Agentes Inteligentes Inteligência Artificial Prof. Patrick Pedreira Silva
Principais pontos abordados Agentes Racionalidade PEAS (Desempenho, Ambiente, Atuadores, Sensores) Tipo Tiposs de agent agentes es Proprieda edades des de ambie ambiente ntess Propri Aplicaç Aplicações ões de agente agentess
2 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
1
Agentes
Definição:
Um agente é tudo que pode ser ser considerado considerado como capaz capaz de perceber seu ambiente por meio de sensores and agir sobre esse ambiente por intermédio de atuadores
Exemplos:
Agente humano: olhos, ouvidos e outros órgão como sensores; mãos, pernas, boca e outras partes do corpo como atuadores Agente Robótico: câmeras e detectores de infravermelho como sensores; e vários motores como atuadores Agente de Software: teclado, arquivos, pacotes da rede, impressora, vídeo, ... (sensações ( sensações e ações estão 3 codificados em bits) Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Arquitetura genérica de um Agente
e t n e i b m a
sensores
Agente
? atuadores
4 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
2
Percepção, Seqüência de Percepções e Percepção Ações: entradas perceptivas do agente em qualquer Percepção:
momento (obtidas por meio dos d os sensores) Seqüência de percepções: percepções: história completa de tudo o que o agente agente já percebe percebeu u A escolha de uma ação de um agente em qualquer instante pode depender depender da seqüência inteira inteira de percepção percepção até o momento
A fun função ção de agent agentee mapeia mapeia qualque qualquerr sequên sequência cia de percep percepçõe çõess específ específica ica para para uma ação 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 pro program gramaa de agente agente é uma impleme implementa ntação ção concre concreta ta relacio relacionad nadaa à arquitetura do agen agente te para para produz produzir ir f agente agente = arquit arquitetu etura ra + progra programa ma
5
Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Exemplo: o mundo do aspirador de pó
Percepções: Percepções: localizaçã localização o e conteúdo, conteúdo, ex.:., [A,Sujo] [A,Sujo] Ações: Esquerda, Direita, Aspirar , NãoFazerNada Funç Função ão do agen agente: te: se o quad quadrad rado o atual atual estive estiver r sujo sujo,, então então aspi aspira rar, r, caso caso cont contrá rári rio o move moverr-se se para para o outro outro quadra quadrado do
6 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
3
Tabela parcial de uma função de agente Seqüência de simples percepções Ações [A,Limpo] [A,Sujo] [B,Limpo] [B,Sujo] [A,Limpo], [A,Limpo] [A,Limpo], [A,Sujo] ... [A,Limpo], [A,Limpo], [A,Limpo] [A,Limpo], [A,Limpo], [A,Sujo]
Direita Aspirar Esquerda Aspirar Direita Aspirar ... Direita Aspirar
...
... Tabulação parcial da função do agente aspirador de pó 7 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Agentes Racionais
Um agente agente deve esforç esforçarar-se se para “fazer “fazer a cois coisaa certa" certa",, base basead ado o nas nas suas suas perc percep epçõ ções es e ações ações que que ele pode pode exec execut utar ar.. A ação ação cert certaa é aque aquela la que que fará fará o agen agente te obte obterr o maio maiorr sucesso. Um age agente nte rac raciona ionall é aquel quelee que que fa faz tudo tudo certo erto.. Medid Me didaa de des desem empe penho nho(MD (MD): ): uma uma medi medida da objetiv objetivaa para para medir medir o suce sucesso sso do compo comporta rtamen mento to do agente agente Exemplo Exemplo:: medida medida de desempe desempenho nho do agente agente aspira aspirador dor de pó pode pode ser ser a quantida quantidade de de sujeir sujeiraa limpa, limpa, tempo tempo total total gasto gasto,, quantidade quantidade de eletricidade eletricidade consumida, consumida, quantidade quantidade de barulho gerado, etc. Medidas Medidas de desemp desempenh enho o devem devem ser projet projetada adass de acordo acordo com com o result resultad ado o real realme mente nte dese deseja jado do no ambie ambient ntee em vez vez de criá-l criá-las as de acor acordo do com o compo comporta rtamen mento to espera esperado do do agen agente te 8 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
4
A racionalidade depende de quatro fatores: Da medida de desempenho que define o grau de sucesso. Do conhecimento anterior que o agente tem sobre o ambiente. ambiente. Das ações que o agente pode realizar. realizar. Do histórico da percepção do agente, i.e., tudo que já foi percebido percebido pelo agente agente.. Estes 4 fatores nos levam a definição de racionalidade ideal: ideal:
9 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Agente racional ideal Definição:
Para cada seqüência de percepções possível, um agente racional deve selecionar uma ação que se espera venha a maximizar sua medida de desempenho, dada a evidência fornecida pela seqüência de percepções percepções e por qualquer conhecimento interno do agente. agente. 10 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
5
Agente aspirador de pó
Uma agente racional para o mundo do aspirador de pó:
MD: 1 ponto para cada quadrado limpo em cada unidade de tempo, ao longo de 1.000 períodos Conhece a “geografia” do ambiente, mas não sabe onde tem sujeira e nem a posição inicial.
