Inteligência Artificial Prof. Marcos Quinet Pólo Universitário de Rio das Ostras PURO Universidade Federal Fluminense UFF

Transcrição

1 Inteligência Artificial Prof. Marcos Quinet Pólo Universitário de Rio das Ostras PURO Universidade Federal Fluminense UFF

2 No capítulo anterior... O teste de Turing; Abordagem Simbolista para a resolução de problemas da I.A.; Tentativa de formalizar a definição de I.A.; Máquina de Turing; I.A. Forte vs. I.A. fraca. 2

3 Capítulo 3 Agentes Racionais

4 Introdução Agentes Racionais Deste ponto em diante, sempre que forem referenciados sistemas de I.A. de qualquer natureza e funcionalidade, será usado o termo agente racional, ou simplesmente, agente Um agente racional é aquele que age para alcançar o melhor resultado ou, quando há incerteza, o melhor resultado esperado e possível. Um agente tem como habilidades básicas: Perceber seu ambiente por meio de sensores; Agir sobre este ambiente por intermédio de atuadores. 4

5 Estrutura básica de um agente 5

6 Processo de tomada de decisões No processo de tomada de decisões para resolver um problema, o agente emprega os seguintes elementos: Sequência de percepções: é um histórico de todas as entradas perceptivas do agente em qualquer momento dado. Se for possível especificar a escolha de ação do agente para todas as sequências de percepção possíveis, então estará definido quase tudo o que existe a dizer sobre o agente. 6

7 Processo de tomada de decisões Função do agente: descreve o comportamento do agente, mapeando qualquer sequência de percepções específica de uma ação. A escolha de ação de um agente em qualquer instante dado pode depender da sequência inteira de percepções observadas até o momento. 7

8 Processo de tomada de decisões Os dados podem ser armazenados através de um modelo chamado tabulação. A tabulação de uma função de um agente consiste de uma tabela muito grande (infinita, se não forem definidos limites sobre o comprimento das sequências) de percepções a serem consideradas para o desempenho das funções do agente. Esta é a caracterização externa do agente, isto é, o conjunto de informações do ambiente que o agente dispõe para atuar. Internamente, a função de um agente artificial é dada por sua programação. 8

9 Agente reativo - exemplo Exemplo: aspirador de pó inteligente Considerando um ambiente extremamente simples, composto de somente dois cômodos, identificados como A e B, e desconsiderando a presença de obstáculos, limitações de bateria, entre outros, o aspirador de pó é capaz de realizar o seguinte conjunto de ações: Mover-se para a direita; Mover-se para a esquerda; Aspirar; Ficar parado, sem fazer nada (modo sleep); 9

10 Agente reativo - exemplo O mundo de um, aspirador de pó, composto por apenas dois locais, A e B. 10

11 Agente reativo - exemplo Um exemplo de programação viável para o agente seria: 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; Exercício: Responda a seguinte pergunta: a programação acima para o agente é funcional? Sendo funcional, é eficiente? Justifique e, caso não a considere eficiente, proponha um novo modelo. 11

12 Percepções de um agente A construção da sequência de percepções do agente deve seguir um modelo simples, como o exemplificado a seguir: Sequência de percepções Ação [A, limpo] Direita [A, sujo] Aspirar [B, limpo] Esquerda [B, sujo] Aspirar [A, limpo], [B, limpo] Esquerda [A, limpo], [B, sujo] Aspirar [A, sujo], [B, limpo] Esquerda [A, sujo], [B, sujo] Aspirar

13 Percepções de um agente Se o agente continuar a preencher a tabela segundo este modelo, até quando ele vai poder armazenar? E como estes dados serão posteriormente utilizados? Quais as implicações práticas do armazenamento e uso destes dados? Ao responder estas perguntas, surge um novo questionamento: o que torna um agente inteligente? Ele desempenha suas ações fazendo o melhor uso possível dos recursos disponíveis? Neste ponto, é possível repensar o conceito discutido anteriormente sobre agente racional, onde foi enunciado como aquele que faz tudo certo. 13

