INTELIGÊNCIA ARTIFICIAL

Think

INTELIGÊNCIA ARTIFICIAL

Eugénio Oliveira

Ana Paula Rocha

Henrique Lopes Cardoso
Sítio web Institucioanl: https://sigarra.up.pt/feup/pt/ucurr_geral.ficha_uc_view?pv_ocorrencia_id=384947

Sítio web específico: https://web.fe.up.pt/~eol/IA/1ia1617.html

Eugénio Oliveira / FEUP

 INTELIGÊNCIA ARTIFICIAL

OBJETIVOS GENÉRICOS DA UNIDADE CURRICULAR:

Incursão em um novo “continente” do saber !

3 Palavras chave:
* CONHECIMENTO (mais além do que Dados)
* LÓGICA e outros paradigmas (mais que algoritmia)
* ENGENHARIA (além de Ciência)

Objetivos:
* APRENDER novos MÉTODOS de resolver problemas
* USAR outras TÉCNICAS de realizar Sistemas Comp.
* REALIZAR diferentes PROGRAMAS para pesquisar soluções

Conclusão: APRENDER novas formas de resolver Problemas

(por vezes complexos) que requeiram CONHECIMENTO

Eugénio Oliveira / FEUP

 INTELIGÊNCIA ARTIFICIAL

I-INTRODUÇÃO À INTELIGÊNCIA ARTIFICIAL

• Metodologias e Objetivos
específicos embora intersetando com outras áreas das Ciências da Computação
e das C. Cognitivas, das Neurociências, da Sociologia, da Economia e da Electrónica

• Aspetos científicos e tecnológicos

nos domínios da Programação, da Algoritmia,
I da Teoria das Probabilidades, da
Estatística, da Análise Sistémica, da Perceção e Interpretação de dados e
outros ramos da Engenharia.

• Debilidades metodológicas
falta, em certos casos, de formalização nos métodos e teorias propostas para
alcançar os seus objetivos de compreender e implementar Sistemas dotados
de “inteligência”

Eugénio Oliveira / FEUP

 INTELIGÊNCIA ARTIFICIAL

INTELIGÊNCIA ARTIFICIAL:
Ciência Versus Tecnologia

CIÊNCIA DA COMPUTAÇÃO

Psicologia
Cognitiva Teoria da Decisão
Teoria do Jogo
Sociónica INTELIGÊNCIA ARTIFICIAL

Economia

Neurociências ENGENHARIAS:
Computação Probabilidaes
Eletrónica e
Robótica Estatístca
...

Eugénio Oliveira / FEUP

 INTELIGÊNCIA ARTIFICIAL

Definições

"A Inteligência Artificial é o estudo das ideias que, implementadas

no computador, lhes permitam realizar os mesmos objetivos que
fazem as pessoas parecer inteligentes".

"Mais especificamente a IA tenta que os computadores sejam mais úteis e ao

mesmo tempo estuda os princípios que tornam a inteligência possível"

Patrick Winston: ex-director do Lab. de IA do M.I.T.

Comentários > ambígua (a definição contém o definido);

> verdade de "Lapalice" (computadores mais úteis).

Eugénio Oliveira / FEUP

 INTELIGÊNCIA ARTIFICIAL

Definições

Research priorities for robust and beneficial artificial intelligence

(S.Russel et al. Jan2015)

for the last 20 years AI has been focused on the problems surrounding
the construction of intelligent Agents - systems that perceive and act in
some environment.
In this context, the criterion for intelligence is related to statistical and
economic notions of rationality - colloquially, the ability to make good
decisions, plans, or inferences.

Eugénio Oliveira / FEUP

 INTELIGÊNCIA ARTIFICIAL

"O campo da Inteligência Artificial tem como pressuposto que

existem processos comuns baseando perceção e pensamento e
que estes processos podem ser compreendidos e estudados
cientificamente. Além disso é completamente irrelevante para
a teoria da IA quem (ou o quê) "percebe" ou "pensa" - homem
ou computador. Isso é um detalhe de implementação...".

N. Nilsson ex-director do Stanford Research Institut; Stanford

Robotics Lab.

