1.1 Considerações Iniciais e Motivações. Separação física entre professor e aluno, que a distingue do ensino presencial;

Transcrição

1 1 Capítulo 1 Introdução 1.1 Considerações Iniciais e Motivações A educação a distância é uma área de pesquisa e desenvolvimento em franca expansão. Os benefícios deste tipo de educação incluem independência de tempo e espaço. Além disto, um curso proposto dentro deste contexto pode ser usado para atingir uma quantidade expressiva de estudantes, contribuindo para a democratização do conhecimento. As principais características da EAD são [Keegan; 1991]: Separação física entre professor e aluno, que a distingue do ensino presencial; Utilização de meios técnicos de comunicação para unir o professor ao aluno e transmitir os conteúdos educativos; Possibilidade de uma comunicação de mão dupla, onde o estudante se beneficia de um diálogo, e da possibilidade de tomar iniciativas; Possibilidade de encontros ocasionais com propósitos didáticos e de socialização. Além destas, [Santos; 1996] expõe as seguintes características: O aluno ganha condições de uma entidade eminentemente ativa, através da auto-aprendizagem, mais do que no processo de ensino presencial;

2 2 O modelo é extremamente flexível, possibilitando o envolvimento dos alunos de variadas características idade, procedência, nível cultural situados em locais ou ambientes distintos, atuando individualmente ou em grupos. O potencial da Web em fornecer materiais ricos e experiências valiosas, e a possibilidade e capacidade de se adquirir mais conhecimento implicado pelo uso de tecnologias digitais são fatores de importância crescente em um mundo onde a quantidade de informação a ser aprendida cresce rapidamente e se torna obsoleta em um curto espaço de tempo [Capuano et al.; 2000]. Desta maneira, percebeu-se que com a difusão da Web tinha-se a plataforma ideal para que fosse possível levar conhecimento rapidamente a um grande número de pessoas ao redor do mundo através da Internet. A partir deste momento, as pesquisas e o desenvolvimento em EAD cresceram rapidamente resultando em grandes avanços na área com o surgimento de sistemas para educação a distância apoiada em Web (EADW). Sabe-se que a Web oferece a navegação através de hiperdocumentos pela Internet, que possui como característica principal o protocolo cliente-servidor chamado Hyper Text Transfer Protocol (HTTP) [Topke; 1999] e a linguagem Hyper Text Markup Language (HTML) [James; 1998]. O protocolo especifica como os programas se comunicam e a linguagem especifica um conjunto de primitivas que permitem a visualização dos hiperdocumentos nos navegadores. Documentos HTML são portáveis, ou seja, são independentes da plataforma de hardware e software, o que é uma importante característica para que se atinja uma maior expansão do conhecimento. Tem-se, então, um novo recurso tecnológico que permite a integração de texto, imagem, áudio e vídeo em documentos que podem ser disponibilizados em qualquer lugar, a qualquer hora e com atualização automática. Isto traz novas possibilidades à tecnologia da educação, principalmente no que se refere à criação de materiais didáticos mais eficientes e à individualização do ensino [Bica; 2000]. Além disto, os conteúdos de um curso fornecido neste contexto podem ser

3 3 atualizados rapidamente, sem a necessidade de interrupção do processo de ensino/aprendizagem. Ainda, de acordo com [Bica; 2000], a utilização dos recursos disponibilizados pela Web pode contribuir de várias formas para a melhoria de aspectos importantes de uma aula. Estas contribuições resultam principalmente em: Dinamizar as aulas expositivas: o emprego adequado de recursos multimídia (imagem, animação, som, vídeo, dentre outros) pode tornar a exposição de conteúdo mais atraente e dinâmica, aumentando o interesse dos alunos. Com o conteúdo dentro da rede, o aluno pode acessá-lo a qualquer momento, a aula estará sempre disponível, tanto para a preparação prévia do aluno como para posterior resgate de seu conteúdo; Melhorar a comunicação entre professor-aluno e entre alunos: uma aula virtual baseada na Web permite inúmeras formas de comunicação através de , bate-papo, listas de discussão, conferências de áudio e de vídeo, dentre outros; Apoiar o estudo e a pesquisa dos alunos: o conteúdo pode ser complementado com textos de vários tipos e origens. Uma das fontes possíveis é a própria rede: muitos órgãos de imprensa, universidades, organizações e empresas têm em seus sites, artigos e textos que podem ser copiados para o site da disciplina ou acessados via hyperlink. Agilizar e individualizar o processo de avaliação: com os recursos de preenchimento de formulários on-line, é possível criar um banco de testes e exercícios que pode ser individualizado e corrigido automaticamente, dando o retorno, também automático, ao aluno. Além disto, através da crescente utilização dos recursos interativos da Web, grande quantidade de sistemas de aprendizagem surgiram. Atualmente, a maioria destes sistemas se encontra em fase experimental. Eles fornecem somente um suporte limitado aos estudantes e pouquíssimos sistemas são capazes de adaptar o conteúdo do curso a um estudante particular.

4 4 Desta forma, um aspecto importante em EAD é a assistência personalizada e inteligente, como normalmente ocorre no ensino presencial. Um outro aspecto a ser observado é que estudantes neste tipo de curso podem apresentar perfis bastante diferenciados. Sendo assim, um determinado curso projetado para um determinado estudante pode não ser adequado a outros estudantes. Este é um aspecto importante, pois cada estudante tem seu próprio ritmo de aprendizagem [Dorça et al.; 2002a]. Em virtude disto, um desafio em pesquisa é o desenvolvimento de aplicações educacionais avançadas e apoiadas na Web que possam oferecer algum grau de inteligência e adaptatividade, considerando os aspectos mencionados anteriormente. É importante ressaltar que diferentes autores em diferentes áreas de pesquisa têm utilizado o termo adaptatividade. Dependendo do contexto, os objetivos propostos por este termo variam [Oppermann et al.; 1997]. De acordo com Oppermann, adaptabilidade é a capacidade do sistema em permitir que o usuário alterar certos parâmetros do sistema, modificando seu comportamento. Ainda, Oppermann divide a adaptabilidade em dois tópicos principais. O primeiro, a adaptação de funcionalidades, inclui opções para adaptação do conjunto e do comportamento dos recursos do sistema, permitindo ao usuário ativar, desativar e configurar alguns recursos conforme o desejado. O segundo, adaptação de interface, inclui opções para que o usuário modifique a forma de acesso aos recursos do sistema, sua interatividade, e o layout da tela do sistema. Em contrapartida, a adaptatividade é a capacidade do sistema em se adaptar ao usuário automaticamente, baseado em inferências sobre as necessidades do usuário. Para o presente trabalho, o mecanismo de adaptatividade é responsável por tornar o sistema capaz de automaticamente modificar suas próprias características de acordo com suas inferências sobre as características particulares e necessidades específicas de um estudante. Estas modificações dependem do modo de interação do estudante com o sistema e do grau de conhecimento obtido. Logo após o surgimento da Web, grupos de pesquisadores têm implementado diferentes tipos de sistemas adaptativos e inteligentes para EADW. Historicamente,

