Inteligência Artificial-Agentes Inteligentes

47
1 Agentes Inteligentes Inteligência Artificial Prof. 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

Transcript of Inteligência Artificial-Agentes Inteligentes

Page 1: 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

Page 2: Inteligência Artificial-Agentes Inteligentes

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

?

Page 3: Inteligência Artificial-Agentes Inteligentes

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

Page 4: Inteligência Artificial-Agentes Inteligentes

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

Page 5: Inteligência Artificial-Agentes Inteligentes

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 .

Page 6: Inteligência Artificial-Agentes Inteligentes

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...

Page 7: Inteligência Artificial-Agentes Inteligentes

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

Page 8: Inteligência Artificial-Agentes Inteligentes

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.

Page 9: Inteligência Artificial-Agentes Inteligentes

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)

Page 10: Inteligência Artificial-Agentes Inteligentes

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

Page 11: Inteligência Artificial-Agentes Inteligentes

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

Page 12: Inteligência Artificial-Agentes Inteligentes

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

Page 13: Inteligência Artificial-Agentes Inteligentes

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 )

Page 14: Inteligência Artificial-Agentes Inteligentes

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.

Page 15: Inteligência Artificial-Agentes Inteligentes

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

Page 16: Inteligência Artificial-Agentes Inteligentes

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

Page 17: Inteligência Artificial-Agentes Inteligentes

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

Page 18: Inteligência Artificial-Agentes Inteligentes

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

Page 19: Inteligência Artificial-Agentes Inteligentes

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

Page 20: Inteligência Artificial-Agentes Inteligentes

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

Page 21: Inteligência Artificial-Agentes Inteligentes

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

Page 22: Inteligência Artificial-Agentes Inteligentes

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

Page 23: Inteligência Artificial-Agentes Inteligentes

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

Page 24: Inteligência Artificial-Agentes Inteligentes

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

Page 25: Inteligência Artificial-Agentes Inteligentes

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

Page 26: Inteligência Artificial-Agentes Inteligentes

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

Page 27: Inteligência Artificial-Agentes Inteligentes

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

Page 28: Inteligência Artificial-Agentes Inteligentes

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

Page 29: Inteligência Artificial-Agentes Inteligentes

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

Page 30: Inteligência Artificial-Agentes Inteligentes

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

Page 31: Inteligência Artificial-Agentes Inteligentes

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, ...

Page 32: Inteligência Artificial-Agentes Inteligentes

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

Page 33: Inteligência Artificial-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

Page 34: Inteligência Artificial-Agentes Inteligentes

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 ...

Page 35: Inteligência Artificial-Agentes Inteligentes

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

Page 36: Inteligência Artificial-Agentes Inteligentes

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.

Page 37: Inteligência Artificial-Agentes Inteligentes

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, ...

Page 38: Inteligência Artificial-Agentes Inteligentes

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.

Page 39: Inteligência Artificial-Agentes Inteligentes

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.

Page 40: Inteligência Artificial-Agentes Inteligentes

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

Page 41: Inteligência Artificial-Agentes Inteligentes

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

Page 42: Inteligência Artificial-Agentes Inteligentes

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)

Page 43: Inteligência Artificial-Agentes Inteligentes

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

Page 44: Inteligência Artificial-Agentes Inteligentes

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

Page 45: Inteligência Artificial-Agentes Inteligentes

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?

Page 46: Inteligência Artificial-Agentes Inteligentes

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

Page 47: Inteligência Artificial-Agentes Inteligentes

47

Inteligência Artificial – Prof. Patrick Pedreira Silva

93

Sistemas de Informação

� Agentes inteligentes aplicados em sistemas de informação, auxiliando a tomada de decisões