Comentário:> polémico. A IA desviou-se, durante algum tempo deste

paradigma para se tornar mais realista, mais independente do
funcionamento da mente humana.
Agora: Retorno aos fundamentos

Eugénio Oliveira / FEUP

 INTELIGÊNCIA ARTIFICIAL

"A IA é o estudo dos processos que possibilitam aos computadores

realizar tarefas para as quais, no momento, as pessoas são mais
aptas.“

E. Rich.

Comentário:> Vaga. Incompleta. Mas aproximativa da verdade na sua simplicidade

Eugénio Oliveira / FEUP

 INTELIGÊNCIA ARTIFICIAL

Outra definição:

A Inteligência Artificial é uma disciplina científica cujo objetivo

fundamental é realizar sistemas computacionais capazes de exteriorizar
comportamentos operacionais semelhantes aos humanos em situações
estereotipadas.

As técnicas de programação usadas, de pesquisa não deterministica,

baseiam-se, pelo menos parcialmente, em Linguagens declarativas, sendo
essencialmentalmente relacionais, baseadas na lógica ou funcionais.

Existem ferramentas (“Tools”) incluindo algoritmos de inspiração

estatística (frequencista ou não) para extração de conhecimento
baseados em dados

Eugénio Oliveira / FEUP

 INTELIGÊNCIA ARTIFICIAL

• EVOLUÇÃO:

Ciência da Cognição + Ciência da Computação

Inteligência Artificial

Engenharia do Conhecimento Domínios

De
Agentes Autónomos Aplicação
“Data Science”

Robótica
• DIFERENCIAÇÃO:
Técnicas de Inteligência Artificial para:
i) problemas complexos requerendo aplicação ou extração de Conhecimento
ii) Modelação do raciocínio e tomada de Decisão

Eugénio Oliveira / FEUP

 INTELIGÊNCIA ARTIFICIAL

Definições de Inteligência Artificial organizada em 4 categorias

Fazer as máquinas Modelos

pensar raciocinar… Computacionais para o
estudo da (ou de acordo
com a) mente racional

Máquinas que Estudar processos

realizam funções computacionais que
agir requerendo inteligência simulam ação inteligente

humanos racionalidade
Sist. que “pensam” como humanos Sist. que “pensam” racionalmente

Sist. que “agem” como humanos Sist. que “agem” racionalmente

Eugénio Oliveira / FEUP

 INTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL : SINÓPSE CRONOLÓGICA

Refundação Antropomorfi.
"Pré-História" 1956 Clássico 1962 Romântico 1974 Pragmático 1982Difusão/Integração
1990 2000 2017
Engª do Conhecimento Computadores da 5º Agentes
Logic Theorist e G.P.S. Robótica
Geração (MITI) Emocionais
Filosofia (Lógica) (Newell&Simon&Shaw) ("Shakey") (Feigenbaum)
Hdw dedicado: KISMET
(IBM) Geometry P.S. Dendral Agentes "situados"
Matemática : Boole Controlo "Fuzzy"
Jogo de Damas Agentes
Frege ESPRIT Robóticos
(A. Samuel) IA Distribuída:
Psicologia: Behaviorismo Redes
Shakey. S.Multi-Agente Inteligência
Cognitivismo Sistemas Periciais: Neuronais
Ag. cognitivos Social /Redes
(experimentalismo W. James) Cálculo Integral (SAINT) MYCIN

Jennings
Nick
Raciocínio incerto e Data & Text
Cibernética Gramática SIR (B.Raphael)
LISP, Time-sharing A.S.. Probabilístico: Mining
Teste de Turing (McCarthy) Eliza Prospector
Minsky & Papert e a Semântica
Pesquisa+ Conhecimento
A.T. Robótica da LN + Web
(advice taker) polémica dos perceptrões Frames (Minsky) IA + Web
Teoria da Informação reactiva
Grupos: MIT (Minsky) P. da Resolução PROLOG (Colmerauer) E-Business
(SHANNON) (Brooks) Deep Blue
(A.Robinson) Intelligence
C.S.. U.Stanford (McCarthy)
COG no MIT
Perceptrão (Rosenblatt) Robô humanóide SMA
Hiperplano separando 2 Saída do (R.Brooks) Cognitivos
classes Reconhecimentode Padróes
Modelo do Neurónio Deep
S.Baseados em
Artificial Conhecimento divulgados Learning
SOAR - Newell
(McCulloch & Pits) App.
HEARSAYII- Blackboard Aprendizagem Automática
Computação neuronal ML 1ª Conf. em. AGs (Geo. Hinton
Tom Mitchell em 2006 e outros
(Doutoramento de Minsky) Stanford, “Formação antes)
de Conceitos (ML)
C omputers G.H..
Nascimento da IA:
rhum a n R easoning to
pe
Reunião do Dartmouth College
r t Know le dge, and Su
xpe
(Minsky, McCarthy, Simon,
ing C o m m on Sense, E Neocognitron AIAssistants
Bring
Newell, Shannon,..).
J.Mc.. Fukushima “The Master
M.M. Algorithm”
 PROGRAMA