5 5 todos os sistemas de ensino inteligentes têm raízes em duas áreas: Sistemas Tutores Inteligentes e Sistemas de Hipermídia Adaptativos. O foco deste trabalho está em Sistemas Tutores Inteligentes (STI) e por isso, a arquitetura é constituída dos seguintes módulos básicos: modelo do estudante, módulo pedagógico, módulo do domínio do conhecimento, modelo do especialista e módulo de comunicação. De acordo com [Brusilovsky et al.; 1996], as duas principais características de um STI são o sequenciamento de conteúdo personalizado e o suporte à solução interativa de problemas. Estas características diferenciam os STI s dos sistemas tradicionais de instrução assistida por computador, já que os STI s incorporam técnicas inteligentes que implementam os procedimentos de um tutor humano em um ambiente de ensino tradicional. O sequenciamento de conteúdo descreve a ordem em que novas unidades de conhecimento, habilidades a serem aprendidas e operações de ensino correspondentes, por exemplo, apresentação de demonstrações e exemplos, questionamentos, exercícios, testes, solução de problemas são apresentadas a um estudante específico. Com o objetivo de fornecer tais características, resultando em um aprendizado eficiente e personalizado, a utilização da metodologia de STI s se mostra adequada, pois este modelo consegue personalizar a apresentação de conteúdo ao estudante sem depender da intervenção do professor. A intervenção humana causaria uma demora maior na personalização da apresentação, ao passo que em sistemas desta natureza a personalização é feita em tempo de execução, de forma automática. Segundo [Costa; 1999], os STI s oferecem considerável flexibilidade na apresentação do material e uma maior habilidade para responder às necessidades do usuário. Eles procuram não apenas ensinar, mas como ensinar, aprendendo informações relevantes sobre o estudante, proporcionando um aprendizado individualizado. Estes sistemas alcançam sua "inteligência" através de decisões pedagógicas sobre como transmitir o material, além de informações sobre o estudante. Isto permite uma grande interatividade do sistema com o estudante. STI s

6 6 têm sido apresentados como sendo altamente eficientes para a melhora do desempenho e da motivação dos estudantes. Tem sido observado que um dos mais importantes aspectos a ser considerado no desenvolvimento de sistemas adaptativos e inteligentes para educação a distância é a interação entre estudantes, tutores e o sistema computacional. Em geral, um sistema para EADW consiste de uma infraestrutura de comunicação, serviços, aplicações e conteúdos. Desta forma, muitos dos sistemas incluem ferramentas para integrar os estudantes, possibilitando a realização de atividades interativas. Não obstante, é agregado a este conjunto ferramentas para autoria, gerenciamento e manutenção de cursos e usuários. Como resultado, temos um ambiente que permite trabalho cooperativo e colaborativo, o que torna o processo de aprendizagem mais interessante. Evidências empíricas demonstram o ganho do aprendizado cooperativo quando comparado com o aprendizado individual, onde atualmente existe um grande interesse em aprendizagem on-line cooperativa. Entretanto, a criação e a distribuição de instrução na Web requer profunda análise e investigação de como utilizar o potencial da Web em conjunto com princípios instrucionais [Choren et al.; 1999]. O trabalho cooperativo/colaborativo tem sido bastante requisitado em ambientes EADW, gerando uma série de dificuldades quanto à monitoração/análise das interações inter e intra-indivíduos e grupos. Sistemas deste tipo possibilitam que vários estudantes colaborem entre si através da troca de informações na busca do conhecimento, e assim, estimulam o aprendizado. Porém, em muitos dos sistemas, a interatividade desejável ainda não está presente. Para se atingir este objetivo de forma eficaz é necessário resolver problemas que recaem sobre o processo de monitoração e análise das interações do estudante com o sistema e com os demais estudantes. Neste aspecto a Inteligência Artificial Distribuída, através de Sistemas Multiagentes (SMA), pode oferecer contribuições significativas [Costa; 2000].

7 7 As pesquisas em Inteligência Artificial Distribuída, principalmente aquelas baseadas em SMA, enfatizam a coletividade e a inteligência. A construção de um sistema é feita por meio de um grupo de agentes com habilidades específicas. Um agente raciocina sobre o ambiente e sobre os outros agentes e então decide como agir em cooperação com a sociedade. Sistemas educacionais desenvolvidos com esta característica tendem a ser eficazes, pois vão de encontro à natureza da solução dos problemas de ensino-aprendizagem que geralmente são resolvidos de forma participativa [Dorça et al.; 2002b]. 1.2 Objetivos O objetivo deste trabalho é propor e implementar uma arquitetura de software para EADW com características de adaptatividade e inteligência através da utilização de Sistemas Multiagentes e técnicas de Inteligência Artificial (IA). Neste contexto, este trabalho se dedica à construção de uma arquitetura multiagente capaz de executar as funções de um STI. Desta forma, foi responsabilidade deste trabalho: A especificação de uma arquitetura multiagente (o SIM) que fosse capaz de executar as tarefas de um STI. Para isto, utilizou-se uma metodologia apropriada de Engenharia de Software para SMA; A implementação da arquitetura multiagente especificada, utilizando-se uma tecnologia adequada para implementação de SMA; Implementação da colaboração entre os agentes utilizando-se um protocolo de comunicação adequado, fornecendo a infra-estrutura que os agentes precisam para se comunicar; Mapeamento de todas as trocas de mensagens possíveis entre os agentes e especificação de seus conteúdos, levando-se em consideração as interações realizadas entre os componentes de um STI;

