Inteligência Artificial-Agentes Inteligentes
-
Upload
api-3744005 -
Category
Documents
-
view
16.647 -
download
69
Transcript of Inteligência Artificial-Agentes Inteligentes
1
Agentes Inteligentes
Inteligência ArtificialProf. Patrick Pedreira Silva
Inteligência Artificial – Prof. Patrick Pedreira Silva
2
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
3
Agentes� Definição:
� Um agente é tudo que pode ser considerado como capaz de perceber seu ambiente por meio de sensores and agirsobre 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
4
Arquitetura genérica de um Agente
sensores Agente
atuadores
a m
b i
e n
t e
?
3
Inteligência Artificial – Prof. Patrick Pedreira Silva
5
Percepção, Seqüência de Percepções e Ações� Percepção: entradas perceptivas do agente em qualquer
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 percepçõesespecífica 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 concretarelacionada à arquitetura do agente para produzir f
agente = arquitetura + programa
Inteligência Artificial – Prof. Patrick Pedreira Silva
6
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 estiversujo, então aspirar, caso contrário mover-se para o outro quadrado
4
Inteligência Artificial – Prof. Patrick Pedreira Silva
7
Tabela parcial de uma função de agente simples
......
Aspirar[A,Limpo], [A,Limpo], [A,Sujo]
Direita[A,Limpo], [A,Limpo], [A,Limpo]
......
Aspirar[A,Limpo], [A,Sujo]
Direita[A,Limpo], [A,Limpo]
Aspirar[B,Sujo]
Esquerda[B,Limpo]
Aspirar[A,Sujo]
Direita[A,Limpo]
AçõesSeqüência de percepções
Tabulação parcial da função do agente aspirador de pó
Inteligência Artificial – Prof. Patrick Pedreira Silva
8
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 maiorsucesso.
� 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 barulhogerado, etc.
� Medidas de desempenho devem ser projetadas de acordocom o resultado realmente desejado no ambiente em vez de criá-las de acordo com o comportamento esperado do agente
5
Inteligência Artificial – Prof. Patrick Pedreira Silva
9
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:
Inteligência Artificial – Prof. Patrick Pedreira Silva
10
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 .
6
Inteligência Artificial – Prof. Patrick Pedreira Silva
11
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
Inteligência Artificial – Prof. Patrick Pedreira Silva
12
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 de avião...
7
Inteligência Artificial – Prof. Patrick Pedreira Silva
13
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 obterinformações úteis (coleta de informações, exploração de um ambiente desconhecido)� ex.: olhar antes de atravessar a rua a ação de
olhar maximiza o desempenho
Inteligência Artificial – Prof. Patrick Pedreira Silva
14
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
8
Inteligência Artificial – Prof. Patrick Pedreira Silva
15
Autonomia� Um agente é autônomo se seu comportamento é
determinado por sua própria experiência, seu próprioconhecimento
� Agentes sem autonomia se baseiam exclusivamenteno 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 aprendere adaptar para compensar um conhecimento prévioparcial ou incorreto
Inteligência Artificial – Prof. Patrick Pedreira Silva
16
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.
9
Inteligência Artificial – Prof. Patrick Pedreira Silva
17
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
18
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)
10
Inteligência Artificial – Prof. Patrick Pedreira Silva
19
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
Inteligência Artificial – Prof. Patrick Pedreira Silva
20
Agente de Policia
Ambiente
Agenteraciocínio
Conhecimento:- leis- comportamento dos indivíduos,...
Objetivo:- fazer com que as leis sejam respeitadas
Ações:- multar- apitar- parar, ...
execuçãopercepção
11
Inteligência Artificial – Prof. Patrick Pedreira Silva
21
Sistema de dignóstico médico
�Medida de desempenho: pacientesaudável, minimizar custos, processosjudiciais
�Ambiente: paciente, hospital, equipe�Atuadores : exibir perguntas, testes,
diagnósticos, tratamentos, indicações�Sensores : entrada pelo teclado de
para sintomas, descobertas, respostasdos pacientes
Inteligência Artificial – Prof. Patrick Pedreira Silva
22
Robô de seleção de peças
�Medida de desempenho: Porcentagensde peças em bandejas corretas
�Ambiente: Correia transportadora com peças, bandejas
�Atuadores : Braço e mãos articulados�Sensores : câmera, sensores
angulares articulados
12
Inteligência Artificial – Prof. Patrick Pedreira Silva
23
Instutor de espanhol interativo
�Medida de desempenho: maximizanota de aluno em teste
�Ambiente: conjunto de alunos, testes de agência
�Atuadores : exibir exercícios, sugestões, correções
�Sensores : entrada pelo teclado
Inteligência Artificial – Prof. Patrick Pedreira Silva
24
Exemplos de agentesAgente Dados
perceptivos Ações Objetivos Ambiente
Diagnóstico médico
Sintomas, paciente, exames
respostas, ...