PROGRAMA DE INTRODUÇÃO À INTELIGENCIA ARTIFICIAL

I INTRODUÇÃO
Objetivo
Metodologia (ensino e avaliação)
Evolução e Cronologia da Inteligência Artificial
Documentação
II NOÇÕES BASICAS
Definições: o que é a I. A. ?
Aplicações: em que domínios ?
Definições básicas de Agente
Arquiteturas de Agentes: dos Reativos aos Cognitivos

III MÉTODOS DE RESOLUÇÃO DE PROBLEMAS

Sistemas de "Produções"
Estratégias de Controlo da Pesquisa Sistemática
Encadeamento directo e inverso (Primeiro em Prof. e Primeiro em Largura)
Pesquisa irrevogável: “Subir-a-colina” ( "hill climbing“)
“Arrefecimento Simulado” (“Simulated Annealing”)
Pesquisa por tentativas: "backtracking; Pesquisa em grafo
Algoritmo “Branch and Bound” (ramifica e limita)

Eugénio Oliveira / FEUP

 PROGRAMA

III MÉTODOS DE RESOLUÇÃO DE PROBLEMAS (cont.)

Computação Evolucionária (Algoritmos Genéticos) (“ML-Evolutionaries”)

Pesquisa Heurística: "O melhor primeiro"
Algoritmo A* e decréscimo progressivo da admissibilidade
Análise Meios-Fins
Métodos de Satisfação de Restrições: Princípios da "Relaxação"
** Pesquisa em "Jogos": Procedimento Minmax
Cortes Alfa-Beta
Exemplos em Prolog de estratégias básicas:
Interpretadores primeiro-em-largura e primeiro-em-profundidade

** Apresentação pelos alunos e mini-teste de avaliação na Aula Teórica

Eugénio Oliveira / FEUP

 PROGRAMA
IV INTRODUÇÃO À REPRESENTAÇÃO DO CONHECIMENTO
Definição de um Sistema de Representação
Estruturas de Representação:
Regras de Produção; Redes Associativas
"Frames"; "Scripts"
Lógica de Predicados e Outras Lógicas
Raciocínio Inexacto:
Modelo Probabilístico (Redes Bayesianas);(“ML-Bayesians”)
Fatores de Certeza;
Modelo Dempster-Schafer;
** Lógica dos Conjuntos Difusos
Lógica: Logica Proposicional, Logica de Predicados, Lógica Intencional. (referência)
** Apresentação pelos alunos e avaliação na Aula Teórica
V ENGENHARIA DO CONHECIMENTO
Sistemas Baseados em Conhecimento
Sistemas Periciais: Caraterização
Estrutura
Rep. do Conhecimento e Meta-Conhecimento
Motor de Inferência e Geração de Explicações
Casos exemplares de Sistemas Periciais:
ORBI; SMYCIN; ARCA
Demonstrações
Sistemas Genéricos : "Shells"

Eugénio Oliveira / FEUP

 PROGRAMA

VI INTRODUÇÃO À LINGUAGEM NATURAL COMPUTACIONAL

Objetivos e dificuldades
Análises Sintática e Semântica
ATN; Redes Associativas; "Frames“; Casos Típicos (referência)
Aproximação clássica e uso da Lógica :
Gramáticas com Cláusulas Definidas; alguns ex. em Português
Gramáticas de extraposição

VII APRENDIZAGEM AUTOMÁTICA (“ML- Symbolists”)