8 8 Especificação e implementação do Sistema Gerenciador de Cursos, que fornece a interface com os usuários do sistema assim como as ferramentas necessárias à aprendizagem e ao gerenciamento dos cursos; A integração entre o SGC e o SIM, visto que foram utilizadas tecnologias distintas na implementação de cada um. É importante ressaltar que o algoritmo de planejamento utilizado pelo Agente Pedagógico e o algoritmo de avaliação utilizado pelo Agente de Avaliação foram implementados como resultado de outros trabalhos. A implementação do Sistema Gerenciador de Cursos contou com a colaboração de outros integrantes do grupo de pesquisa. Como pode ser visto no Capítulo 2, realizou-se um estudo sobre as principais questões envolvidas no paradigma multiagente, as plataformas disponíveis para implementação de sistemas multiagentes e metodologias para especificação e projeto de um sistema multiagente. Além disto, um estudo detalhado sobre a arquitetura de um STI e qual o impacto da implementação de um STI através do paradigma multiagente foi realizado. Também, analisou-se as principais características de alguns sistemas para EADW, conforme apresentado no Capítulo 3. O Capítulo 4 descreve a proposta deste trabalho. O Capítulo 5 apresenta os aspectos principais do desenvolvimento da proposta. O Capítulo 6 apresenta as conclusões e as perspectivas futuras.

9 9 Capítulo 2 Uma Abordagem para Educação a Distância Atualmente, duas abordagens têm sido amplamente exploradas na construção de sistemas para EAD. São elas os Sistemas Tutores Inteligentes (STI) e a Hipermídia Adaptativa (HA). Os sistemas para EAD baseados em HA [Palazzo; 2002] têm sua aplicação principalmente no direcionamento dos usuários pela informação de forma objetiva e personalizada. Desta forma, um sistema de HA deve, satisfazer a três critérios básicos: ser um sistema hipertexto ou hipermídia, possuir um modelo do usuário, ser capaz de adaptar a hipermídia do sistema usando tal modelo. Para isto, os sistemas baseados em HA constroem um modelo individual representando o perfil do usuário, seus objetivos, preferências e conhecimentos sobre o domínio e utiliza estas características na adaptação do sistema às necessidades deste usuário. O sistema de HA é constituído por um conjunto de nodos ou hiperdocumentos conectados por links. Cada nodo contém alguma informação local e links para outros nodos relacionados. Os sistemas de HA podem também incluir um índice ou um mapa com links para todos os nodos disponíveis. Neste contexto, a adaptação pode ocorrer no conteúdo dos nodos ou nos links, índices e mapas. Estes dois casos representam duas classes diferentes de HA, onde o primeiro é caracterizado pela apresentação adaptativa e o segundo pela navegação adaptativa [Palazzo; 2002].

10 10 Os benefícios de uma abordagem baseada em STI implementada através de SMA têm sido bastante ressaltados, como por exemplo, o desenvolvimento de diferentes raciocínios e a integração de várias ações para alcançar um único objetivo, o ensino personalizado. Algumas propostas baseadas em STI e SMA serão exploradas no Capítulo 3. O presente trabalho apresenta uma proposta baseada em STI e SMA. A abordagem de STI foi escolhida tendo em vista as vantagens apresentadas em relação à HA, onde os STI se mostram muito mais aptos à exploração de técnicas pedagógicas complexas e diferentes metodologias de ensino, em vista da extensão dos recursos propostos por esta abordagem. Por isto, os conceitos de STI e SMA serão abordados ao longo deste capítulo, onde a seção 2.1 apresenta os principais aspectos sobre STI. A seção 2.2 apresenta conceitos sobre SMA e a seção 2.3 descreve as características da aplicação de SMA na implementação de STI. 2.1 Sistemas Tutores Inteligentes (STI) Os primeiros sistemas para ensino através do computador foram o treinamento baseado em computador (CBT Computer-Based Training) e instrução baseada em computador (CAI Computer Assisted Instructional), de acordo com [Beck et al; 1998]. Uma ferramenta CAI tem como objetivo manipular automaticamente o conteúdo de um certo domínio de conhecimento que se deseja ensinar. A forma que os conteúdos são apresentados nestas ferramentas se parece com um livro eletrônico, e a vantagem oferecida ao estudante era a liberdade de explorar os conteúdos de forma dinâmica. As decisões sobre como o estudante deveria navegar através do material era baseada em árvores de decisão. Uma grande restrição nestes tipos de sistemas é o fato de tais decisões terem que ser préprogramadas, gerando assim um grande esforço na sua criação, e sem garantias em relação à abrangência sobre os estudantes [Costa; 1999].

11 11 Nestes sistemas, a instrução não era individualizada para as necessidades do estudante. A proposta era apresentar um problema ao estudante, registrar a resposta e avaliar seu desempenho. A seqüência de perguntas e respostas era dirigida pelos acertos e erros dos estudantes, não sendo consideradas suas habilidades individuais. Enquanto CBT e CAI podiam ser parcialmente eficientes em ajudar os estudantes, eles não forneciam o mesmo tipo de atenção individualizada que podia ser oferecido por um tutor humano. Percebeu-se que esta atenção poderia ser alcançada através de um sistema que pudesse raciocinar sobre o domínio do conhecimento e sobre as habilidades do estudante. Neste sentido, novos esforços se multiplicaram no desenvolvimento de sistemas, gerando assim os ICAI (Intelligent CAI), também chamados STI, que incorporam técnicas de IA para resolução das falhas identificadas acima. A utilização de técnicas de IA em educação são uma tentativa de levar o ensino tradicional para um ambiente computacional de forma dinâmica e individualizada, oferecendo ensino e acompanhamento personalizados através de um processo interativo. Neste aspecto, STI s permitem a emulação de um tutor humano de maneira que o sistema possa saber o que ensinar (conteúdo do domínio) e como ensinar (estratégias instrucionais), além de aprender certas informações relevantes sobre o estudante, se adequando às suas características individuais. Desta forma, os STI oferecem flexibilidade na apresentação do conteúdo e habilidades para interagir com o estudante, buscando atender às necessidades particulares de cada um. Para isto, um STI deve coletar informações relevantes sobre as características do estudante e através delas oferecer-lhe um aprendizado individualizado. Podemos identificar quatro tarefas básicas no processo de ensino em um STI: aquisição de dados sobre o usuário, processamento dos dados, construção ou atualização do modelo do estudante e utilização do modelo do estudante na atualização de seu sequenciamento de conteúdo.