14 Medidas de desempenho Um agente é dito racional pelo grau de sucesso que obtém ao desempenhar suas ações. Para definir este grau de sucesso são utilizadas medidas de desempenho como um critério para se medir o sucesso do comportamento de um agente. Ao projetar as medidas de desempenho de um agente, o programador deve fazê-las de acordo com o resultado realmente desejado do ambiente, ao invés de criá-las de acordo com o comportamento desejado do agente. Por exemplo, se o agente for premiado por limpar a sujeira, ele pode realizar esta ação, e quando terminar, sujar novamente o ambiente para tornar a limpá-lo. 14

15 Medidas de desempenho Apesar de parecer sem lógica, baseado no conhecimento que o aspirador possui e no fato de ser premiado ao limpar a sujeira, tal comportamento está de acordo com seu objetivo. Uma opção ao programador seria recompensar o aspirador por cada porção de área limpa e penalizálo por toda a eletricidade consumida e ruído gerado, de forma que as operações de limpeza feitas seriam somente as realmente necessárias. 15

16 Racionalidade de um agente A racionalidade de um agente baseia-se em: Medida de desempenho que define o critério de sucesso; Conhecimento anterior que o agente tem do ambiente; Ações que o agente pode executar; Sequência de percepções do agente até o momento. Para cada sequência de percepções possível, um agente racional deve selecionar uma ação que venha a maximizar sua medida de desempenho, dada a evidência fornecida pela sequência de percepções e por qualquer conhecimento interno do agente. 16

17 Racionalidade de um agente A racionalidade maximiza o desempenho esperado, mas não representa o mesmo que a perfeição. O processo de fazer uma escolha racional depende de toda a sequência de percepções disponível ao agente até o momento, pois não é possível criar algo como um agente onisciente. 17

18 Racionalidade de um agente Para maximizar o desempenho esperado, um agente dei.a. depende de: Interação com o ambiente no qual irá atuar. Para isto, deve ser capaz de realizar exploração e coleta de informações do ambiente. O agente deve ter autonomia, isto é, agir baseando-se em suas percepções, e não somente no conhecimento anterior, proveniente de seu projetista. 18

19 Especificação dos ambientes de tarefas

20 Ambiente de tarefas Este conjunto de características do ambiente de tarefas é conhecido como modelo PEAS (Performance, Environment, Actuators, Sensors), e serve como um guia do projeto, indicando os tipos de informações disponíveis e os objetivos a serem alcançados. A seguir é apresentado um exemplo de um modelo PEAS para um agente motorista de táxi. 20

21 Exemplo de ambiente de tarefas Tipo de agente Motorista de táxi Medida de desempenho Viagem segura; Rápida; Dentro da lei; Confortável; Maximizar lucros. Ambiente Atuadores Sensores Estrada; Outros tipos de tráfego; Pedestres; Passageiros. Direção; Freio; Sinais luminosos; Buzina; Câmbio. Câmeras Sonar; Velocímetro; GPS; Odômetro; Sensores do motor. 21

22 Tipos de ambiente Com o propósito de padronização dos trabalhos de pesquisa e modelagem de ambientes para problemas de I.A., foi desenvolvido um modelo de classificação para as características mais comuns e relevantes do ambiente que podem ser observadas. As classificações que um ambiente de tarefas pode receber são apresentadas a seguir 22

23 Tipos de ambiente Completamente observável ou parcialmente observável No ambiente completamente observável, os sensores detectam a cada instante todos os aspectos que são relevantes para a escolha da ação. Em um ambiente parcialmente observável, nem todos estes dados estão disponíveis devido a ruídos, causados por sensores imprecisos ou simplesmente por parte dos estados estarem ausentes nos dados do sensor. 23

24 Tipos de ambiente Determinístico ou estocástico Em um ambiente determinístico, o próximo estado do ambiente é determinado pelo estado atual e pela ação executada pelo agente. Ambientes estocásticos são normalmente parcialmente observáveis, sendo normalmente mais complexos. 24

25 Tipos de ambiente Episódico ou sequencial Em um ambiente episódico, a experiência do agente é dividida em episódios atômicos (o episódio seguinte não depende das ações executadas em episódios anteriores). Estático ou dinâmico Um ambiente dinâmico é aquele que pode se alterar enquanto um agente está deliberando (decidindo sobre a realização de uma ação). 25