Quadrados limpos permanecem limpos e aspirar limpa o quadrado atual As ações Esquerda e Direita movem o agente nesta direções; exceto quando isto leva o agente para fora do ambiente (fica parado)
Ações disponíveis: disponíveis: Esquerda, Direita, Apirar, NoOP (não faz nada) O agente percebe: a sua posição e se nessa posição existe 11 sujeira
Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Como os agentes devem agir?
Racionalidade x Onisciência são diferentes Onisciência poder saber os resultados de suas ações antecipadamente e com precisão Impossível de se atingir na realidade devido limitações de: Sensores Atuadores raciocinador (conhecimento, tempo, etc.)
Racionalidade ≠ Perfeição Racionalidade: maximiza o desempenho esperado Perfeição: maximiza o desempenho real Não podemos deixar de considerar um agente como racional por não levar em conta algo que ele não pode perceber ou por uma ação que que ele não é capaz de tomar tomar Exemplo: Ao atravessar uma rua o agente é atingido por uma porta12 de avião...
Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
6
Coleta de Informações
A coleta coleta de informações informações é um passo passo importante importante da racionalidade Agen Agente tess pode podem m ex exec ecut utar ar açõe açõess com com a final finalid idad adee de modi modifi fica carr perc percepç epçõe õess futur futuras as e obter obter informa informaçõe çõess úteis úteis (colet (coletaa de inform informaçõ ações, es, explor exploraçã ação o de um ambiente ambiente descon desconhec hecido ido)) ex ex.: .: olha olharr ante antess de atra atrave vess ssar ar a rua rua a açã ação o de olhar maximiza maximiza o desempenh desempenho o
13 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Aprendizagem
O agente pode ter algum conhecimento anterior Ele também pode ganhar experiência e modificar e ampliar este conhecimento Se o ambiente ambiente é previamente previamente conhecido conhecido::
O agente não precisa aprender ou perceber
Somente agir de forma correta
Mas este tipo de agente se torna muito frágil
Mudanças no ambiente podem levá-lo a falhar
Ex.: besouro do esterco e vespa sphex 14 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
7
Autonomia
Um agen agente te é autônomo se seu seu comp compor ortam tament ento oé dete determ rmina inado do por por sua sua próp própria ria ex expe peri riên ênci cia, a, seu seu próp próprio rio conhecimento Agent Agentes es sem sem autono autonomia mia se basei baseiam am ex excl clus usiva ivame ment ntee no conheci conhecimen mento to anterio anteriorr de seu projet projetist istaa Se, além deste conhecimento, o agente consegue aprender por experiência e alterar seu comportamento, ele pode ter autonomia funcional, funcional, ou seja, fugir do funcionamento que lhe foi imposto quando foi projetado Agente Agente autônomo deve deve ter a habilidade habilidade de aprender aprender e adap adapta tarr para para comp compen ensa sarr um con conhe heci cime mento nto prév prévio io parc parcia iall ou incor incorre reto to 15 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
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.
16
Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
8
O projeto de um agente inteligente
1º Passo Passo do projeto projeto de um agente 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 entender o ambiente é necessário necessário conhecer: 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
17
Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
O projeto de um agente inteligente
O projeto do agente compreende as seguintes especificações (PEAS): Medida de desempenho (Performance) Ambiente (Environment) Atuadores (Actuators) Sensores (Sensors)
18 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
9
Exemplo: Projetando um Agente Motoris Motorista ta de Taxi Taxi Automa Automatiza tizado do
Medida de desempenh Medida desempenho o: viagem viagem segura segura,, rápida rápida,, dentro dentro da lei, confortável, confortável, maximizar lucros, minimizar o consumo de combustível e desgaste, minimizar os distúrbios aos outros motoristas
Ambiente:: Estrada Ambiente Estradas, s, outros outros tipos de tráfego, tráfego, pedestres, pedestres, clientes, neve, buracos
Obs.: alguns destes objetivos são conflitantes, devendo haver compromissos
o ambiente irá determinar a dificuldade dificuldade da implementação. Quanto Quanto mais restrito o ambiente, mais fácil se torna o problema de projetá-lo.