12 12 Módulo do Conhecimento Modelo do Estudante Módulo Pedagógico Módulo de Comunicação Módulo Especialista Figura Componentes de um STI [Souza, 2000] Estas tarefas são realizadas por quatro componentes principais, que são apresentados na Figura 2.1 [Souza, 2000]. O Módulo do Conhecimento armazena o conteúdo a ser ensinado organizado de forma a representar o conhecimento do tutor. Uma representação bem organizada do conhecimento é fundamental para que o sistema possa utilizá-lo de forma eficiente no ensino individualizado. Critérios de desempenho também devem ser considerados. Além disto, deve-se procurar uma representação do conhecimento que esteja preparada para o crescimento incremental do domínio. O Modelo do Estudante armazena informações sobre o comportamento, desempenho e conhecimento do estudante. O Modelo do Estudante armazena informações específicas para cada estudante de forma individual. No mínimo, este módulo deve manter um histórico sobre como o estudante está trabalhando no material em questão. É interessante também manter registro sobre os erros e problemas de aprendizagem do estudante. O propósito é fornecer dados para que o Módulo Pedagógico possa atuar. O Módulo Pedagógico contém o conhecimento para tomar decisões sobre quais estratégias de ensino devem ser utilizadas dentre aquelas presentes no sistema.

13 13 Estas estratégias são utilizadas levando em consideração as informações presentes no Módulo do Conhecimento e no Modelo do Estudante. Desta forma, as decisões sobre quais informações e como elas devem ser apresentadas ao estudante caracterizam o ensino personalizado. Desta forma, o Módulo Pedagógico oferece uma metodologia para o processo de ensino. Algumas questões a serem tratadas são quando revisar, quando e como providenciar informação adicional para se diagnosticar problemas e dificuldades do estudante. As entradas deste módulo são fornecidas pelo Modelo do Estudante. Desta forma as decisões pedagógicas são feitas de acordo com as necessidades individuais de cada estudante. O Módulo Especialista deve ter acesso a todas as informações do sistema, incluindo-se o conhecimento sobre o domínio e o conhecimento sobre cada estudante e tem como objetivo analisar como um estudante expressa seu conhecimento através do uso de suas habilidades dentro do domínio. Para isto, este módulo realiza a comparação das soluções dos estudantes com as do tutor. Usualmente, este módulo possui a forma de um sistema especialista capaz de resolver problemas em um dado domínio. O Módulo de Comunicação é responsável pela interação com o estudante. A complexidade para a implementação deste módulo é bastante variável, podendo ser desde simples janelas de diálogo até linguagem natural e reconhecimento de voz. Outra questão a ser considerada é a aplicação de realidade virtual para permitir uma imersão maior do estudante no ambiente. Através da interação destes módulos, os STI s são capazes de avaliar o conhecimento do estudante e o nível de satisfação de seu progresso. O módulo pedagógico, personalizado para as necessidades específicas de um estudante, pode então atendê-las com as instruções adequadas automaticamente, sem a intervenção de um tutor humano. Então, o STI age como sendo um tutor particular do estudante, deixando o tutor humano livre para dedicar seu trabalho às necessidades mais complexas e específicas dos estudantes [Capuano et al.; 2000]. Estas necessidades estão sempre variando à medida que o nível de conhecimento do estudante evolui.

14 14 Para isto, os STI s utilizam técnicas de Inteligência Artificial para identificar as características do estudante, como por exemplo, seu estilo preferido de aprendizagem. Estes sistemas são capazes de processar a qualidade da informação, reconhecer padrões de comportamento, identificar conceitos entendidos de forma errada ou perturbações no desempenho e então estabelecer um plano de instrução. Um plano de instrução personalizado é então criado para atender a um estilo de aprendizagem específico de um estudante. Além disto, o plano de instrução personalizado deve possibilitar o diagnóstico dos problemas de aprendizagem do estudante, baseado em seus erros e na percepção de conceitos mal entendidos ou não entendidos [Capuano et al.; 2000]. 2.2 Sistemas Multiagentes O interesse por paralelismo e distribuição na IA se intensificou na última década. O desenvolvimento de poderosos computadores, a proliferação de redes de computadores e a consideração sobre o uso de grupos de indivíduos para resolver problemas fizeram com que a Inteligência Artificial Distribuída (IAD) se tornasse uma área emergente [Costa; 1999]. Várias necessidades culminaram no surgimento e solidificação da IAD. Considera-se que a motivação para a IAD pode ser caracterizada pela necessidade de manipular conhecimento distribuído em aplicações geograficamente dispersas e pela necessidade de inovações na representação de conhecimento e resolução de problemas, aproximando-se mais da realidade. Uma das pesquisas em IAD é direcionada para a construção de sistemas multiagentes (SMA). Estes sistemas são formados por agentes autônomos que cooperam entre si para solucionar algum problema. Desta forma, os agentes precisam tomar decisões que permitam alcançar os seus objetivos em um mundo povoado por outros agentes que também possuem seus próprios objetivos, resultando na interação de diversas entidades autônomas. O sistema como um todo é usualmente chamado de sociedade.

