Agentes Inteligentes

Transcrição

1 Agentes Inteligentes 1

2 O que é um agente Agente é qualquer entidade que: percebe seu ambiente através de sensores (ex. câmeras, microfone, teclado, finger...) age sobre ele através de atuadores (ex. vídeo, auto-falante, impressora, braços, ftp,...) Mapeamento: seqüência de percepções => ação a m b i e n t e sensores Raciocinador atuadores modelo do ambiente Agente

3 Medida de Desempenho (MD) 3 Critério que define o grau de sucesso de um agente na realização de uma dada tarefa Esta medida deve ser imposta do exterior Má escolha da MD pode acarretar comportamento indesejado Compromissos entre objetivos múltiplos conflitantes Resta o problema de saber quando avaliar o desempenho Exs. aspirador de pó, provador de teoremas, filtragem de s, policial de trânsito, avaliador de clima...

4 Agente Racional (McCarthy & Hayes 69, Newell 81) 4 Agente Racional: fazer a melhor coisa possível segue o princípio da racionalidade: dada uma seqüência de percepções, o agente escolhe, segundo seus conhecimentos, as ações que satisfazem melhor seu objetivo. Problema estado inicial + ações => estado final (objetivo) Racionalidade Onisciência, limitações de: sensores atuadores raciocinador (conhecimento, tempo, etc.) Agir para obter mais dados perceptivos é racional

5 Autonomia e Utilidade 5 Autonomia Capacidade de adaptação a situações novas, para as quais não foi fornecido todo o conhecimento necessário com antecedência Duas implementações: aprendizagem e/ou programação declarativa Para construir um sistema inteligente, utilizamos linguagem inferência conhecimento

6 A metáfora de agente decompõe 6 1) Problema em: percepções, ações, objetivos, e ambiente (e outros agentes) 2) Tipo de conhecimento em: 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 3) Arquitetura e método de resolução de problema

7 Agente de Policia Agente raciocínio Conhecimento: - leis - comportamento dos indivíduos,... Objetivo: - fazer com que as leis sejam respeitadas Ações: - multar - apitar - parar,... percepção execução Ambiente

8 Agente Diagnóstico médico Exemplos de Agentes Dados perceptivos Sintomas, paciente, exames respostas,... Ações Objetivos Ambiente Perguntar, prescrever exames, testar Saúde do paciente, minimizar custos Paciente, gabinete,... Análise de imagens de satélite Pixels imprimir uma categorização categorizar corretamente Imagens de satélite Tutorial de português Palavras digitadas Imprimir exercícios, sugestões, correções,... Melhorar o desempenho do estudante Conjunto de estudantes Filtrador de mails mensagens Aceitar ou rejeitar mensagens Aliviar a carga de leitura do usuário Mensagens, usuários Motorista de taxi Imagens, velocímetro, sons brecar, acelerar, dobrar, falar com passageiro,... Segurança, rapidez, economia, conforto,... Ruas, pedestres, carros,... Músico de jazz Sons seus e de outros músicos, grades de acordes Escolher e tocar notas no andamento Tocar bem, se divertir, agradar Musicos, publico, grades de acordes

9 Ambiente 9 Classes de ambientes Físico: robôs Software: softbots Realidade virtual (simulação do ambiente físico): softbots e avatares Propriedades de um ambiente acessível (completamente observável) x inacessível (parcialmente observável) estático x dinâmico determinista x não-determinista discreto x contínuo episódico x não-episódico (seqüêncial) tamanho: número de percepções, ações, objetivos,...

10 Ambientes: propriedades (1/2) 10 Acessível: quando os sensores do agente conseguem perceber o estado completo do ambiente. Determinístico: o próximo estado do ambiente pode ser completamente determinado pelo estado atual e as ações selecionadas pelo agente. Episódico: a experiência do agente é dividida em episódios. Cada episódio consiste em o agente perceber e então agir. Cada episódio não depende das ações que ocorreram em episódios prévios.