Atuadores: Direção, acelerador, freio, sinal, buzina, Atuadores: b uzina, visor Sensores:: Câmeras, sonar, velocímetro, GPS, Sensores hodômetro, hodômetro, sensores sensores do motor, teclado teclado 19 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Agente de Policia Agente
raciocínio Conhecimento: - leis leis - comporta comportament mento o dos indivíduos,...
percepção
Objetivo: - fazer com que as leis sejam respeitadas
Ações: - mul multar tar - apita apitarr - parar, parar, ... ...
execução
Ambiente
20 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
10
Sist Sistem emaa de dign dignós ósti tico co médic édico o Medida Medida de desempen desempenho: ho: pacie paciente nte saudável, saudável, minimizar minimizar custos, custos, proces processos sos judiciais Ambiente: paciente, hospital, equipe Atua Atuado dore ress : exibir exibir perg pergun unta tas, s, teste testes, s, diagnósticos, tratamentos, indicações Sensores res : entrada pelo elo te tecl clad ado o de para sintomas, sintomas, descob descobertas, ertas, respostas respostas dos pacientes
21 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Robô Robô de sele seleçã ção o de peça peçass Medida de desempenho: desempenho: Porcentagens Porcentagens de peça peçass em band bandej ejas as cor correta retass Ambien ente te:: Corr Correi eiaa tran transp spor orta tado dora ra com com Ambi peças, bandejas Atuado dore ress : Bra Braço ço e mãos mãos arti articu cula lado doss Atua Sensor Sensores es : câmera, câmera, senso sensores res angula angulares res articu articulad lados os
22 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
11
Instut Instutor or de espan espanhol hol intera interati tivo vo Medida Medida de desempen desempenho: ho: maximi maximiza za nota de aluno em teste Ambiente: conjun conjunto to de alunos alunos,, testes testes Ambiente: de agência Atua Atuado dore ress : ex exib ibir ir ex exer ercíc cício ios, s, sugestões, correções Senso ensore ress : ent entra rad da pelo elo te tecl clad ado o
23 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Exemplos de agentes Agente
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, passageiro, ...
Segurança, Ruas, pedestres, rapidez, economia, carros, ... conforto,...
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 24
Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
12
Ambientes
Classes de ambientes
Físico: robôs Software: softbots Realidade virtual (simulação do ambiente físico): softbots e avatares
Propriedades de um ambiente
completamente observável x parcialmente observável estático x dinâmico determinístico x estocástico discreto x contínuo episódico x seqüêncial tamanho: número de agentes, percepções, ações, objetivos,...
25
Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Propriedades dos ambientes Completame Comple tamente nte obse observáv rvável el (vs. parcialmente observ observáve ável): l): Os sensore sensoress do agent agentee permit permitem em ace acesso sso ao esta estado do comp comple leto to do ambi ambieente nte em cada cada instante instante de temp tempo, o, isto isto é, é, todos todos os aspectos relevantes para a escolha da ação. ação . Determinístico (vs. estocástico): O próximo esta estado do do amb ambie ient ntee é comp comple leme ment ntee dete determ rmin inad ado o pelo pelo estad stado o at atua uall e pela pela ação ação exec ex ecut utada ada pelo pelo agente agente.. (Se o amb ambien iente te é dete determ rmin inís ísti tico co ex exce ceto to pela pelass açõe açõess de outr outros os agen agente tes, s, dize dizemo moss que o amb ambie ient ntee é estratégico)) estratégico
26
Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
13
Propriedades dos ambientes Episódico (vs. sequencial): sequencial): A experiência experiência do agen agente te é divid dividid idaa em"e em"epi pisó sódio dios" s" at atôm ômic icos os(c (cad adaa epis episód ódio io cons consis iste te na perc percep epçã ção o do agen agente te,, e depo depois is na ex exec ecuç ução ão de uma uma ú úni nica ca ação ação), ), e a escolha da ação em cada episódio só depende do próprio próprio episód episódio. io. dinâmico): O ambiente ambiente é não se Estático (vs. dinâmico): 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)
27
Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Propriedades dos ambientes Discreto (vs. continuo): Um número dist distin into to e clar claram amen ente te defi defini nido do de percepç percepções ões e ações ações.. Agen ente te ún únic ico o (vs. multiagente): Um agente Ag que opera opera sozinh sozinho o no ambient ambiente. e.
