Inteligência Artificial – Prof. Patrick Pedreira Silva 38

19

Funcionamento
function AGENTE-REFLEXO-SIMPLES(percepção): ação static: regras (um conjunto regra condiçãoação) estado ← INTERPRETA-ENTRADA(percepção) regra ← CASAMENTO-REGRA(estado, regras) ação ← AÇÃO-REGRA[regra] return ação
INTERPRETA-ENTRADA Gera uma descrição abstrata do estado a partir do que foi percebido CASAMENTO-REGRA descrição do estado Retorna a primeira regra que "casou" com a
39

Inteligência Artificial – Prof. Patrick Pedreira Silva

Agente Reativo Simples

ambiente

sensores Qual a aparência atual do mundo? Que ação devo executar agora? atuadores

Agente

Regras “condição-ação”

40 Inteligência Artificial – Prof. Patrick Pedreira Silva

20

Agente aspirador de pó
função AGENTE-ASPIRADOR-DE-PÓ-REATIVO([posição,estado]) retorna uma ação se estado=Sujo então retorna Aspirar senão se posição=A então retorna Direita senão se posição=B então retorna Esquerda

41 Inteligência Artificial – Prof. Patrick Pedreira Silva

Limitações do Agente reativo simples
São simples, porém limitados Funcionará somente se a decisão correta puder ser tomada com base apenas na percepção atual
Ambiente completamente observável

Exemplos de alguns problemas:
Um agente presa que percebesse um predador, iniciaria um comportamento de fuga, virando as costas para o predador, entretanto, já não o veria mais e pararia de fugir. Seria interessante que esse agente pudesse saber ou estimar quando o predador realmente ficou para trás e não mais representa um perigo iminente 42
Inteligência Artificial – Prof. Patrick Pedreira Silva

21

Agente reativo baseado em modelo
Como lidar com a possibilidade de observação parcial
O agente deve controlar as partes do mundo que ele não pode ver agora.
Ex.: a presa ao dar as costas para o predador, deve continuar fugindo...

O agente deve manter um estado interno que dependa do histórico de percepções e reflita os aspectos não observados no estado atual Dois tipos de conhecimento são necessários para atualizar o estado interno do agente (modelo do mundo):
Como o ambiente evoluí independente do agente
O fato de o predador não estar no campo de visão da presa durante a fuga não garante a ausência de perigo.

Como as ações do próprio agente afetam o mundo
Se o agente presa continuar o processo de fuga durante um certo tempo ele poderá estimar quando o predador realmente ficou para trás e não mais representa um perigo iminente
Inteligência Artificial – Prof. Patrick Pedreira Silva 43

Modelo de mundo
Modelo do mundo
O conhecimento de “como o mundo funciona”

Agente baseado em modelo
Um agente que usa o modelo de mundo

44 Inteligência Artificial – Prof. Patrick Pedreira Silva

22

Funcionamento
function AGENTE_REFLEXO_COM_ESTADO(percepção):ação static: estado (uma descrição do estado atual do mundo) regras (um conjunto regra condição-ação) estado ← ATUALIZA-ESTADO(estado,percepção) regra ← CASAMENTO-REGRA(estado,regras) ação ← AÇÃO-REGRA[regra] return ação ATUALIZA_ESTADO –> é responsável por criar uma nova descrição do estado interno

45 Inteligência Artificial – Prof. Patrick Pedreira Silva

Agente reativo baseado em modelo
Agente sensores Qual é a aparência atual mundo? estado: como o mundo era antes como o mundo evolui impacto de minhas ações

ambiente

Que ação devo executar agora? atuadores

Regras “condição-ação”

46 Inteligência Artificial – Prof. Patrick Pedreira Silva

23

Limitações do Agente reativo baseado em modelo
Conhecer os estados do ambiente não é suficiente para tomar uma boa decisão Exemplo:
o agente Motorista de Táxi chega a um cruzamento com três caminhos, qual direção tomar?
Simplesmente reagir: mas existem três reações possíveis Examinar o modelo de mundo: não ajuda a decidir qual o caminho