Perguntar, prescrever exames,
testar
Saúde do paciente, minimizar custos
Paciente, gabinete, ...
Análise de imagens de
satélite
Pixels imprimir uma categorização
categorizar corretamente
Imagens de satélite
Tutorial de português
Palavras digitadas
Imprimir exercícios, sugestões,
correções, ...
Melhorar o desempenho do
estudante
Conjunto de estudantes
Filtrador de mails
mensagens Aceitar ou rejeitar mensagens
Aliviar a carga de leitura do usuário
Mensagens, usuários
Motorista de taxi
Imagens, velocímetro,
sons
brecar, acelerar, dobrar, falar com
passageiro, ...
Segurança, rapidez, economia,
conforto,...
Ruas, pedestres, carros, ...
Músico de jazz Sons seus e de outros músicos,
grades de acordes
Escolher e tocar notas no andamento
Tocar bem, se divertir, agradar
Musicos, publico, grades
de acordes
13
Inteligência Artificial – Prof. Patrick Pedreira Silva
25
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,...
Inteligência Artificial – Prof. Patrick Pedreira Silva
26
Propriedades dos ambientes� Completamente observável (vs. parcialmente
observável): Os sensores do agente permitemacesso ao estado completo do ambiente emcada instante de tempo, isto é, todos os aspectos relevantes para a escolha da ação .
� Determinístico (vs. estocástico): O próximoestado do ambiente é complementedeterminado pelo estado atual e pela açãoexecutada pelo agente. (Se o ambiente édeterminístico exceto pelas ações de outrosagentes, dizemos que o ambiente éestratégico )
14
Inteligência Artificial – Prof. Patrick Pedreira Silva
27
Propriedades dos ambientes� Episódico (vs. sequencial): A experiência do
agente é dividida em"episódios" atômicos(cadaepisódio consiste na percepção do agente, e depois na execução de uma única ação), e a escolha da ação em cada episódio só dependedo 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
28
Propriedades dos ambientes� Discreto (vs. continuo): Um número
distinto e claramente definido de percepções e ações .
� Agente único (vs. multiagente): Um agenteque opera sozinho no ambiente.
15
Inteligência Artificial – Prof. Patrick Pedreira Silva
29
Tipos de ambientes
� O tipo de ambiente determina o projeto do agente
� O mundo real é parcialmente observável, estocástico, seqüencial, dinâmico, contínuo, multi-agente
Inteligência Artificial – Prof. Patrick Pedreira Silva
30
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 arquiteturaAGENTE = ARQUITETURA + PROGRAMA
16
Inteligência Artificial – Prof. Patrick Pedreira Silva
31
Programas agentesfunction 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)
Inteligência Artificial – Prof. Patrick Pedreira Silva
32
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
17
Inteligência Artificial – Prof. Patrick Pedreira Silva
33
Tipos de agentes� Podemos classificar os agentes em tipos básicos
levando em conta sua arquitetura:
� Agente dirigido por tabela� Agente reativo simples� Agente reativo baseado em modelos � Agente baseado em objetivos � Agente baseado em utilidade � Agente com aprendizagem autonomia
complexidade
Inteligência Artificial – Prof. Patrick Pedreira Silva
34
Agente dirigido por tabela
ambiente
sensores
atuadores
TabelaPercepções ações....
Agente
� 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
� Ambientes� Somente é viável construir tabelas para ambientes muito pequenos e
limitados
18
Inteligência Artificial – Prof. Patrick Pedreira Silva
35
Agente dirigido por tabelafunction 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
Inteligência Artificial – Prof. Patrick Pedreira Silva
36
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
ao método de Newton
19
Inteligência Artificial – Prof. Patrick Pedreira Silva
37
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
38
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 condição-ação
� Criar um conjuntos de regras para cada ambiente de tarefa
20
Inteligência Artificial – Prof. Patrick Pedreira Silva
39
Funcionamentofunction AGENTE-REFLEXO-SIMPLES(percepção):
açãostatic : regras (um conjunto regra condição-ação)
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 � Retorna a primeira regra que "casou" com a descrição do estado
Inteligência Artificial – Prof. Patrick Pedreira Silva
40
Agente Reativo Simples
Agente sensores
atuadores
Qual a aparência atual do mundo?