11 Ambientes: propriedades (2/2) 11 Estático: o ambiente não muda enquanto o agente está escolhendo a ação a realizar. Semi-dinâmico: o ambiente não muda enquanto o agente delibera, mas o "score" do agente muda. Discreto: quando existe um número distinto e claramente definido de percepções e ações em cada turno. Contínuo: percepções e ações mudam em um espectro contínuo de valores.

12 Exemplos de Ambientes Agente acessível determinista episódico estático discreto xadrez sem relógio Sim Sim Não Sim Sim xadrez com relógio Sim Sim Não Semi sim gamão sim não não sim sim motorista de taxi Não Não Não Não Não médico Não Não Não Não Não tutor Não Não Não Não Sim Analisador de imagem Sim Sim Sim Semi Não Busca na web Não Não Sim Não Sim Filtrador de mail Sim Não Sim Não Sim Músico Sim Não Não Não Não + O Tamanho do ambiente é dado por: número de percepções, ações e objetivos possíveis

13 Algoritmo Básico 13 função agentesimples (percept) retorna ação memória := atualizamemória (memória, percept) ação := escolhemelhoração(memória) memória := atualizamemória (memória, ação) retorna ação Arquiteturas Agente tabela Agente reativo simples Agente reativo baseado em modelos Agente baseado em objetivos Agente baseado em utilidade Agente com aprendizagem autonomia complexidade

14 Agente Tabela sensores Agente ambiente Tabela percepções ações.... atuadores Limitações Mesmo Problemas simples -> tabelas muito grandes ex. xadrez 30^100 Nem sempre é possível, por ignorância ou questão de tempo, construir a tabela Não há autonomia nem flexibilidade Este agente só tem fins didáticos!!! Não vale nem a pena pensar nele Ambientes acessível, determinístico, episódico, estático, discreto e minúsculo!

15 Agente Reativo Simples 15 Selecionam ações com base somente na percepção atual Exemplo: agente aspirador de pó Função AGENTE-ASPIRADOR-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

16 Agente Reativo Simples: Aspirador de pó 16 Programa muito pequeno em relação a tabela que representa a função agente Porque descartamos o histórico de percepções Diminuem as possibilidades Porque se o quadro está sujo, não precisamos verificar a posição A entrada pode ser processada para estabelecer uma condição Exemplo: Processar a imagem do agente motorista de táxi e verificar que o carro da frente está freando Ao invés de ter uma tabela com cada mudança que ocorre na imagem, interpretamos a condição da imagem

17 Agente Reativo Simples: Aspirador de pó 17 Então podemos fazer conexões entre as condições de entrada e as ações correspondentes Se carro_da_frente_está_freando então começar_a_frear Estas regras são chamadas de regras de condição-ação Conexões nos seres humanos: Aprendidas: dirigir Reflexos inatos: tirar a mão do fogo, ou piscar qdo algo se aproxima do olho Projeto do agente: Construir um interpretador de uso geral para regras de condição-ação Criar um conjuntos de regras para cada ambiente de tarefa

18 Agente Reativo Simples a m b i e n t e sensores Qual a aparência atual do mundo? Que ação devo executar agora? atuadores Agente Regras condição-ação Vantagens e desvantagens Regras condição-ação: representação inteligível, modular e eficiente ex. Se velocidade > 60 então multar Não pode armazenar uma seqüência de percepções, pouca autonomia Ambientes: Reflexo imprescindível em ambientes dinâmicos Acessível, episódico, pequeno

19 Funcionamento 19 INTERPRETA-ENTRADA -> Gera uma descrição abstrata do estado a partir do que foi percebido CASAMENTO-REGRA -> Retorna a primeira regra que "casou com a descrição do estado

20 20 Limitações São simples, porém limitados Funcionará somente se a decisão correta puder ser tomada com base apenas na percepção atual Ambiente completamente observável Exemplos de alguns problemas: Talvez somente uma imagem não é suficiente para determinar se o carro da frente esta dando sinal de mudança de direção, alerta ou freio