15 15 Em SMA, considera-se a construção de uma inteligência coletiva, diferentemente da IA tradicional, que se preocupa com a representação do conhecimento e métodos de inferência voltados para a construção de uma inteligência individual. Sendo assim, de acordo [Bica; 2000], os SMA são sistemas computacionais nos quais diversos agentes cooperam para realizarem tarefas que seriam mais difíceis ou impossíveis de serem resolvidas por um único agente. Desta forma, a utilização do paradigma de SMA visa a superação de algumas limitações impostas aos sistemas constituídos por um único agente, tais como [Nwana; 1996]: A grande quantidade de conhecimento para lidar com as necessidades do usuário de forma eficiente; A centralização do processamento, que constitui um gargalo e um único ponto de falha no sistema; A reprogramação para lidar com o aparecimento de novos agentes e novas fontes de informações no ambiente; O processamento requerido poderia sobrecarregar o agente com um número excessivo de tarefas. O paradigma multiagente trata, então, tais limitações através de algumas medidas que podem tornar os sistemas mais eficientes. São elas: Divisão de tarefas que exigem conhecimento específico; Evita gargalos no processamento; Capacidade de tratar mudanças dinâmicas na fonte de informação; Emprega coordenação para manipular a heterogeneidade de fontes de informação, a diversidade de informação, a presença de múltiplos usuários com necessidades diferenciadas e a aplicação distribuída; Com isto, o desenvolvimento deste tipo de sistema envolve as seguintes questões [Deloach e Wood; 2001]: Como decompor problemas e alocar tarefas a agentes individuais? Como coordenar os agentes e as comunicações?

16 16 Como fazer os agentes agirem de maneira coerente? Como fazer agentes individuais raciocinarem sobre outros agentes e o estado da coordenação? Como reconciliar objetivos conflitantes entre os agentes? Como conceber sistemas multiagentes práticos? A construção de uma sociedade multiagente eficiente, que maximize o processamento paralelo, mantendo o sincronismo necessário e conservando a estrutura organizacional do problema a ser tratado não é uma tarefa simples. Para isto, se deve considerar a distribuição dos dados envolvidos no processo, as partes do problema a serem tratadas por cada agente, assim como as responsabilidades de cada uma delas dentro do processo e o grau de autonomia de cada um deles. Além disto, é importante que se pondere a complexidade das interações resultantes entre os agentes, e o volume de troca de mensagens necessário no processo. Desta forma, se a distribuição de duas tarefas entre agentes distintos resultam em um grande número de mensagens e comunicação excessiva, deve-se considerar a união das mesmas em um único agente. Desde o surgimento dos SMA, vários critérios para classificação destes foram propostos. Segundo [Bolzan W., 2002], existem três critérios para classificação de um SMA: a) Quanto ao tipo de agentes: Sociedades homogêneas: os agentes são todos do mesmo tipo, ou seja, possuem arquiteturas idênticas. Constitui os sistemas onde cópias idênticas de um mesmo agente interagem entre si para resolver um problema. Sociedades heterogêneas: existem agentes de diferentes tipos na sociedade. b) Quanto à migração de agentes: Sociedades fechadas: há um número fixo de agentes na sociedade; Sociedades abertas: o número de agentes nesta sociedade pode variar, pois podem entrar novos agentes ou sair agentes da sociedade. c) Quanto à presença de regras de comportamento:

17 17 Sociedades baseadas em leis: existem regras que determinam o comportamento dos agentes; Sociedades sem lei: quando não há regras para reger os agentes da sociedade. Arquiteturas de agentes podem ser classificadas de acordo com as necessidades da aplicação, dos usuários, e o grau de sofisticação ou nível de inteligência dos agentes. De acordo com [Costa; 1999], a complexidade de uma arquitetura pode ser classificada em três grupos: Arquitetura simples: quando é composta por um único e simples agente. Arquitetura moderada: quando é composta por alguns agentes que realizam as mesmas tarefas, mas possuem diferentes usuários e podem residir em máquinas diferentes. Arquitetura complexa: quando é composta por diferentes tipos de agentes, cada um com certa autonomia, podendo cooperar e estar em diferentes plataformas. Em [Wooldridge e Jennings 1994] as arquiteturas são classificadas de acordo com a forma de construção dos agentes envolvidos: Arquitetura deliberativa: segue a abordagem clássica da Inteligência Artificial, onde os agentes atuam com autonomia para tomar decisões de como agir e possuem modelos simbólicos de seus ambientes. Em outras palavras, esta arquitetura interpreta os agentes como parte de um sistema baseado em conhecimento. Arquitetura reativa: esta abordagem procura não utilizar nenhum tipo de modelo ou raciocínio simbólico. Este tipo de arquitetura baseia-se na proposta de que um agente apenas reage aos eventos ocorridos no ambientes onde atua. Arquitetura híbrida: como o próprio nome sugere, este tipo de arquitetura combina características das duas abordagens anteriores.

18 18 Em [Park et al.; 1995], propõe-se a classificação de uma arquitetura multiagente de acordo com o conhecimento de cada agente sobre os demais. Nesta abordagem, a arquitetura é considerada como fortemente acoplada se cada um dos agentes sabe quais agentes estão disponíveis, quais são capazes de resolver determinado problema, suas capacidades e como contatá-los. Esta característica leva à simplicidade no controle de interações locais e remotas entre agentes. O formato do pacote de comunicação utilizado na troca de informações é prédeterminado e transparente a todos os agentes. Ainda, segundo [Park et al.; 1995], uma arquitetura multiagente fortemente acoplada é construído de maneira top-down através da desmontagem de um agente monolítico (grande e de difícil manutenção) em um conjunto de agentes com uma tarefa específica, diferentemente dos sistemas fracamente acoplados que é a integração bottom-up de agentes separados que já existem ou foram criados. A discussão sobre a qualidade de uma arquitetura de agentes torna-se subjetiva, uma vez que os detalhes desta discussão dependem de aspectos específicos da aplicação do SMA. Em [Costa; 1999] procura-se estabelecer alguns conceitos que podem ser úteis para o desenvolvimento de uma arquitetura promissora: Simplicidade: idealizar a arquitetura e seus componentes de forma que seja fácil de entender, implementar e manter. Funcionalidade: selecionar uma arquitetura e ferramentas de desenvolvimento que focalizem aspectos específicos do problema a ser abordado. Expansividade: a arquitetura deve dar suporte à ampliação, uma vez que nem todas as necessidades futuras podem ser previstas em um primeiro momento. Portabilidade: uma arquitetura, para poder ser expansiva, deve possuir uma implementação portável, evitando-se soluções não padronizadas. De acordo com [Weiss; 2001], resolver problemas distribuídos demanda coerência no grupo (os agentes precisam querer trabalhar juntos) e competência (os