26 Tipos de ambiente Discreto ou contínuo Referem-se ao modo como o tempo e as percepções do agente são tratados; em ambientes discretos, é observado um número finito de estados distintos (p. ex., como os possíveis movimentos em um jogo de xadrez). Em ambientes contínuos, tempo e espaço são tratados em intervalos de valores contínuos (p. ex., um carro em aceleração, tanto sua velocidade quanto sua posição em uma pista são tratados através de valores em um espaço contínuo). 26

27 Tipos de ambiente Agente único ou multiagente. Refere-se ao número de agentes presentes no ambiente trabalhando em um mesmo problema. Ambientes multiagente podem ainda ser caracterizados como competitivos oucooperativos. Se houverem vários agentes em um mesmo ambiente, cada um trabalhando em um problema distinto e sem interferir com os demais, são considerados agentes únicos 27

28 Exercício - Defina o ambiente PEAS para os seguintes agentes. Tipos de agentes Sistema de diagnóstico médico Robô de seleção de peças Medida de desempenho Ambiente Atuadores Sensores Controlador de refinaria 28

29 Determine as características de cada ambiente do exercício anterior Ambiente Total ou parcialmente Observável Determinístico / Estocástico Episódico / Seqüencial Estático / Dinâmico Discreto / Contínuo Agentes Sistema de diagnóstico médico Robô de seleção de peças Controlador de refinaria 29

30 Estrutura de um agente 30

31 Estrutura de um agente Até o momento, o comportamento de um agente é definido pela ação executada após uma sequência de percepções específica, ou seja, existe um programa do agente, que implementa a função do agente, mapeando percepções em ações. Um agente é definido por sua arquitetura (um dispositivo de computação com sensores e atuadores) e uma programação para desempenhar ações segundo informações coletadas do ambiente. 31

32 Estrutura de um agente A estrutura básica de um programa de agente consiste no recebimento de uma percepção do ambiente como entrada, através dos sensores, e retornam uma ação, através dos atuadores. A seguir está representada a estrutura básica de um algoritmo para um agente básico. 32

33 Estrutura de um agente função AGENTE- DIRIGIDO- POR-TABELA(percepção) retorna uma ação variáveis estáticas: percepções, uma sequência, inicialmente vazia tabela, uma tabela de ações, indexada por sequências de percepções, de início completamente especificada anexar percepção ao fim de percepções ação ACESSAR (percepções, tabela) retornar ação 33

34 Tipos de agentes 34

35 Agentes reativos simples O modelo mais elementar de agents selecionam as ações a serem aplicadas baseando-se somente na percepção atual que obtém do ambiente, ignorando o restante do histórico, que pode até não existir. Utiliza regras simples, do tipo condição-ação. Ex.: se carro_frente_está_freando então começar_a_frear Modelo muito simples, mas de inteligência muito limitada. Só é capaz de funcionar adequadamente se a decisão correta puder ser tomada com base apenas na percepção atual do agente. A figura a seguir ilustra a estrutura interna de um agente reativo simples. 35

36 Agentes reativos simples 36

37 Agentes reativos baseados em modelos Neste modelo, o agente mantém um estado interno que depende do histórico de percepções. Esta característica tem como objetivo refletir aspectos que não são observados através de coleta de informações através de percepções somente do mundo atual, tais como: A forma como o mundo evolui, independente das ações do agente; A forma como as ações do próprio agente afetam o mundo; 37

38 Agentes reativos baseados em modelos Através da percepção atual coletada mais o estado interno prévio, o agente possui a capacidade da geração de uma descrição atualizada do estado atual do ambiente, inferindo se as mudanças ocorridas foram devidas a suas ações ou a mudanças do próprio ambiente. A figura a seguir ilustra este modelo de agente. 38

39 Agentes reativos baseados em modelos 39

40 Agentes baseados em objetivos Agentes baseados em objetivos funcionam a partir de uma descrição específica e detalhada de um objetivo a ser atingido para descrever situações desejadas. Apenas o estado atual não é suficiente para o agente fazer uma escolha que o leve a uma decisão correta. Um objetivo definido associado aos resultados de possíveis ações leva o agente a decidir por um conjunto de ações que o possibilite alcançar um objetivo. Este modelo de agente funciona tanto para problemas simples (que o objetivo pode ser atingido com uma única ação) quanto para complexos (são necessárias longas sequências de ações para se atingir o objetivo requer as capacidades de busca e planejamento). 40