Tipos de aprendizagem
ap. de Conceitos; ap. pelo exemplo; ap. por analogia
ap. Baseada em Explicações (EBL) :
Descrição dos Algorítmos para EBG, mEBG e IOL;
Exemplo concreto
Aprendizagem Indutiva: Algoritmos ID3 e C4.5
Exemplos de Aplicação
VIII INTRODUÇÃO ÀS REDES NEURONAIS (“ML- Connectionists”)
Princípios básicos
** Algoritmos fundamentais
Exemplo de Aplicação
** Apresentação pelos alunos e mini-teste de avaliação na Aula Teórica

Eugénio Oliveira / FEUP

 PROGRAMA

Intr. IA Métodos de Resolução de Problemas Representação SPeric

Noções Linguagem Aprendizagem
iais Simb. Automática RNA
Básicas Pesq.Sistem. AG Pesq.Heuríst.Pesq.Jogos Conhecimento Natural

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26

Lançamento Agentes, pesquisa, minimax, AG, optimização Repres. Conhec;SP LNatura Aprend.
trabalhos Acompanhamento dos Exercícios em Prolog l
e trabalhos

Eugénio Oliveira / FEUP

 BIBLIOGRAFIA

BIBLIOGRAFIA de Inteligência Artificial

Quadros tópicos disponibilizados no “sítio web” da disciplina- Eugénio Oliveira

LIVROS
• "ARTIFICIAL INTELLIGENCE: A Modern Approach", S.Russel and P.Norvig; Prentice Hall, 3rd Ed 2010

• "ARTIFICIAL INTELLIGENCE" E. Rich; K. Knight, 2nd Ed., MacGraw-Hill, 1991

• “C4.5-Programs for Machine Learning" Ross Quinlan,Morgan Kaufmann,1993
•"THE ART OF PROLOG" Sterling and Shapiro, MIT Press, 1986
• “The Master Algorithm”, Pedro Domingos, Basic Books, 2015.

• "INTELIGÊNCIA ARTIFICIAL-Fundamentos e Aplicações " E.Costa, A.Simões; FCA editores, 2004

• REVISTAS

• “Autonomous Agents and Multi-Agent Sytems”, Springer

• "ARTIFICIAL INTELLIGENCE“ Elsevier-North-Holland
• "IEEE EXPERT"
• "MACHINE LEARNING" Kluwer A.P.

Eugénio Oliveira / FEUP

 Trabalhos práticos tipo Mini-Projecto

A. Pesquisa Sistemática/Informada de Soluções

A1. Pesquisa de trajetos em redes de transportes públicos
A2. Trajeto de um robô em ambiente conhecido
A3. Pesquisa aplicada ao Problema de Alocação de Lotes de Terreno
A4. Pesquisa aplicada à resolução do jogo Rush
A5. Pesquisa aplicada à resolução do Solitário Sokoban
Métodos: Pesquisa em Profundidade, Largura, Profundidade Iterativa,
Bidireccional, Gulosa, Algoritmo A*, Heurísticas
• B. Resolução de Problemas de Otimização
B1. Otimização de Corte de Placas de madeira/vidro
B2. Otimização do Problema de Alocação de Lotes de Terreno
B3. Otimização de Horários de Motoristas dos STCP
B4. Otimização da Localização de Prontos-Socorro numa Cidade
B5. Aplicação de Algoritmos Genéticos para localização de uma Barragem
Métodos: Pesquisa Sistemática/Informada, Algoritmos Genéticos,
Pesquisa Tabu, Arrefecimento Simulado

Eugénio Oliveira / FEUP

 TRABALHOS

C. Pesquisa com Adversários – Jogos

C1. Jogo de Tabuleiro – Tic-Tac-Ku
C2. Jogo de Tabuleiro – Yinsh
C3. Jogo de Tabuleiro – Hex
C4. Jogo de Tabuleiro – Blockade
C5. Jogo de Tabuleiro – Samurai de Reiner Knizia
Métodos: Algoritmo MiniMax com Cortes Alfa-Beta e variações deste

D. Engenharia do Conhecimento e Linguagem Natural

D1. Desenvolvimento de uma "Shell" (com fuzzy)
D2. Sistema de Regras para controlo de dispositivos de Domótica, usando Jess
D3. Informações sobre voos da TAP em Linguagem Natural
D4. Informações sobre Filmes de Cinema em Cartaz em Linguagem Natural
D5. Informações sobre Restaurantes na cidade do Porto em Linguagem Natural
Métodos: Representação do Conhecimento, Raciocínio Incerto, Sistemas
Periciais, Linguagem Natural