Que ação devo executar agora? Regras “condição-ação”a
m b
i e
n t e
21
Inteligência Artificial – Prof. Patrick Pedreira Silva
41
Agente aspirador de pó
função AGENTE-ASPIRADOR-DE-PÓ-REATIVO([posição,estado]) retorna uma ação
se estado=Sujo então retorna Aspirarsenão se posição=A então retorna Direitasenão se posição=B então retorna Esquerda
Inteligência Artificial – Prof. Patrick Pedreira Silva
42
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
22
Inteligência Artificial – Prof. Patrick Pedreira Silva
43
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
44
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
23
Inteligência Artificial – Prof. Patrick Pedreira Silva
45
Funcionamentofunction 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
Inteligência Artificial – Prof. Patrick Pedreira Silva
46
Agente reativo baseado em modelo
sensores
Agente
Qual é a aparência atual mundo?
Regras “condição-ação”
estado : como o mundo era antes
como o mundo evolui
atuadores
Que ação devo executaragora?
a m
b i
e n
t e
impacto de minhas ações
24
Inteligência Artificial – Prof. Patrick Pedreira Silva
47
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)
Inteligência Artificial – Prof. Patrick Pedreira Silva
48
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
25
Inteligência Artificial – Prof. Patrick Pedreira Silva
49
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
Inteligência Artificial – Prof. Patrick Pedreira Silva
50
Agente baseado em objetivo
sensoresAgente
Qual a aparência atual domundo?
Objetivos
como o mundo evolui
atuadores
Que ação devo executaragora?
a m
b i
e n
t e
impacto de minhas açõesQual será a aparência se forexecutada a ação A?
estado : como o mundo era antes
26
Inteligência Artificial – Prof. Patrick Pedreira Silva
51
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
52
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 utilidadepara o agente
27
Inteligência Artificial – Prof. Patrick Pedreira Silva
53
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
Inteligência Artificial – Prof. Patrick Pedreira Silva
54
Agente baseado em utilidadesensores
atuadores
Agente
Qual a aparência atual domundo?
Que ação devo executar agora?Função de Utilidade
qual é o impacto de minhas ações
como o mundo evolui
Este novo mundo é melhor?
Qual será a aparência se forexecutada a ação A?
estado : como o mundo era antes
a m
b i
e n
t e
28
Inteligência Artificial – Prof. Patrick Pedreira Silva
55
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 permitirEx. 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
56
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 éalgo bom
� O agente não deverá modificá-lo
29
Inteligência Artificial – Prof. Patrick Pedreira Silva
57
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
Inteligência Artificial – Prof. Patrick Pedreira Silva
58
Agentes com aprendizagem
sensores
atuadores
Agente
Gerador de problemas
crítico
elemento de aprendizagem
avaliação
objetivos de aprendizagem
elemento de desempenho (agente)
trocas
conhecimento
a m
b i
e n
t e
30
Inteligência Artificial – Prof. Patrick Pedreira Silva
59
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 superfícies
Inteligência Artificial – Prof. Patrick Pedreira Silva
60
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
31
Inteligência Artificial – Prof. Patrick Pedreira Silva
61
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
Inteligência Artificial – Prof. Patrick Pedreira Silva
62
IA Distribuída: dois tipos de sistemas
1
53
4
8
6
7
2
1
5
3
4
8
6
7
2� 1
53
4
8
6
7
2
� 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, ...
32
Inteligência Artificial – Prof. Patrick Pedreira Silva
63
Questões� Questões centrais
� comunicação� negociação (ex. compra-venda na Web)� estados mentais� crença, ...
� Tensão (trade-off)� Quanto mais agentes, mais simples (sub-
dividido) fica o problema � No entanto, mais complexa fica a comunicação e
coordenação entre os agentes
Inteligência Artificial – Prof. Patrick Pedreira Silva
64
além das fronteiras da IA....
Técnicas & ProblemasAntes....
programas
IA
programas
Agora
agentes móveis,agentes de software,robôs, ...
agentes inteligentes
33
Inteligência Artificial – Prof. Patrick Pedreira Silva
65
Propriedades� Autonomia (IA)
� raciocínio, comportamento guiado por objetivos � reatividade
� Adaptabilidade & aprendizagem (IA)
� Comunicação & Cooperação (IA)
� Personalidade (IA)
� Mobilidade
Inteligência Artificial – Prof. Patrick Pedreira Silva
66
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
do ambiente
34
Inteligência Artificial – Prof. Patrick Pedreira Silva
67
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
68
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 ...
35
Inteligência Artificial – Prof. Patrick Pedreira Silva
69
Alguns exemplos de aplicações de agentes inteligentes....