A decisão depende de onde o táxi está tentando chegar (objetivo)
47 Inteligência Artificial – Prof. Patrick Pedreira Silva

Agente baseado em objetivos
O agente precisa de algum tipo de informação sobre o seu objetivo
Objetivos descrevem situações desejáveis. Ex: estar no destino

Combinando informações sobre:
O objetivo do agente Os resultados de suas ações

O agente pode escolher ações que alcancem o objetivo A seleção da ação baseada em objetivo pode ser:
Direta: quando o resultado de uma única ação atinge o objetivo Mais complexa: quando será necessário longas seqüências de ações para atingir o objetivo
48 Inteligência Artificial – Prof. Patrick Pedreira Silva

24

Agente baseado em objetivos
Para encontrar seqüências de ações que alcançam os objetivos
Algoritmos de Busca

A tomada de decisão envolve a consideração do futuro
“O que acontecerá se eu fizer isso ou aquilo?” “O quanto isso me ajudará a atingir o objetivo?”

Agentes reativos: reação -> frear quando carro da frente frear Agentes baseado em objetivo: raciocínio -> carro da frente freia -> carro da frente diminui velocidade -> objetivo: não atingir outros carros -> ação para atingir objetivo: frear
49 Inteligência Artificial – Prof. Patrick Pedreira Silva

Agente baseado em objetivo
sensores ambiente Qual a aparência atual do mundo? Qual será a aparência se for executada a ação A? Que ação devo executar agora? atuadores Agente estado: como o mundo era antes como o mundo evolui impacto de minhas ações Objetivos

50 Inteligência Artificial – Prof. Patrick Pedreira Silva

25

Considerações e limitações
O agente que funciona orientado a objetivos é mais flexível
Agente reflexo ações pré-compiladas (condição-ação) Agente p/ objetivo pode alterar somente o objetivo sem necessidade de se reescrever as regras de comportamento

Mais flexível – representação do conhecimento permite modificações O objetivo não garante o melhor comportamento para o agente, apenas a distinção entre estados objetivos e não objetivos
Ex: Algumas alternativas de planejamento de ações futuras podem ser mais rápidas, seguras ou baratas que outras Inteligência Artificial – Prof. Patrick Pedreira Silva
51

Agente baseado em utilidade
Sozinhos os objetivos não são suficientes para gerar um comportamento de alta qualidade. Muitas seqüências de ações levarão o táxi até seu destino, porém... Algumas são mais rápidas Algumas são mais seguras Algumas são mais econômicas Se um estado do mundo é mais desejável que outro, então ele terá maior utilidade para o agente
52 Inteligência Artificial – Prof. Patrick Pedreira Silva

26

Agente baseado em utilidade
Utilidade é uma função que mapeia um estado para um número real que representa o grau de satisfação com este estado. A função de utilidade mede suas preferências entre estados do mundo Especificação completa da função de utilidade – decisões racionais em dois tipos de casos: Quando existem objetivos conflitantes (velocidade x segurança) a função de utilidade especifica o compromisso apropriado Quando existem vários objetivos que se deseja alcançar e nenhum deles pode ser atingido com certeza – ponderar a importância dos objetivos
53 Inteligência Artificial – Prof. Patrick Pedreira Silva

Agente baseado em utilidade
sensores

Agente estado: como o mundo era antes como o mundo evolui qual é o impacto de minhas ações Função de Utilidade

ambiente

Qual a aparência atual do mundo? Qual será a aparência se for executada a ação A? Este novo mundo é melhor? Que ação devo executar agora?
atuadores

54 Inteligência Artificial – Prof. Patrick Pedreira Silva

27

Agentes com aprendizagem
Em agentes sem aprendizagem tudo o que o agente sabe foi colocado nele pelo projetista Aprendizagem também permite ao agente atuar em ambientes totalmente desconhecidos e se tornar mais competente do que o seu conhecimento inicial poderia permitir
Ex. motorista sem o mapa da cidade

Quatro componentes conceituais de um agente com aprendizagem:
Elemento de aprendizado Crítico Elementos de desempenho Gerador de problemas
Inteligência Artificial – Prof. Patrick Pedreira Silva