Eugénio Oliveira / FEUP

 TRABALHOS

E. Algoritmos de Aprendizagem e Redes Neuronais

Usar WEKA ou RapidMiner sobre Data Sets como: spam/ no spam; NIST;20NEwsGroup
DS

E1. Reconhecimento de Sinais de Trânsito utilizando Redes Neuronais

E2. Aplicação de ID3 ou C4.5 à classificação de Área Destruída em Incêndio
E3. Previsão de Área destruída num incêndio utilizando Redes Neuronais
E4. Aplicação de ID3 ou C4.5 à classificação da Qualidade de Vinhos Verdes
E5. Previsão da qualidade de um Vinho Verde utilizando Redes Neuronais
Métodos: Algoritmos de Aprendizagem ID3 e C4.5, Redes Neuronais
Artificiais

Eugénio Oliveira / FEUP

 AVALIAÇÃO

• Cálculo das classificações:

– Exame 50% (mínimo 7,5 em 20)

– Frequência 50% (mínimo 7,5 em 20)

» Participação e avaliação nas Aulas 30% da freq.

» Relatório + Trabalho Intercalar 15% “
» Qualidade e Apresentação doTrabalho 40% “
» Relatório Final 15% “

Eugénio Oliveira / FEUP

 AVALIAÇÃO

• Valor da Disciplina em ECTS = 6ECTS

• 1 ECTS ~ 26-27H
• Total ~ 156-162 H

• Aulas (T +TP): 64h (4h*16s)

• Trabalho: 50h
• Estudo + preparação
de Exames 44h

Eugénio Oliveira / FEUP

 TÉCNICAS
EXEMPLOS SIMPLISTAS e intuitivos da abordagem
“orientada IA” (GOFAI): 1 2 0 O X
o 1 0 O
A- Pesquisa:
Jogo do “Tic-Tac-Toe”
0 0 0

Abordagem tradicional: Matriz M com todas as configurações possíveis de vetores (Vi)

-Algoritmo simples número ternário (configuração) à decimal

indexar nova posição na Matriz
Nova posição corresponde ao vetor resposta Vj

-Desvantagens gasto de memória; introdução de todas as situações (erros);inflexível

- Nova abordagem:
- Algoritmo:
Cálculo das próximas configurações possíveis (filhos do nodo)
encontra solução SENÃO considerar respostas possíveis para cada nó

- Desvantagem: Mais tempo (todas as sequências pe

cia
riênpossíveis antes de cada movimento)
ex
-Vantagem: Extensível, versátil (vários
e nd e
com
rjogos,heurísticas; vários níveis), menos memória
apr
çada:
Avan
Eugénio Oliveira / FEUP
 TÉCNICAS

Exemplo B: Representação do conhecimento

Reconhecimento de Letras

- Uma abordagem tradicional:

matriz analógica: Entradas: contagem de 0s e 1s da matriz analógica
tabela de “hashing” indexar padrões
(chave: nº 1s de 3 linhas da matriz e combine-as sem colisões numa f. de hashing)

B
- Desvantagens:
I J Desvios de letras significativos ou não
Existência de muitos padrões implicam colisões
lI
- Uma alternativa:
- Contar o nº de 1s em cada sub-área (ou a razão entre “1” e “0”)
- Construir vector com os resultados
- Computar distância para os padrões

Eugénio Oliveira / FEUP

 TÉCNICAS
ais
s n e uron
- Nova abordagem: e
so d e red
-Padrões como descrições de caraterísticas: n clu em u
x pe d itos i
é to dos e
os m
e Outr
a
arc (a,b) AND up(a,b) AND line(b,c) AND left(c,b) AND
c b (nil OR (line(b,d) AND down(d,b))) AND
(nil OR (line(a,e) AND up(e,a)))
d

- Algoritmo - Encontrar instâncias das primitivas (arcos, linhas)

- Relacioná-los e comparar com os padrões
- Selecionar o mais próximo

-Vantagem Permite variação de tamanhos; descrições alternativas com simplicidade

-TÉCNICAS DE IA envolvidas nos exemplos: PESQUISA E REPRESENTAÇÃO SIMBÓLICA

Eugénio Oliveira / FEUP

 TÉCNICAS

Exemplo C: Extração de Conhecimento a partir de Dados

- Dados:
- Linhas em Tabelas de Bases de Dados
- Símbolos alfanuméricos em ficheiros
- Palavras em textos (notícias, mensagens ...)