19 19 agentes precisam saber como trabalhar juntos bem). A coerência é difícil de se obter entre agentes individualmente motivados. Por isso, na resolução de problemas distribuídos, assume-se tipicamente que um grau justo de coerência esteja presente: os agentes são desenvolvidos para trabalhar juntos conhecendo as particularidades de cada um dos outros; os objetivos individuais só são alcançados através de esforços coletivos e a introdução de limites para o individualismo dos agentes. A resolução de problemas distribuídos, desta maneira, se concentra na competência, ou seja, o fato de um agente desejar trabalhar em grupo, não basta para que o trabalho seja realizado, dependendo então da competência individual de cada uma destas entidades. As seções seguintes descrevem importantes conceitos relacionados aos SMA. A seção apresenta aspectos fundamentais relacionados ao agente. A seção apresenta os modelos existentes para comunicação de agentes em um SMA e linguagens de comunicação que possibilitam a troca de informação entre os agentes. A seção apresenta as plataformas principais plataformas disponíveis para SMA Agentes O termo agente é utilizado na literatura para determinar diversos tipos de programas. Estes programas não precisam, necessariamente, apresentar um comportamento inteligente. Torna-se difícil estabelecer o que seria um comportamento inteligente, uma vez que o termo "inteligência" ainda é causa de controvérsia entre os estudiosos de Inteligência Artificial. Muitos pesquisadores da área possuem opiniões próprias sobre o que exatamente constitui um agente. Em [Franklin e Graesser; 1996] é apresentada uma compilação de várias definições bem conhecidas. Numa abordagem clássica para a área de agentes, a definição de Wooldridge [Wooldridge e Jennings; 1994] considera um agente como sendo uma entidade com capacidade de resolução de problemas e que possui as seguintes propriedades:

20 20 Autonomia: executam a maior parte de suas ações sem interferência direta de agentes humanos ou de outros agentes computacionais, possuindo controle total sobre suas ações e estado interno; Habilidade social: por impossibilidade de resolução de certos problemas ou por outro tipo de conveniência, interagem com outros agentes (humanos ou computacionais), para completarem a resolução de seus problemas, ou ainda, para auxiliarem outros agentes; Capacidade de reação: percebem e reagem a eventos do ambiente em que estão inseridos; Capacidade pró-ativa: são capazes de tomar decisões, onde além de atuar em resposta às alterações ocorridas em seu ambiente, apresentam um comportamento orientado a objetivos, tomando iniciativas quando julgarem apropriado (no caso, aplicado apenas aos agentes cognitivos). Além destas características, um agente ainda pode apresentar: Mobilidade: habilidade de locomoção em redes de computadores; Benevolência: supõe-se que entre agentes não ocorra conflito na execução das tarefas Racionalidade: assume-se que um agente não realizará suas tarefas se estas são contra suas crenças; Adaptabilidade: um agente pode se adaptar a um ambiente, trabalhando métodos e preferências do seu usuário; Cooperação ou Colaboração: existe colaboração do agente com o seu usuário e com outros agentes durante a resolução de um problema De acordo com [Capuano et al.; 2000], um agente é definido como: É um processo autônomo dirigido a um objetivo; Está situado, tem conhecimento e reage ao seu ambiente; Coopera com outros agentes (computacionais ou humanos) para resolver problemas.

21 21 Desta forma, um agente pode ser qualquer sistema autônomo que percebe e age para alcançar um conjunto de metas dentro de um ambiente específico, seja real ou virtual. Desta maneira, os sistemas tradicionais são projetados para operar sob o controle do usuário, enquanto agentes agem autonomamente, de acordo com seu conhecimento e percepções do ambiente. Uma definição bastante conhecida para o termo agente é apresentada em [Russell e Norvig; 1995], onde um agente é definido como sendo um sistema capaz de perceber eventos no ambiente através de sensores e atuar no ambiente através de atuadores. Ainda, de acordo com [Montesco e Moreira; 2001], autonomia, próatividade, reatividade e continuidade temporal são características essenciais em um agente. Acredita-se que agentes se tornarão cada vez mais permanentes nos sistemas computacionais e de comunicação. O motivo principal é a versatilidade dos agentes. Eles podem oferecer serviços tais como a introdução de inteligência aos sistemas atuais, o mapeamento da informação em conhecimento, a negociação no comércio eletrônico, a busca autônoma de informação para os seus usuários dentre outros. Agentes oferecem um novo paradigma para desenvolvimento de aplicações complexas heterogêneas distribuídas. O paradigma multiagente tem o foco nas interações entre processos autônomos que cooperam entre si. A inteligência é sempre uma característica desejável, mas, não é estritamente requerida pelo paradigma [Capuano et al.; 2000]. Então, agentes devem ser capazes de agir de maneira independente e autônoma em ambientes dinâmicos e em alguns casos, imprevisíveis. No contexto deste trabalho, um agente é um sistema computacional que existe em um ambiente bem definido, percebe as mudanças de estado deste ambiente e atua sobre o mesmo, modificando-o, em resposta a tais mudanças ou simplesmente em decorrência da busca de seus próprios objetivos, sem necessariamente esperar por nenhum evento e geralmente em favor dos interesses de um usuário, de outro agente ou de outro sistema.