55

Agentes com aprendizagem componentes
Elemento de aprendizado:
Responsável pela execução dos aperfeiçoamentos Utiliza realimentação do crítico sobre como o agente está funcionando Determina de que maneira o elemento de desempenho deve ser modificado para funcionar melhor no futuro

Crítico:
Informa ao elemento de aprendizado como o agente está se comportando em relação a um padrão fixo de desempenho É necessário porque as percepções não fornecem nenhuma indicação de sucesso
Ex.: O crítico pode indicar para o agente que o xeque-mate é algo bom

O agente não deverá modificá-lo
Inteligência Artificial – Prof. Patrick Pedreira Silva

56

28

Agentes com aprendizagem componentes
Elementos de desempenho:
Responsável pela seleção de ações externas Recebe percepções e decide sobre ações

Gerador de problemas:
Responsável por sugerir ações que levarão a experiências novas e informativas Ações não ótimas a curto prazo para descobrir ações ótimas a longo prazo

57 Inteligência Artificial – Prof. Patrick Pedreira Silva

Agentes com aprendizagem
Agente sensores ambiente crítico avaliação trocas elemento de elemento de desempenho (agente) conhecimento aprendizagem objetivos de aprendizagem atuadores Gerador de problemas

58 Inteligência Artificial – Prof. Patrick Pedreira Silva

29

Agente motorista de táxi com aprendizagem
Elemento de desempenho: conhecimento e procedimentos para dirigir Crítico: observa o mundo e repassa para o elemento de aprendizagem
Ex.: o agente vira sem dar seta. O crítico observa que isso gera uma reação agressiva dos outros motoristas e informa ao elemento de aprendizagem.

Elemento de aprendizagem:
É capaz de formular uma regra afirmando que a ação foi boa/ruim. Modifica o elemento de desempenho pela instalação da nova regra

Gerador de problemas:
Identifica áreas que precisam de melhorias Sugere experimentos: testar os freios em diferentes superfícies59
Inteligência Artificial – Prof. Patrick Pedreira Silva

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
60 Inteligência Artificial – Prof. Patrick Pedreira Silva

30

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
61 Inteligência Artificial – Prof. Patrick Pedreira Silva

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, ...
3 7 4 5 8 2 3 7 4 5 8 2 1 6 1 4 7 2 5 8 3 6 1 6

62

Inteligência Artificial – Prof. Patrick Pedreira Silva

31

Questões
Questões centrais
comunicação negociação (ex. compra-venda na Web) estados mentais crença, ...

Tensão (trade-off)
Quanto mais agentes, mais simples (subdividido) fica o problema No entanto, mais complexa fica a comunicação e coordenação entre os agentes
63 Inteligência Artificial – Prof. Patrick Pedreira Silva

além das fronteiras da IA....
Técnicas & Problemas
Antes....
programas

Agora
programas

IA

agentes inteligentes

agentes móveis, agentes de software, robôs, ...
Inteligência Artificial – Prof. Patrick Pedreira Silva

64

32

Propriedades
Autonomia (IA)
raciocínio, comportamento guiado por objetivos reatividade

Adaptabilidade & aprendizagem (IA) Comunicação & Cooperação (IA) Personalidade (IA) Mobilidade
65 Inteligência Artificial – Prof. Patrick Pedreira Silva

Desenvolvimento de software inteligente
Projeto:
Modelar tarefa em termos de ambiente, percepções, ações, objetivos e utilidade Identificar o tipo de ambiente Identificar a arquitetura de agente adequada ao ambiente e tarefa

Implementação
o gerador e o simulador de ambientes componentes do agente (vários tipos de conhecimento) Testar o desempenho com diferentes instâncias 66 do ambiente
Inteligência Artificial – Prof. Patrick Pedreira Silva

33

Agentes: como usar?
Nível de conhecimento
modelagem do negócio: classe de problema, domínio,... elicitação: percepções, ações, objetivos, ambiente, conhecimento,...

Nível de formalização
análise e projeto: especificar arquitetura, escrever a base de conhecimento,...