28 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
14
Tipos de ambientes
O tipo de ambiente determina o projeto do agente O mundo mundo real é parcialmen parcialmente te observável, observável, estocástico, seqüencial, dinâmico, contínuo, multi-agente 29 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
A estrutu estrutura ra de agente agentess Um agente agente é completam completamente ente especif especificado icado por uma uma função função de de agente agente que mapeia 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 sensores e atuado atuadores res físicos físicos – esse conjunto conjunto é denominad denominado o arquitetu arquitetura ra AGENTE = ARQUITETURA + PROGRAMA
30 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
15
Programas agentes ESQUELETO_DE_AGENTE(percepção):ação static : memória (memória do agente sobre o mundo)
function
memória ← ATUALIZA_MEMÓRIA(memória,percepção) ação ← ESCOLHA_A_MELHOR_AÇÃO(memória) memória ←ATUALIZA_MEMÓRIA(memória,ação) return
O programa agente recebe somente a percepção atual A função agente pode depender da seqüência de percepções inteira
ação
O agente terá que armazenar as percepções (seqüência)
A MD não faz parte do esqueleto (medida externamente) 31 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
O mapeamento ideal da seqüência de percepções para as ações
Mapeamento Mapeamento (de seqüências seqüências de percepções percepções para para ações) ações)
Mapeamento ideal
Uma tabela muito longa (na verdade infinita, mas limitada para o mundo real) de seqüências das percepções que estão sendo consideradas
Especifica qual ação um agente deve tomar em resposta a qualquer qualquer seqüência seqüência de percepçã percepção o
Exemplo:
a função raiz quadrada
a seqüência de percepção: a digitação de números a ação: mostrar o resultado correto
32
Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
16
Tipos de agentes
Podemos classificar 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 autonomia Agente com aprendizagem
complexidade 33
Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Age Agente nte diri dirigi gido do por por tabe tabela la sensores ambiente
Agente
Tabela Percepções ações .. ..
atuadores
Limitações Mesmo Problemas simples -> tabelas muito grandes – ex. xadrez: 35100 entradas Nem sempre é possível, por ignorância ignorância ou questão questão de tempo, construir construir a tabela Não há autonomia nem flexibilidade flexibilidade Uma troca inesperada no ambiente poderia resultar em falha Ambientes Somente é viável construir construir tabelas para ambientes ambientes muito pequenos e limitados Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
34
17
Agente nte dirig irigiido por por tabela bela AGENTE_POR_TABELA(percepção):ação static: percepções (uma seqüência, inicialmente vazia) tabela (uma tabela, indexada por percepção, inicialmente completamente especificada)
function
agregar (percepção) ao fim de percepções ação
←
return
PROCURA(percepções,tabela) ação
35 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Implementação do Agente Motorista de Taxi
Criar a tabela de Percepção x Ação.
50 MB de imagens por segundo (25 frames p/s, 1000x1000 pixels, 8 bits cores e 8 bits de intensidade)
Tabela com 10 250.000.000.000 entradas
Para cada imagem possível -> uma ação !
Desafio fundamental da IA:
Escrever programas que, na medida do possível, produzam um comportamento racional a partir de uma pequena quantidade de código Exemplo:
Tabelas de raízes quadradas utilizadas por engenheiros (dec. 70) Substituídas por um programa de 5 linhas que corresponde 36 ao método de Newton Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
18
Agente reativo simples
Programa muito pequeno em relação a tabela que representa a função agente
Porque descartamos o histórico de percepções
Pouca autonomia
Porque Porque se o quadro está está sujo, não não precisamos precisamos verificar a posição A entrada pode ser processada para estabelecer uma condição
Exemplo: Processar a imagem do agente motorista de de táxi e verificar verificar que “o carro da frente está freando” freando” Ao invés de ter uma tabela tab ela com cada mudança que ocorre ocorre na imagem, “interpretamo “interpretamos” s” a condição da imagem
37
Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Agente Agente reativo reativo simples simples – motoris motorista ta de táxi
Então podemos fazer conexões entre as condições de entrada e as ações correspondentes Se
carro_da_frente_está_freando então
Estas regras são chamadas de regras de condição-ação Conexões nos seres humanos:
começar_a_frear
Aprendidas: dirigir Reflexos inatos: tirar a mão do fogo, ou piscar quando algo se aproxima do olho
Projeto do agente:
Construir um interpretador de uso geral para regras de condiçãoação 38 Criar um conjuntos de regras para cada ambiente de tarefa Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
19
Funcionamento function
AGENTE-REFLEXO-SIMPLES(percepção):
ação static:
ação)
regras (um conjunto regra condição-
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 39 descrição do estado Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Age Agente nte Reat Reativ ivo o Sim Simples ples
e t n e i b m a
sensores
Agente
Qual a aparência atual do mundo? Que ação devo executar agora?