Algoritmos estatísticos que reconheçam Padrões relevantes

-TÉCNICAS DE IA : Classificação e Agrupamento por cálculo frequencista

Eugénio Oliveira / FEUP

Domínios para a INTELIGÊNCIA ARTIFICIAL

ALGUNS DOMÍNIOS DE INVESTIGAÇÃO E APLICAÇÃO

1 Compreensão Computacional da Linguagem Natural

P
compreender ≡ traduzir t r ad i cional: NL
em
Abordag
• Tratamento superficial : Análise Lexical (Ex: Eliza )
• Análise em profundidade implica: Sintática, Semântica, Pragmática

Frase: João atira a bola branca

e coocorrências
ia
F --> SN SV ad a em frequênc
ase
SN --> Qt SN1 v a ab or dagem: b
No
SN --> SN1
SN1 --> N FADJ Gramática elementar
FADJ--> nil | FADJ ADJ
SV --> V SN
N --> João | bola |…
ADJ --> branca | …
Qt --> a | o | …
V --> atira

Eugénio Oliveira / FEUP

 Domínios para a INTELIGÊNCIA ARTIFICIAL

• Interpretação Semântica fundamental para selecção da Ação

ex: Qual é o valor da Aptidão do solo à Agricultura no ponto X1,Y1

Depois da Análise sintática, a análise semântica gera:

ponto(X1, Y1, D, V), a( 3, D, V-R).

• A Ação é a produção da resposta às questões aqui definidas

(objetivos). a
it
ma is exped
Outras situações também requerendo análise semântica: Anális
e

O político mentiu sobre o assunto X à opinião negativa sobre o político

-Extração de Opiniões (“Sentiment analysis”)

-Sumarização

Eugénio Oliveira / FEUP

 Domínios para a INTELIGÊNCIA ARTIFICIAL

SISTEMAS PERICIAIS ("EXPERT SYSTEMS")

ESPECÍFICO VS GERAL

Conhecimento Vs "Inteligência"

SISTEMA SIMULADOR DO PERITO:

Uso de Conhecimento SIMBÓLICO E HEURÍSTICO
Uso de Conhecimento INCERTO, VAGO, INCOMPLETO
Acesso ao Conhecimento MODULAR
Conhecimento DEDUTIVO

Geração automática de EXPLICAÇÕES

AQUISIÇÃO do Conhecimento (eventualmente

automático)

Eugénio Oliveira / FEUP

Domínios para a INTELIGÊNCIA ARTIFICIAL

ROBÓTICA

- ARQUITETURAS: Cognitivas e Reativas; Híbridas

- PERCEÇÃO: Fusão sensorial e Interpretação de Cenas
- DECISÃO: Geração Automática de Planos
• "Frame Problem"
- Linguagens: Nível Tarefa
- Visão + Interpretação

- COORDENAÇÃO de Equipas

Eugénio Oliveira / FEUP

Domínios para a INTELIGÊNCIA ARTIFICIAL

APRENDIZAGEM, ADAPTAÇÃO E “DATA MINING”

* Indução de Regras e Classes baseada em:
- analogia; exemplos; explicações

* “Data e Text Mining”

- Representação e Criação de novo Conhecimento;
- Reconhecimento de padrões (texto, imagem, música, PERFIS)

* Adaptação progressiva à melhor solução (Alg. Evolucionários)

Classificação e agrupamento de itens; previsões:consumos, finanças….

NOVAS LÓGICAS para o Racicinio Automático
- de ordem n
- Modais e Intencionais
- temporais
- não-monótonas

Eugénio Oliveira / FEUP

 Domínios para a INTELIGÊNCIA ARTIFICIAL

ARQUITETURAS CONETIVISTAS E NEURONAIS

- Informação sub-simbólica:
• Previsão
• Controlo adaptativo (de Robôs)
• Reconhecimento de padrões (imagens, texto,…)
•Deep Structured Learning (ANN) classificação (imagens, sons…)
INTELIGÊNCIA ARTIFICIAL DISTRIBUÍDA
-AGENTES DISTRIBUÍDOS E COOPERATIVOS
Aplicações em domínios DDD:
- Gestão e análise de Redes (energia, sociais, distribuição)
- Oficinas de Produção (CIM)
- Softbots (Pesquisadores, Shopbots,...)
- Mercados Eletrónicos (Leilões, contratos)
- Instituições Eletrónicas (Empresas Virtuais,
Negociação, contratação)
- Agentes “Emocionais”
- Simulação de eco-sistemas, tráfego, desastres, ...