21 Agente Reativo Baseado em Modelos Agente sensores estado: como o mundo era antes a m b i e n t e Qual é a aparência atual mundo? Que ação devo executar agora? atuadores como o mundo evolui impacto de minhas ações Regras condição-ação Desvantagem: pouca autonomia não tem objetivo, não encadeia regras Ambientes: determinístico e pequeno Ex. Tamagotchi

22 Agente Reativo Baseado em Modelos 22 Como lidar com a possibilidade de observação parcial O agente deve controlar as partes do mundo que ele não pode ver agora O agente deve manter um estado interno que dependa do histórico de percepções e reflita os aspectos não observados no estado atual Dois tipos de conhecimento são necessários para atualizar o estado interno do agente (modelo do mundo): Como o ambiente evoluí independente do agente Um carro que está ultrapassando em geral estará mais perto do que estava um instante antes Como as ações do próprio agente afetam o mundo Se o agente virar o volante à direita, o carro irá virar p/ a direita

23 23 Modelo de mundo O conhecimento de como o mundo funciona Pode ser implementado em simples circuitos booleanos ou em teoria científicas completas Agente baseado em modelo Um agente que usa o modelo de mundo

24 Funcionamento 24

25 25 Limitações Conhecer os estados do ambiente não é suficiente para tomar uma boa decisão Exemplo: o agente Motorista de Táxi chega a um cruzamento com três caminhos, qual direção tomar? Simplesmente reagir: mas existem três reações possíveis Examinar o modelo de mundo: não ajuda a decidir qual o caminho A decisão depende de onde o táxi está tentando chegar

26 26 Agente baseado em objetivos O agente precisa de algum tipo de informação sobre o seu objetivo Objetivos descrevem situações desejáveis. Ex: estar no destino Combinando informações sobre: O objetivo do agente Os resultados de suas ações O agente pode escolher ações que alcancem o objetivo A seleção da ação baseada em objetivo pode ser: Direta: quando o resultado de uma única ação atinge o objetivo Mais complexa: quando será necessário longas seqüências de ações para atingir o objetivo

27 27 Agente baseado em objetivos Para encontrar seqüências de ações que alcançam os objetivos Algoritmos de Busca e Planejamento A tomada de decisão envolve a consideração do futuro -> distinta das regras de condição-ação O que acontecerá se eu fizer isso ou aquilo? O quanto isso me ajudará a atingir o objetivo?

28 Agente Baseado em Objetivo a m b i e n t e sensores Qual a aparência atual do mundo? Qual será a aparência se for executada a ação A? Que ação devo executar agora? atuadores Agente estado: como o mundo era antes como o mundo evolui impacto de minhas ações Objetivos Vantagens e desvantagens: Mais complicado e ineficiente, porém mais flexível, autônomo Não trata objetivos conflitantes Ambientes: determinístico ex.: xeque-mate no xadrez

29 29 Considerações e limitações O agente que funciona orientado a objetivos é mais flexível Agente reflexo ações pré-compiladas (condição-ação) Agente p/ objetivo pode alterar somente o objetivo sem necessidade de se reescrever as regras de comportamento Mais flexível representação do conhecimento permite modificações Ex: Se começar a chover todos as informações relevantes podem ser alteradas para se operar de forma eficiente O objetivo não garante o melhor comportamento para o agente, apenas a distinção entre estados objetivos e não objetivos Ex: Algumas alternativas de planejamento de ações futuras podem ser mais rápidas, seguras ou baratas que outras

30 30 Agente Baseado em Utilidade Se um estado do mundo é mais desejável que outro, então ele terá maior utilidade para o agente Utilidade é uma função que mapeia um estado para um número real que representa o grau de satisfação com este estado Especificação completa da função de utilidade decisões racionais em dois tipos de casos: Quando existem objetivos conflitantes (velocidade x segurança) a função de utilidade especifica o compromisso apropriado Quando existem vários objetivos que se deseja alcançar e nenhum deles pode ser atingido com certeza ponderar a importância dos objetivos