Regras “condição-ação”
atuadores
40 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
20
Agen Agente te aspi aspira rado dorr de pó função AGENTE-ASPIRADOR-DE-PÓ-REATIVO([posição,estado]) retorna uma ação se estado=Sujo então retorna Aspirar senão se posição=A então retorna Direita senão se posição=B então retorna Esquerda
41 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Limitações do Agente reativo simples
São simples, porém limitados Funcionará Funcionará somente somente se a decisão correta puder 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, predador, entretanto, entretanto, já não o veria mais e pararia de fugir. Seria interessante que esse agente pudesse saber ou estimar quando o predador realmente ficou para trás e não mais representa um perigo iminente 42 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
21
Agente reativo baseado em modelo
Como lidar com a possibilidade de d e 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 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 processo de fuga durante durante um certo tempo ele poderá estimar quando o predador realmente ficou ficou para trás e não mais representa um perigo iminente
43
Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Modelo de mundo
Modelo do mundo O conhecimento de “como o mundo funciona” Agente baseado em modelo Um agente que usa o modelo de mundo
44 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
22
Funcionamento AGENTE_REFLEXO_COM_ESTADO(percepção):ação static: estado (uma descrição do estado atual do mundo) regras (um conjunto regra condição-ação)
function
estado ← ATUALIZA-ESTADO(estado,percepção) regra ← CASAMENTO-REGRA(estado,regras) ação ← AÇÃO-REGRA[regra] return
ação
ATUALIZA ATUALIZA_EST _ESTADO ADO –> é responsá responsável vel por criar criar uma nova nova descrição do estado interno
45 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Age Agente nte re reat atiivo base baseaado em model odelo o Agente sensores e t n e i b m a
Qual é a aparência aparência atual atual mundo?
estado : como o mundo era antes como o mundo evolui impacto de minhas ações
Que ação devo executar agora?
Regras “condição-ação”
atuadores
46 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
23
Limitações do Agente reativo baseado em modelo
Conhecer Conhecer os estados estados do ambiente ambiente não é suficiente suficiente para tomar uma boa decisão Exemplo:
o agente Motorista de Táxi chega a um cruzamento com três caminhos, qual direção tomar?
Simplesmente reagir: mas existem três reações possíveis Examinar o modelo de mundo: não ajuda a decidir qual o caminho
A decisão depende de onde o táxi está tentando chegar (objetivo) 47 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Agente baseado em objetivos
O agente precisa de algum tipo de informação sobre o seu objetivo
Objetivos descrevem situações desejáveis. Ex: estar no destino
Combinando informações sobre:
O objetivo do agente Os resultados de suas ações
O agente pode escolher ações que alcancem al cancem o objetivo
A seleção da ação baseada em objetivo pode ser:
Direta: quando o resultado de uma única ação atinge o objetivo Mais complexa: quando será necessário longas seqüências de ações para atingir o objetivo 48 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
24
Agente baseado em objetivos
Para encontrar seqüências de ações que alcançam os objetivos
Algoritmos de Busca
A tomada de decisão envolve a consideração do futuro “O que acontecerá se eu fizer isso ou aquilo?” “O quanto isso me ajudará a atingir o objetivo?”
Agentes reativos: reação -> frear quando carro da frente frear Agentes baseado em objetivo: raciocínio -> carro da frente freia -> carro da frente diminui velocidade -> objetivo: não atingir outros carros -> ação para atingir objetivo: frear 49 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Age Agente nte base basead ado o em obje objettivo ivo sensores e t n e i b m a
Qual a aparência atual do mundo? Qual será será a aparência aparência se for executada a ação A?