Inteligência Artificial – Prof. Patrick Pedreira Silva
70
Classes de tarefas das aplicações
Interpretação Inferindo descrições das situações por observações
Predição Inferindo prováveis conseqüência de dadas situações
Diagnóstico Inferência de mal funcionamento do sistemapor observações
Projeto Configurando objetos sobre restrição
Planejamento Desenvolvimento de plano(s) para realização de objetivo(s), meta(s)
Monitoramento monitorando objetos e detectando exceções
Classe Problemas Abordados
36
Inteligência Artificial – Prof. Patrick Pedreira Silva
71
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, ...
Inteligência Artificial – Prof. Patrick Pedreira Silva
72
Aplicações em computação� Internet� Redes e Sistemas Distribuídos� Banco de dados� Engenharia de software� Interfaces� Robótica � Jogos� Hardware (projeto e análise)� Etc.
37
Inteligência Artificial – Prof. Patrick Pedreira Silva
73
Categorias de Agentes na Internetpor 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.
Inteligência Artificial – Prof. Patrick Pedreira Silva
74
Agentes de BuscaAgentes de BuscaArquitetura
BrowserConsulta
Resposta
Servidor de Consultas Base de
Índices
Search EngineUsuário
Busca
WebWeb)--(
Robô
Indexing Engine
Exemplos : Google, AltaVista, Lycos, Excite, ...
38
Inteligência Artificial – Prof. Patrick Pedreira Silva
75
Busca de informação na Web
� Localizaçao de informação relevante� Modelagem de interesses de um usuário particular
Inteligência Artificial – Prof. Patrick Pedreira Silva
76
Agentes que filtram InformaçãoArquitetura
Browser
Agente de Filtragem
InternetInternet
Servidor de News
Indexing Engine
ArtigosIndexados
Perfil dousuário
• Filtram as informações encontradas de acordo com o perfil do usuário.
39
Inteligência Artificial – Prof. Patrick Pedreira Silva
77
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
BrowserConsulta
Resposta
Servidor de Consultas Base de
Índices
Search EngineUsuário
Softbot
Perfil do usuário
Inteligência Artificial – Prof. Patrick Pedreira Silva
78
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.
40
Inteligência Artificial – Prof. Patrick Pedreira Silva
79
Agentes de Entrega Off-line� Agentes que filtram informação.� Exemplo: Pointcast
� Serviço de divulgação denotícias
Inteligência Artificial – Prof. Patrick Pedreira Silva
80
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
Session Log Padrões de Conversação
ChatterBot
Usuário
41
Inteligência Artificial – Prof. Patrick Pedreira Silva
81
Agentes de Chat
Robôs de conversação
Inteligência Artificial – Prof. Patrick Pedreira Silva
82
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
42
Inteligência Artificial – Prof. Patrick Pedreira Silva
83
Modelo de compra
� identificação da necessidade� recomendação de produtos� pesquisa de mercado
� negociação� compra e envio� serviço e avaliação de produtos
MEDIADOSPOR AGENTES
Agent-Mediated Electronic Commerce
Inteligência Artificial – Prof. Patrick Pedreira Silva
84
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 preçoespecífico)
43
Inteligência Artificial – Prof. Patrick Pedreira Silva
85
Recomendação de produtos� Agentes de recomendação
� exemplos:� amazon.com, barnesandnoble.com, ZDNet.com,
mylaunch.com, personalogic - AOL,...
Inteligência Artificial – Prof. Patrick Pedreira Silva
86
Pesquisa de mercado� Agentes de comparação.
� exemplos: � Buscapé, bargainfinder, jango (excite), fido. miner
(uol), priceline
44
Inteligência Artificial – Prof. Patrick Pedreira Silva
87
Agentes de negociação
agentede compra
consumidor agentesde venda
lojas
Inteligência Artificial – Prof. Patrick Pedreira Silva
88
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
45
Inteligência Artificial – Prof. Patrick Pedreira Silva
89
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
90
Automação de sistemas complexos
� Como modelar os componentes do sistema e dar-lhes autonomia?
� Como assegurar uma boa comunicação e coordenação entre estes componentes?
46
Inteligência Artificial – Prof. Patrick Pedreira Silva
91
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
92
Controle de robôs
� Navegação segura e eficiente, estabilidade, manipulação fina e versátil
Robô ASIMO
47
Inteligência Artificial – Prof. Patrick Pedreira Silva
93
Sistemas de Informação
� Agentes inteligentes aplicados em sistemas de informação, auxiliando a tomada de decisões