Nível de implementação
Java, prolog, C...
o importante são os serviços oferecidos pela linguagem!
Inteligência Artificial – Prof. Patrick Pedreira Silva 67

Agentes: por que e quando usar?
Tarefas
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.)

Algumas capacidades
Comportamento guiado por objetivos e autonomia Reatividade e raciocínio Adaptabilidade e aprendizagem Comunicação e cooperação Personalidade outros: mobilidade ...
68 Inteligência Artificial – Prof. Patrick Pedreira Silva

34

Alguns exemplos de aplicações de agentes inteligentes....

69 Inteligência Artificial – Prof. Patrick Pedreira Silva

Classes de tarefas das aplicações
Classe
Interpretação Predição Diagnóstico Projeto Planejamento Monitoramento

Problemas Abordados
Inferindo descrições das situações por observações Inferindo prováveis conseqüência de dadas situações Inferência de mal funcionamento do sistema por observações Configurando objetos sobre restrição Desenvolvimento de plano(s) para realização de objetivo(s), meta(s) monitorando objetos e detectando exceções
70 Inteligência Artificial – Prof. Patrick Pedreira Silva

35

Aplicações
• • • • • • • • • • • Agricultura Negócios e finanças Química Comunicações Comércio Computação Educação Eletrônica Engenharia Meio ambiente Geologia
• • • • • • • • • • • Processamento de imagem Direito Indústria Matemática Medicina Meteorologia Militar Sistemas de potência Ciência Tecnologia espacial Transportes, ...
71 Inteligência Artificial – Prof. Patrick Pedreira Silva

Aplicações em computação
Internet Redes e Sistemas Distribuídos Banco de dados Engenharia de software Interfaces Robótica Jogos Hardware (projeto e análise) Etc.
72 Inteligência Artificial – Prof. Patrick Pedreira Silva

36

Categorias de Agentes na Internet por Tipos de Serviços
Agentes de Busca e Recuperação de informação Agentes de Extração de Informação Agentes de Entrega Off-line Agentes Notificadores Agentes Corretores Agentes para Ensino a distância Agentes de Chat Agentes para Comércio Eletrônico etc.
73 Inteligência Artificial – Prof. Patrick Pedreira Silva

Agentes de Busca
Usuário
Consulta

Arquitetura
Search Engine

Browser
Resposta

Servidor de Consultas

Base de Índices

)--(

Web

Robô
Indexing Engine

Busca
74

Exemplos: Google, AltaVista, Lycos, Excite, ...
Inteligência Artificial – Prof. Patrick Pedreira Silva

37

Busca de informação na Web

Localizaçao de informação relevante Modelagem de interesses de um usuário particular
Inteligência Artificial – Prof. Patrick Pedreira Silva

75

Agentes que filtram Informação Arquitetura
Browser Servidor de News

Artigos Indexados

Perfil do usuário

Indexing Engine
Agente de Filtragem

Internet

• Filtram as informações encontradas de acordo com o perfil do usuário.
Inteligência Artificial – Prof. Patrick Pedreira Silva

76

38

Exemplos
NewsHound
Busca notícias em diversos jornais a partir do perfil dado Envia informações através de e-mail ou páginas html. Utiliza critérios de relevância

MetaCrawler
Programa inteligente que usa outros engenhos de busca em prol do usuário

Usuário
Consulta

Search Engine

Browser

Softbot
Resposta

Servidor de Consultas

Base de Índices

Perfil do usuário
Inteligência Artificial – Prof. Patrick Pedreira Silva

77

Agentes Notificadores
Notifica o usuário de eventos de importância para ele.
Mudança no conteúdo de uma página na Web. Mudança de endereço de uma página.

Exemplo: URLMINDER
Monitora páginas na Web e comunica aos usuários se houve mudanças nelas Checa páginas pelo menos 1 vez/dia Não faz busca recursiva de URLs.