Agente estado : como o mundo era antes como o mundo evolui impacto de minhas ações
Objetivos Que ação devo executar agora? atuadores
50 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
25
Considerações e limitações
O agente que funciona orientado a objetivos é mais flexível
Agente reflexo ações pré-compiladas (condição-ação) (condição-ação) Agente p/ objetivo pode alterar somente o objetivo sem necessidade de se reescrever as regras de comportamento
Mais flexível flexível – representaçã representação o do conhecimento conhecimento permite modificações O objetivo não garante o melhor comportamento c omportamento 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 Patrick Pedreira Silva Silva
51
Agente baseado em utilidade
Sozinhos os objetivos não são suficientes para gerar um comportamento de alta qualidade. Muitas seqüências de ações levarão o táxi até seu destin destino, o, porém.. porém.... Algumas são mais rápidas Algumas são mais seguras Algumas são mais econômicas e conômicas
Se um estado estado do mundo é mais desejável desejável que outro outro,, então então ele ele terá maior utilidade para o agente 52 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
26
Agente baseado em utilidade
função que mapeia mapeia um estado estado Utilidade é uma função
para um número real que representa o grau de satisfação satisfação com este estado. estado. A função de utilidade 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 ponderar a importânci importância a dos objetivos objetivos 53 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Age Agente nte base baseaado em uti utilida lidade de sensores
e t n e i b m a
Agente estad o o: como o mundo era antes
Qual a aparência atual do mundo? Qual será será a aparência aparência se for executada a ação A? Este novo novo mundo mundo é melhor?
como o mundo evolui qual é o impacto impacto de de minhas ações
Que ação devo executar agora? atuadores
Função de Utilidade
54 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
27
Agentes com aprendizagem
Em agentes sem aprendizagem tudo o que o agente sabe foi colocado nele pelo projetista Aprendizagem também permite ao agente atuar em ambientes totalmente desconhecidos e se tornar mais competente do que o seu conhecimento inicial poderia permitir Ex. motorista sem o mapa da cidade
Quatro componentes conceituais de um agente com aprendizagem:
Elemento de aprendizado Crítico Elementos de desempenho Gerador de problemas
55
Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
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 necessário porque porque as percepções percepções não fornecem fornecem nenhuma indicação de sucesso
Ex.: O crítico pode indicar para o agente que o xeque-mate é algo bom
O agente agente não deverá deverá modificá-lo modificá-lo
56
Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
28
Agentes com aprendizagem componentes
Elementos de desempenho:
Responsável pela seleção de ações externas Recebe percepções e decide sobre ações
Gerador de problemas:
Responsável por sugerir ações que levarão a experiências novas e informativas Ações não ótimas a curto prazo para descobrir ações ótimas a longo prazo
57 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Agentes com aprendizagem Agente sensores e t n e i b m a
crítico avaliação
trocas elemento de elemento de conhecimento desempenho (agente) aprendizagem objetivos de aprendizagem
atuadores
Gerador de problemas
58 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
29
Agente motorista de táxi com aprendizagem
Elemento de desempenho: conhecimento e procedimentos para dirigir Crítico: observa o mundo e repassa para o elemento de aprendizagem
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. É capaz de formular uma regra afirmando que que a ação foi 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 superfícies59 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Simulação do Ambiente
Às vezes é mais convenien conveniente te simular simular o ambiente 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 p ercepções corretas e recebe as ações atualiza os dados do ambiente em função dessas ações e de outros processos (ex. dia-noite) é definido definido por um estado inicia iniciall e uma função de atualização deve refletir a realidade 60 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
30
Inteligência Coletiva
Porque pensar a inteligência/racionalidade como propriedade de um único indivíduo? Não existe inteligência ...
Em um time de futebol? Em um formigueiro? Em uma empresa (ex. correios)? Na sociedade?
Solução: IA Distribuída
Agentes simples que juntos resolvem problemas complexos tendo ou não consciência do objetivo global gl obal Proposta Proposta por por Marvin Marvin Minsky Minsky e em franc francaa expansão. expansão... .. o próprio ambiente pode ser modelado como um agente 61 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
IA Distribuída: dois tipos de sistemas
Resolução distribuída de problemas
consciência do objetivo global e divisão di visão clara de tarefas Exemplos: Robótica clássica, Busca na Web, Gerência de sistemas distribuídos, ...
Sistemas Multi-agentes
não consciência do objetivo global e nem divisão clara de tarefas Exemplos: n-puzzle, futebol de robôs, balanceamento de carga, robótica, ...