41 Agentes baseados em objetivos Adicionalmente, não utiliza o mapeamento direto de percepções para ações (condição-ação), como um agente reativo opera. Para um agente baseado em objetivo, a ação depende de como o mundo evolui. Por exemplo, um agente reativo simples para a condução de um veículo, se capta a luz de freio do veículo a sua frente acionada, esta percepção pode estar mapeada para uma ação freia. Um agente baseado em objetivo, pode ter para a mesma percepção, uma reação de diminuir velocidade, que pode ser realizada de várias formas diferentes, podendo ser cada uma mais apropriada para diferentes situações. 41

42 Agentes baseados em objetivos Trata-se de um modelo bastante flexível, pois o conhecimento que apóia suas decisões é representado explicitamente, e pode ser modificado. A figura a seguir ilustra o modelo para um agente baseado em objetivos 42

43 Agentes baseados em objetivos 43

44 Agentes baseados na utilidade Objetivos, analisados de maneira isolada, podem ter várias formas de serem cumpridos. Por exemplo, ainda utilizando o exemplo do motorista de táxi, ele pode ter formas mais rápidas, mais econômicas, mais seguras, etc., de se cumprir um determinado trajeto. Em situações como esta, um determinado estado pode ser preterido em detrimento a outros se estiver definido um maior grau de utilidade ao agente. A definição de uma função de utilidade mapeia um estado (ou uma sequência deestados) em um número real. 44

45 Agentes baseados na utilidade Este modelo permite o agente inferir decisões racionais para situações que apresentem objetivos contraditórios: a função de utilidade especifica qual o objetivo apropriado. No caso de haverem vários objetivos a serem alcançados, mas nenhum pode ser atingido com certeza, a probabilidade de sucesso pode ser ponderada em relação à importância previamente estabelecida de cada um dos objetivos. O modelo proposto para um agente baseado na utilidade é apresentado a seguir 45

46 Agentes baseados na utilidade 46

47 Agentes com aprendizagem O modelo mais completo e complexo de agentes de I.A. surgiu nas primeiras idéias de Turing sobre o tema em 1950: construir máquinas dotadas de capacidade de aprendizado para que pudessem posteriormente ser ensinadas. O modelo proposto por Turing levou ao estabelecimento no agente ilustrado a seguir 47

48 Agentes com aprendizagem 48

49 Agentes com aprendizagem A modelagem de um agente para esta categoria se baseia em que o agente seja capaz de operar em ambientes inicialmente desconhecidos, e que com o passar do tempo, ele vá se tornando mais competente, uma resposta natural a interação com o ambiente associada a uma capacidade de aprendizado. Neste modelo são observados os seguintes elementos: Elemento de aprendizado: responsável pela execução de aperfeiçoamentos. Elemento de desempenho: responsável pela seleção de ações externas a partir de percepções. 49

50 Agentes com aprendizagem Crítico: diz ao elemento de aprendizado como o agente está funcionando e como o elemento de desempenho deve ser modificado no futuro. É responsável por definir como o agente está se comportando em relação a um padrão fixo de desempenho, definido pelo usuário/desenvolvedor. Conceitualmente, é colocado fora do agente, pois este não deve modificá-lo para alterá-lo ao seu próprio comportamento. 50

51 Agentes com aprendizagem Gerador de problemas: sugere ações que levam o agente a experiências novas e informativas. Garante a existência de um caráter exploratório ao agente, o que permite que ele execute ações que não são ótimas a curto prazo, mas que podem levar a descoberta de ações muito melhores a longo prazo. Padrão de desempenho: elemento externo ao agente (pois ele não pode ajustá-lo ao seu comportamento) responsável por fornecer ao agente informações sobre os seus resultados, sendo usado para o agente qualificar suas ações, através de um modelo de realimentação direta. Pode estabelecer recompensas ou penalidades, dependendo da qualidade dos estados gerados pelas ações do agente. 51