Eugénio Oliveira / FEUP

 Domínios para a INTELIGÊNCIA ARTIFICIAL

TUTORES INTELIGENTES
Representação de Conhecimento do domínio,
Estratégias Pedagógicas de Ensino (Itinerários de formação adaptativos)
Estratégias de Adaptação/Classificação e constituição de perfis

SIMULAÇÃO DE COMPORTAMENTOS Humanos

Arquiteturas “mentalistas” e baseadas em “Emoções”
Coordenação de equipas de entidades autónomas
Sistemas ecológicos; mobilidade rodoviária; evacuações…

COMPUTAÇÃO ECONÓMICA BASEADA EM AGENTES (ACE)

“Computational study of economic processes as dynamic
systems of interacting agents”
Modelos de mundos virtuais com leis económicas onde agentes
de vários tipos interagem e evoluem no tempo

Eugénio Oliveira / FEUP

 Introdução aos Agentes

AGENTES COMPUTACIONAIS
* Agentes são entidades computacionais dispondo de capacidade de
perceção do ambiente exterior a si (através de "sensores") e de interação
com esse ambiente (através de "efetuadores").

* Agentes usam sequências percecionais juntamente com eventual

conhecimento à priori para agirem de forma a maximizar o seu
desempenho.

* Agentes dizem-se autónomos na medida em que o seu

comportamento é baseado na sua própria experiência e perceções (e
não só na do seu criador). Além disso pode responder positiva ou
negativamente a solicitações.

Eugénio Oliveira / FEUP

 Introdução aos Agentes

Descrição "PAGE" dos Agentes:

[Perceções, Ações, "Goals" (objetivos), "Environment" (ambiente)]
Agora (PEAS- Performance measures, Environment, Actuators, Sensors)
Exemplos de Agentes

Tipo Perceção Ações Objetivos Ambiente

Sistema de Sintomas testes Saúde do Bio-sinais do
Diagnóstico Paciente Paciente
Tratamentos Minimização
Médico dosagens dos custos Tecnologia
p/ paciente Hospitalar

intensidade pegar e mesas ou

Robô localizar e
largar passadeiras
de pixeis colocar
Manip. peças correcta- com peças.
Forças mente
localizadores Juntar peças Humanos
leitura de Selecção de Computa-
Softbot Localização de pg. Web informação dores
bibliografico de páginas filtragem de relevante Internet
(ou um Web informação Web pages
comprador)

Eugénio Oliveira / FEUP

 Aplicações de AGENTES

APLICAÇÕES de AGENTES e SMA

•Gestão dinâmica de Redes de Distribuição

• Seleção de Recursos distribuídos em Empresas (por ex. de Construção)
• Mercados Eletrónicos: de Bens de consumo e de Utilidades (Eletricidade)
• Delegação de representação e negociação em Empresas Virtuais
• Pesquisadores na Web

• Gestão e Encaminhamento de Sistemas de Transportes

• Agentes Robóticos de exploração ou deslocamento
• Gestão de redes de Comunicação
• Interfaces inteligentes e emocionais (Avatares)/ Jogos/Simulações
• Sistemas Distribuídos de Apoio à Decisão

Eugénio Oliveira / FEUP

 Arquiteturas básicas

função esqueleto-agente (perceção) retorna ação

estática:memória /* a memória do mundo do agente

memória <---- atualiza_mem (memória, perceção)
ação <---- selecciona_melhor (memória)
memória <---- atualiza_mem (memória, ação)
retorna ação

Notas: a sequência de perceções é criada internamente.