3
5
7
8
1
1
2
3
4
2
6
4
5
6
7
8
3
5
7
8
1
4
2
6
62
Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
31
Questões
Questões centrais comunicação negociação (ex. compra-venda na Web) estados mentais crença, ...
Tensão (trade-off)
Quanto mais agentes, mais simples (subdividido) fica o problema No entanto, mais complexa fica a comunicação e coordenação entre os agentes 63 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
IA.... Antes....
Técnicas & Problemas Agora
programas
programas
IA
agentes inteligentes
agentes móveis, agentes de software, robôs, ...
64
Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
32
Propriedades
Autonomia (IA)
raciocínio, comportamento guiado por objetivos reatividade
Adaptabilidade & aprendizagem (IA)
Comunicação & Cooperação (IA)
Personalidade (IA)
Mobilidade 65 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Desenvolvimento de software inteligente
Projeto:
Modelar tarefa em termos de ambiente, percepções, ações, objetivos e utilidade Identificar o tipo de ambiente Identificar a arquitetura de agente adequada ao ambiente e tarefa
Implementação o gerador e o simulador de ambientes componentes do agente (vários tipos de conhecimento) Testar o desempenho com diferentes instâncias 66 do ambiente
Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
33
Agentes: como usar?
Nível de conhecimento modelagem do negócio: classe de problema, domínio,... elicitação: percepções, ações, objetivos, ambiente, conhecimento,...
Nível de formalização
análise e projeto: especificar arquitetura, escrever a base de conhecimento,...
Nível de implementação
Java, prolog, C...
o importante são os serviços oferecidos pela linguagem!
67
Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Agentes: por que e quando usar?
Tarefas
Grande complexidade (número, variedade e natureza natu reza das tarefas) Não há “solução algorítmica”, algorítmica”, mas existe conhecimento Modelagem do comportamento de um ser inteligente (autonomia, aprendizagem, conhecimento, etc.)
Algumas capacidades
Comportamento guiado por objetivos e autonomia Reatividade e raciocínio Adaptabilidade e aprendizagem Comunicação e cooperação Personalidade outros: mobilidade ...
68
Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
34
Alguns exemplos de aplicações de agentes inteligentes....
69 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Classe Classess de de tarefas tarefas das aplicaç aplicações ões Classe
Problemas Abordados
Interpretação
Inferindo descrições das situações por observações
Predição
Inferindo prováveis conseqüência de dadas situações
Diagnóstico
Inferência de mal funcionamento funcionamento do sistema por observações
Projeto
Configurando objetos sobre restrição
Planejamento
Desenvolvimento Desenvolvimento de plano(s) para realização de objetivo(s), meta(s)
Monitoramento
monitorando objetos e detectando exceções
70
Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
35
Aplicações • • • • • • • • • • •
Agri gricultura Negó Negóci cios os e fin finan ança çass Química Com Comuni unicaçõ caçõees Comércio Computação Educação Eletr etrônic nica Engenharia Meio eio ambi ambien ente te Geologia
• • • • • • • • • • •
Processamento Processamento de imagem Direito Indústria Matemática Medicina Meteorologia Militar Sistemas de potência Ciência Tecnologia espacial Transportes, ... 71
Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Aplicações em computação Internet Redes e Sistemas Distribuídos Banco de dados Engenharia de software Interfaces Robótica Jogos Hardware (projeto e análise) Etc.
72 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
36
Categorias de Agentes na Internet por Tipos de Serviços
Agentes de Busca e Recuperação de informação Agentes de Extração de Informação Agentes de Entrega Off-line Agentes Notificadores Agentes Corretores Agentes para Ensino a distância Agentes de Chat Agentes para Comércio Eletrônico etc. 73 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Agentes de Busca Arquitetura
Usuário Browser
Search Engine Consulta Resposta
Servidor de Consultas
Base de Índices
)--(
Web
Robô Indexing Engine
Busca
Exemplos: Google, AltaVista, Lycos, Excite, ...
74
Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
37
Busca de informação na Web
Localizaça Localizaçao o de informação informação relevante relevante Modelagem de interesses de um usuário u suário particular
75
Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Agentes que filtram Informação Arquitetura Browser
Servidor de News
Artigos Indexados
Perfil do usuário
Indexing Engine
Internet
Agente de Filtragem
• Filtram as informações encontradas de acordo com o perfil do usuário.