78 Inteligência Artificial – Prof. Patrick Pedreira Silva

39

Agentes de Entrega Off-line
Agentes que filtram informação. Exemplo: Pointcast
Serviço de divulgação de notícias

79 Inteligência Artificial – Prof. Patrick Pedreira Silva

Agentes de Chat
Também chamados de Avatares Podem aparecer nas salas de Chat ou para help online “Conversam” com usuários Web Alguns baseiam-se em casamento de padrões
e.g., Eliza Padrões de Conversação

Session Log

ChatterBot

Usuário
80 Inteligência Artificial – Prof. Patrick Pedreira Silva

40

Agentes de Chat

Robôs de conversação
81 Inteligência Artificial – Prof. Patrick Pedreira Silva

Comércio Eletrônico
Hoje
informação marketing processamento do pedido Problemas
O que comprar? Onde comprar? Quanto pagar?

Amanhã
shoppings eletrônicos, com agentes representando vendedores e compradores leilões, com agentes fazendo lances

82 Inteligência Artificial – Prof. Patrick Pedreira Silva

41

Modelo de compra
identificação da necessidade recomendação de produtos pesquisa de mercado negociação compra e envio serviço e avaliação de produtos
Agent-Mediated Electronic Commerce
83 Inteligência Artificial – Prof. Patrick Pedreira Silva

MEDIADOS POR AGENTES

Identificação da necessidade
Agentes de notificação
exemplos:
amazon.com (novos livros disponíveis) fastparts.com (novos lances afetam os seus) classifieds 2000 (produto específico disponível por um preço específico)

84 Inteligência Artificial – Prof. Patrick Pedreira Silva

42

Recomendação de produtos
Agentes de recomendação
exemplos:
amazon.com, barnesandnoble.com, ZDNet.com, mylaunch.com, personalogic - AOL,...

85 Inteligência Artificial – Prof. Patrick Pedreira Silva

Pesquisa de mercado
Agentes de comparação.
exemplos:
Buscapé, bargainfinder, jango (excite), fido. miner (uol), priceline

86 Inteligência Artificial – Prof. Patrick Pedreira Silva

43

Agentes de negociação

consumidor

agente de compra

agentes de venda

lojas

87 Inteligência Artificial – Prof. Patrick Pedreira Silva

Gerenciamento de redes
Onde os agentes entram? Detectando sintomas:
Periodicamente verificando permissões etc...

Detectando cenários:
Periodicamente analisando o tráfego etc...

Possibilidade de oferecer “capacidade reativa” automática da rede atacada.
Desconectando o intruso; Bloqueando o tráfego para a Internet etc… Enviando mensagem para o operador do backbone

88 Inteligência Artificial – Prof. Patrick Pedreira Silva

44

Data Mining (Mineração de Dados)
O que é?
análise inteligente visando manipulação automática de quantidades imensas de dados Larga aplicação nos mais variados ramos da indústria, comércio, medicina, governo, administração, etc. Integra várias técnicas e tecnologias

Exemplos
Bank of America
Selecionou entre seus clientes, aqueles com menor risco de dar calotes Em três anos o banco lucrou 30 milhões de dólares com a carteira de empréstimos

Fraldas e cervejas
homens casados, entre 25 e 30 anos compravam fraldas e/ou cervejas às sextas-feiras à tarde Wal-Mart otimizou as gôndolas e o consumo cresceu 30%
Inteligência Artificial – Prof. Patrick Pedreira Silva

89

Automação de sistemas complexos

Como modelar os componentes do sistema e lhes autonomia? Como assegurar uma boa comunicação e coordenação entre estes componentes?
Inteligência Artificial – Prof. Patrick Pedreira Silva

dar-

90

45

Produção de jogos e histórias interativas

Modelagem de comportamento e personalidade para criar ilusão da vida Interação com usuário e um comportamento adequado
Inteligência Artificial – Prof. Patrick Pedreira Silva

91

Controle de robôs

Robô ASIMO

Navegação segura e eficiente, estabilidade, manipulação fina e versátil
92 Inteligência Artificial – Prof. Patrick Pedreira Silva

46

Sistemas de Informação

Agentes inteligentes aplicados em sistemas de informação, auxiliando a tomada de decisões
Inteligência Artificial – Prof. Patrick Pedreira Silva

93

47

Sign up to vote on this title
UsefulNot useful