22 22 Existem diferentes tipos de agentes, segundo [Wooldridge e Jennings; 1994], os agentes podem ser classificados como móveis ou estáticos, reativos ou cognitivos e deveriam possuir atributos importantes como autonomia, capacidade de aprendizado e cooperação. Neste contexto, é proposta uma tipologia que define quatro tipos de agentes baseados em suas habilidades para cooperar, aprender e atuar autonomamente. A Figura 2.2 mostra como estes quatro tipos de agentes utilizam as capacidades citadas acima. Agentes Inteligentes Cooperação Aprendizado Agentes Colaboradores comcapacidade deaprender Agentes Colaboradores Autonomia Figura Tipologia de Agentes Agentes de Interface Os agentes colaboradores enfatizam a autonomia e a cooperação para executarem suas tarefas através da comunicação e possível negociação com outros agentes para alcançarem um entendimento mútuo. Tais agentes são utilizados na solução de problemas distribuídos, ou seja, problemas que são resolvidos através da interação de várias sub-partes autônomas, onde cada uma fornece uma colaboração específica para que se alcance a solução desejada. Esta classe de agentes necessita de uma linguagem de comunicação, tal como KQML [Finin et al.; 1997] ou FIPA- ACL [FIPA; 2000]. Tais linguagens são chamadas de ACL (Agent Communication Language). Os agentes de interface são autônomos e utilizam aprendizagem para executar as tarefas para os seus usuários. A inspiração para esta classe de agentes é um assistente pessoal que colabore com o usuário, facilitando algumas de suas tarefas. Esta classe é utilizada na implementação de assistentes, guias, sistemas de ajuda, sistemas para busca de conteúdo, dentre outros.

23 23 O agente pode ainda utilizar uma ou mais técnicas de IA para solucionar problemas, tomar decisões e agir de maneira otimizada em seu ambiente. Quando isto ocorre, dizemos que o agente é inteligente. As distinções mostradas na Figura 2.2 não são definitivas. Por exemplo, os agentes colaboradores, possuem mais ênfase na cooperação e autonomia do que na aprendizagem, mas isto não implica que agentes colaboradores nunca irão aprender. Um agente pode também possuir a capacidade de se locomover entre diversos computadores, ou locais em uma rede, geralmente em busca de informações inacessíveis remotamente, para executar uma operação específica de interesse próprio ou de outros agentes (humanos ou não) ou para evitar demasiado tráfego de informações na rede através da geração da informação diretamente na máquina de destino. Os agentes móveis são processos computacionais capazes de se moverem através de redes, como a Internet, operando em máquinas remotas com intuito de executar alguma tarefa. Então, agentes móveis são componentes de software que são capazes de migrar entre diferentes locais de uma rede com o objetivo de executar suas tarefas localmente. Para que isto seja possível, os agentes móveis mantêm um estado interno de execução e estado dos dados, conferindo-lhes a capacidade de realizar diferentes partes de suas tarefas seqüencialmente em diferentes locais da rede. Este conceito de programação remota evita a necessidade de se transferir grandes quantidades de dados através de uma rede, como geralmente ocorre em aplicações cliente/servidor tradicionais. Desta forma, um agente é enviado ao cliente e o processamento dos dados é local, evitando a transferência de dados, como mostrado na Figura 2.3, onde em A temos a arquitetura cliente servidor tradicional e em B temos a abordagem utilizando um agente móvel. Em A, ocorre a transferência dos dados propriamente ditos do servidor ao cliente enquanto em B, apenas o agente é enviado, com o objetivo de executar suas tarefas diretamente no cliente.

24 Servidor A Cliente Agente Servidor Rede Cliente B Figura Agentes móveis como alternativa à abordagem cliente/servidor tradicional Aplicações de agentes móveis têm recaído na instalação, manutenção e reconfiguração de componentes de software de forma dinâmica e automatizada em qualquer nó da rede. Ao habilitar a um administrador controlar estas atividades em um único local ao invés de visitar cada ponto, como costumeiramente ocorre ou até mesmo delegar estas atividades ao respectivo software (agentes), uma quantidade de tempo e custos considerável pode ser economizado. Independentemente da mobilidade, uma das mais populares utilizações de agentes é para encontrar, analisar e recuperar grandes quantidades de informação. Os agentes de informação são ferramentas para ajudar no gerenciamento da informação espalhada em redes como a Internet. Agentes de informação acessam a rede a procura de tipos particulares de informação, indicado pelo usuário, filtram-na e apresentam-na ao usuário.

25 25 Outro tipo de agente é o agente baseado em estados mentais, cuja arquitetura é baseada nos estados mentais de crença, desejo e intenção (Belief, Desire, Intention ou BDI) [Zamberlam; 2002]. As idéias básicas da abordagem BDI baseiam-se na descrição do processamento interno de um agente utilizando um conjunto básico de estados mentais e na definição de uma arquitetura de controle através da qual o agente seleciona racionalmente o curso de suas ações. Uma crença de um agente corresponde às informações que o agente tem sobre o mundo (é o conhecimento do ambiente de forma explícita) que poderia ser incompleta ou incorreta. Crenças podem ser vistas como simples variáveis (como por exemplo, na linguagem PASCAL), mas agentes modelados na arquitetura BDI representam crenças de forma simbólica (como por exemplo, fatos em PROLOG). Desejo é um estado mental intencional e com potencial motivador das ações do agente, representando uma situação ou um conjunto de situações em que o agente gostaria que o mundo estivesse, podendo estar em conflito com as crenças do agente, podendo apresentar simultaneamente desejos conflitantes, assim como em seres humanos. Além disto, o desejo não causa diretamente as ações, mas pode, potencialmente, gerar suas ocorrências, deixando por conta das intenções a realização de tais ações. A intuição em sistemas BDI é que o agente não é capaz, geralmente, de realizar todos os seus desejos, mesmo sendo consistentes. Agentes devem, portanto, estabelecer alguns subconjuntos de desejos disponíveis e comprometer recursos para realizá-los. Esses desejos escolhidos são adotados como intenções e um agente continuará a tentar realizar uma intenção até que acredite que a intenção foi satisfeita, ou acredite que a intenção não conseguirá ser realizada. Intenções têm um papel na deliberação dos agentes, monitorando as ações que devem ser realizadas, e servindo de limitador das futuras escolhas do agente. Desta formam a intenção é vista como um compromisso que o agente assume e por isto, ao contrário dos desejos, não se pode ter intenções conflitantes devido ao fato de que elas precisam encontrar suporte nas crenças do agente, ou seja, o agente não pode intencionar