76
Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
38
Exemplos
NewsHound
Busca notícias em diversos jornais a partir do perfil dado Envia informações através de e-mail ou páginas páginas html. Utiliza critérios de relevância
MetaCrawler
Programa inteligente que usa outros engenhos de busca em prol do usuário
Usuário Browser
Search Engine Consulta
Softbot Resposta
Servidor de Consultas
Base de Índices
Perfil do usuário
77
Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Agentes Notificadores
Notifica o usuário de eventos de importância para p ara ele.
Mudança no conteúdo de uma página na Web. Mudança de endereço de uma página.
Exemplo: URLMINDER
Monitora páginas na Web e comunica aos usuários se houve mudanças nelas Checa páginas pelo menos 1 vez/dia Não faz busca recursiva de URLs.
78 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
39
Agentes de Entrega Off-line
Agentes que filtram informação. Exemplo: Pointcast
Serviço de divulgação de notícias
79 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Agentes de Chat Também chamados de Avatares Podem aparecer nas salas de Chat ou para help online “Conversam” com usuários usuários Web Web “Conversam” Alguns baseiam-se em casamento de padrões
e.g., Eliza Session Log
ChatterBot
Padrões de Conversação
Usuário 80 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
40
Agentes de Chat
Robôs de conversaçã conversação o 81 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Comércio Eletrônico
Hoje
informação marketing processam processamento ento do pedido pedido Problemas
O que comprar? Onde comprar? Quanto pagar?
Amanhã
shoppings shoppings eletrônico eletrônicos, s, com agentes representan representando do vendedores vendedores e compradores leilões, leilões, com agentes agentes fazendo fazendo lances lances
82 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
41
Model Modelo o de comp compra ra iden identi tifi fica caçã ção o da nece necess ssida idade de recomendaç dação ão de produtos produtos recomen pesqui pesquisa sa de mercad mercado o
MEDIADOS POR AGENTES
negociação compra ra e envi envio o comp serviço iço e aval avaliaç iação ão de prod produt utos os serv
Agent-Med Agent-Mediated iated Electroni Electronic c Commerce Commerce 83 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Iden Identi tifi fica caçã ção o da nece necess ssid idad adee
Agentes Agentes de notificação notificação
exemplos:
amazo amazon.c n.com om (novos (novos livros livros dispon disponíve íveis) is) fastpa fastparts rts.co .com m (novos (novos lances lances afe afetam tam os seus) seus) classified classifiedss 2000 (produto (produto específico específico disponível disponível por um preço específico)
84 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
42
Recome Recomendaç ndação ão de produto produtoss
Agent Agentes es de recomenda recomendação ção
exemplos:
amazon.com, barnesandnoble.com, ZDNet.com, mylaunch. mylaunch.com, com, personalog personalogic ic - AOL,... AOL,...
85 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Pesq Pesquis uisaa de merc mercad ado o
Agentes Agentes de compar comparaçã ação. o.
exemplos:
Buscapé, bargainfinder, jango (excite), fido. miner (uol), priceline
86 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
43
Agentes Agentes de negocia negociação ção
consumidor
agente de compra
agentes de venda
lojas
87 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Gerenciamento de redes
Onde os agentes entram? Detectando sintomas:
Detectando cenários:
Periodicamente verificando permissões etc... Periodicamente analisando o tráfego etc...
Possibilidade de oferecer “capacidade reativa” automática da rede atacada.
Desconectando o intruso; Bloqueando o tráfego para a Internet etc… Enviando mensagem para o operador do backbone
88 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
44
Data Data Mining Mining (Minera (Mineração ção de Dados 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 Bank of Amer Americ icaa
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 cervejas às sextas-fe sextas-feiras iras à tarde Wal-Mart otimizou as gôndolas gôndolas e o consumo consumo cresceu 30%
89
Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Automação de sistemas complexos
Como modelar os componentes do sistema e darlhes autonomia? Como assegurar uma boa comunicação e coordenação entre estes componentes? 90 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
45
Produção de jogos e histórias interativas
Modelagem de comportamento e personalidade per sonalidade para criar ilusão da vida Interação com usuário e um comportamento adequado
91
Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
Controle de robôs
Robô ASIMO
Navegação segura e eficiente, estabilidade, manipulação fina e versátil 92 Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
46
Sistemas de Informação
Agentes inteligentes aplicados em sistemas de informação, auxiliando a tomada de decisões
93
Inteligência Artificial – Prof. Patrick Patrick Pedreira Silva Silva
47