A medida do desempenho é exterior ao agente

Eugénio Oliveira / FEUP

 Arquiteturas básicas

* agente mais elementar: agente_tabela

função agente_tabela (perceção) retorna ação e t r i vial
A g ent
estática: memória /* a memória do mundo do agentetabela indexada
pelas perceções. Inicialmente completamente especificada */

memória <---- atualiza_mem (memoria, perceção)

ação <---- seleciona_melhor (memoria)
memória <---- atualiza_mem (memoria, ação)
retorna ação
Desvantagens:
• enormes tabelas. Tempo de construção da tabela
• agente sem autonomia

• A IA tenta substituir a programação exaustiva por um código mais compacto

que permita gerar comportamento racional

Eugénio Oliveira / FEUP

 Arquiteturas básicas

* Um Agente com "raciocínio" pode tentar evitar estas desvantagens.

* Como construir agentes capazes de melhor mapear as perceções em ações?

* Consideremos cinco tipos de agentes:

a) Reativos simples
b) Baseados no Modelo do mundo
c) Geridos por objetivos
d) Baseados na utilidade
e) Com Aprendizagem

Eugénio Oliveira / FEUP

 Arquiteturas
1) Reativos simples : Usam um conjunto de regras "situação-ação"
* válidos quando a decisão correta é só função da perceção atual
função agente_reativo_simples( perceção ) retorna ação
persistente: regras /*conjunto de regras situação-ação */
estado <----- interpreta_input (perceção )
regra <----- selecciona (estado, regras )
ação <----- conclusão_regra (regra )
retorna ação
AGENTE Sensores

estado do
mundo A
M
B B
I
E E
próxima N
Regras:Condições->ação ação ? N
T
E
Efetuadores

Diagrama esquemático de um Agente Reacivo simples

Eugénio Oliveira / FEUP

 Arquiteturas
2) Baseados no Modelo do mundo:
A tomada da decisão implica um conhecimento prévio do mundo.

função agente_reativo_c_mem (perceção) retorna ação

persistente:estado , modelo /* descrição do estado (corrente) do mundo */
regras, ações /* conjunto de regras situação_ação */
estado <----- atualiza_estado (estado, ação,perceção, modelo)
regra <----- selecciona_regra (estado, regras)
ação <----- conclusão_regra (regra)
retorna ação /*mesma perceção -->ações diferentes,(estado do mundo) */
Sensores
estado

evolução do mundo
estado do A
mundo
M
resultados das ações B
I
E
próxima N
Regras:Condições->ação ação ?
T
E

AGENTE Efetuadores

Diagrama esquemático de um Agente com estado interno Modelando o Mundo

Eugénio Oliveira / FEUP

 Arquiteturas
3) Geridos por objetivos:

Para além da descrição do estado corrente o agente usa informação sobre os

objetivos. Implica pesquisa e planeamento. É mais flexivel pois diferentes
comportamentos são obtidos para o mesmo estado do mundo dependendo do objetivo.

Sensores

estado
estado do
mundo A
evolução do mundo M
B
evolução do mundo se I
resultados das ações
executar ação A E
N
Regras:Condições->ação
T
próxima
E
Objetivos ação ?

AGENTE Efectuadores

Diagrama esquemático de um Agente com objetivos explícitos

Eugénio Oliveira / FEUP

 Arquiteturas
4) Baseados na utilidade
Utilidades são medidas de "satisfação", para o agente, relativamente aos diversos
estados. Utilidades podem ser usadas para decidir entre objetivos em conflito ou
ainda (quando há incerteza nas ações) para medir a verosimilhança de atingir o
objetivo.
Agentes que usam a função utilidade são mais racionais.

Sensores

estado
estado do
mundo A
evolução do mundo M
B
evolução do mundo se I
resultados das ações executar acção A E
Regras:Condições->ação N
Qualoo grau
Qual graude
de T
satisfação do Agente
Medida de Utilidade satisfação
neste estado?
Agente E
neste estado

próxima
Objetivos ação ?

AGENTE Efetuadores

Diagrama esquemático de um Agente baseado em Utilidades

Eugénio Oliveira / FEUP

 Arquiteturas
5) Agentes Adaptativos
(na disciplina de AIAD)
Medida do
Sucesso

AGENTE
Sensores
Crítico
A
feedback M
alterações B
agente I
Aprendizagem
executor E
Conhecimento
Objectivos da N
Aprendizagem
T
Gerador de Sugestões E
Estados

Efectuadores

Diagrama esquemático de um Agente Adaptativo

Eugénio Oliveira / FEUP