26 26 aquilo que não acredita. Intenção é o resultado da escolha com comprometimento, a qual leva o agente a ação. A Figura 2.4 descreve a arquitetura de um agente BDI. O componente BRF é a função de revisão de crenças que, a partir da base de crenças e da percepção do ambiente, determina um novo conjunto de crenças. A função de geração de opções mapeia um conjunto de crenças e intenções em um conjunto de desejos. Figura Arquitetura de um agente BDI [Weiss; 2001] Para que a função seja consistente, qualquer opção gerada precisa ser consistente com as crenças e com as intenções do agente. Esta função desempenha vários papéis. Uma vez que o agente formou uma intenção X, ele precisa, subseqüentemente considerar opções para atingir X. Assim que algumas destas

27 27 opções se tornam intenções, elas vão fazer com que as próximas opções sejam mais concretas. É possível então pensar no processo de geração de opções como um processo recursivo, onde se tenta gerar intenções cada vez mais específicas, até que finalmente se atinja as intenções que correspondam a ações executáveis imediatamente. Como se pode perceber pela Figura 2.4, as intenções do agente são atualizadas com base nas intenções anteriores, nos desejos e intenções correntes. Além disto, a função deve excluir as intenções que estão fora do alcance do agente, ou os custos para atingir tal intenção excede os ganhos esperados associados com a intenção. Ainda, deve manter intenções que ainda não foram atingidas mas que possuem benefício positivo Comunicação A comunicação entre agentes é a chave para se perceber o potencial do paradigma multiagente, assim como o desenvolvimento da linguagem humana foi a chave para o desenvolvimento da inteligência e das sociedades. Agentes utilizam uma linguagem para compartilhar informações e conhecimento. Com o objetivo de obter um comportamento coerente do sistema, agentes individuais em uma sociedade multiagente não são apenas capazes de compartilhar conhecimento sobre problemas e soluções, mas também raciocinam sobre o processo de coordenação entre outros agentes. A comunicação entre agentes é utilizada nas tarefas que envolvem troca de informação e/ou compartilhamento de experiências. Isto permite que uma comunidade de agentes desenvolva processos de cooperação, trocando informações e serviços entre si, assim como processos de negociação, para o alcance de determinados objetivos e ainda o raciocínio sobre outros agentes [Lucena; 2003]. Desta forma a comunicação fornece a base necessária para a realização da cooperação entre agentes. Assim, a comunicação entre os vários agentes permite a exploração em comum dos seus recursos e conhecimentos próprios, tornando

28 28 possível o trabalho concorrente sobre diferentes partes do problema e a obtenção mais rápida e precisa de uma solução Modelos de Comunicação Modelos de comunicação entre agentes definem a forma através da qual os agentes se comunicam. As características dos modelos estabelecem o sincronismo da troca de informação e o esquema de inter-relacionamento entre os agentes de um sistema. As duas principais metodologias disponíveis para comunicação entre agentes são o quadro negro, ou Blackboard, e a troca direta de mensagens [Lucena; 2003]. Segundo a arquitetura do quadro negro, os agentes se comunicam de maneira indireta, através de uma área de memória compartilhada para leitura e escrita de mensagens [Weiss; 2001]. O quadro negro é uma estrutura de dados persistente e as informações são armazenadas de forma a facilitar sua recuperação. Ele é um meio de interação entre os agentes que funciona como uma espécie de repositório de mensagens. Os agentes armazenam o conteúdo da mensagem, o identificador do agente remetente e o identificador do agente destinatário da mensagem. Além disto, os agentes devem monitorar constantemente o Blackboard a fim de verificar se alguma mensagem lhe foi enviada. Através do campo remetente, o agente destinatário poderá responder à mensagem utilizando o campo remetente, agora como valor para o campo destinatário da mensagem. Outro modelo amplamente adotado para comunicação entre agentes consiste na troca de mensagens. Segundo este paradigma, é necessário que cada agente tenha acesso aos nomes e localizações de todos os agentes presentes no sistema para que as mensagens possam ser enviadas. No modelo de troca de mensagens, existem duas abordagens, a comunicação direta, onde a coordenação da troca de informação é gerenciada pelo próprio agente e a comunicação indireta ou assistida, onde o agente delega a atividade de coordenação a um programa chamado de facilitador. Esta abordagem também é conhecida como Sistema Federado ou Federação de Agentes e tem o intuito de

29 29 simplificar o processo de comunicação, pois o facilitador armazena os endereços e serviços oferecidos pelos agentes do sistema, como ilustra a Figura 2.5. Páginas Brancas Páginas Amarelas Agente B Agente Facilitador Agente A Figura Arquitetura de comunicação com agente facilitador O maior problema com a comunicação direta é que toda a complexidade do processo de negociação é repassada aos agentes. O processo envolve o roteamento de mensagens, a manutenção de uma lista de endereços dos agentes envolvidos, a busca por um agente que possa fornecer determinado serviço e o sincronismo da comunicação. Como vantagem, temos a independência do agente com relação a outro programa. No Sistema Federado, os agentes não precisam implementar as peculiaridades relacionadas à comunicação, de maneira que estes possam se especializar apenas em suas funções principais, liberando seu tempo para atividades relacionadas aos seus interesses principais. O facilitador usualmente oferece um conjunto de serviços de coordenação, atuando como um roteador de mensagens. Desta forma, um agente facilitador é aquele que realiza vários serviços de comunicação úteis, como manter uma lista de nomes, serviços e localização de cada agente do sistema, encaminhar mensagens aos agentes que prestam serviços requisitados, encaminhar mensagens de acordo com seu conteúdo, fazer ligações entre provedores de informações e clientes e fornecer serviços de mediação e tradução. Através da tradução, agentes que utilizam diferentes meios para expressar o conhecimento contido em suas mensagens, ou até