31 Agente Baseado em Utilidade sensores Agente estado: como o mundo era antes ambiente Qual a aparência atual do mundo? Qual será a aparência se for executada a ação A? Este novo mundo é melhor? Que ação devo executar agora? atuadores como o mundo evolui qual é o impacto de minhas ações Função de Utilidade Ambiente: sem restrição Desvantagem: não tem adaptabilidade Ex. motorista recifence

32 Agente Baseado em Aprendizado 32 Em agentes sem aprendizagem tudo o que o agente sabe foi colocado nele pelo projetista Turing propõe construir máquinas com aprendizagem e depois ensina-las Aprendizagem também permite ao agente atuar em ambientes totalmente desconhecidos e se tornar mais competente do que o sue conhecimento inicial poderia permitir Quatro componentes conceituais de um agente com aprendizagem: Elemento de aprendizado Crítico Elementos de desempenho Gerador de problemas

33 Agente Baseado em 33 Aprendizado - Componentes Elemento de aprendizado: Responsável pela execução dos aperfeiçoamentos Utiliza realimentação do crítico sobre como o agente está funcionando Determina de que maneira o elemento de desempenho deve ser modificado para funcionar melhor no futuro Crítico: Informa ao elemento de aprendizado como o agente está se comportando em relação a um padrão fixo de desempenho É necessário porque as percepções não fornecem nenhuma indicação de sucesso O agente não deverá modificá-lo

34 Agente Baseado em 34 Aprendizado - Componentes Elementos de desempenho: Responsável pela seleção de ações externas (agente completo) 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

35 Agente motorista de táxi com aprendizado 35 Elemento de desempenho: conhecimento e procedimentos para dirigir Crítico: observa o mundo e repassa para o elemento de aprendizagem a reação dos outros motoristas a uma ação do agente Elemento de aprendizagem: É capaz de formular uma regra afirmando que a ação foi boa/ruim Modifica o elemento de desempenho pela instalação da nova regra Gerador de problemas: Identifica áreas que precisam de melhorias Sugere experimentos: testar os freios em diferentes superfícies

36 Agente com Aprendizado Agente sensores t+1 crítico t avaliação a m b i e n t e elemento de desempenho (agente) t trocas conhecimento elemento de aprendizagem objetivos de aprendizagem atuadores Gerador de problemas Ambiente: sem restrição Vantagem: tem adaptabilidade (aprende)

37 Simulação do Ambiente 37 Às vezes é mais conveniente simular o ambiente mais simples permite testes prévios evita riscos, etc... O ambiente (programa) recebe os agentes como entrada fornece repetidamente a cada um deles as percepções corretas e recebe as ações atualiza os dados do ambiente em função dessas ações e de outros processos (ex. dia-noite) é definido por um estado inicial e uma função de atualização deve refletir a realidade

38 Simulação de ambiente 38 função simulaambiente (estado, funçãoatualização,agentes,final) repita para cada agente em agentes faça Percept[agente] := pegapercepção(agente,estado) para cada agente em agentes faça Action[agente] := Programa[agente] (Percept[agente]) estado := funçãoatualização(ações, agentes, estado) scores := avaliadesempenho(scores,agente,estado) //opcional até final Observação: não cair em tentação roubando do ambiente a descrição do que aconteceu. Usar a memória do agente!

39 Inteligência Coletiva 39 Porque pensar a inteligência/racionalidade como propriedade de um único indivíduo? Não existe inteligência... Em um time de futebol? Em um formigueiro? Em uma empresa (ex. correios)? Na sociedade? Solução: IA Distribuída Agentes simples que juntos resolvem problemas complexos tendo ou não consciência do objetivo global Proposta por Marvin Minsky e em franca expansão... o próprio ambiente pode ser modelado como um agente

40 IA Distribuída: dois tipos de 40 sistemas Resolução distribuída de problemas consciência do objetivo global e divisão clara de tarefas Exemplos: Robótica clássica, Busca na Web, Gerência de sistemas distribuídos,... Sistemas Multi-agentes não consciência do objetivo global e nem divisão clara de tarefas Exemplos: n-puzzle, futebol de robôs, balanceamento de carga, robótica,

41 Questões 41 Questões centrais comunicação negociação (ex. compra-venda na Web) estados mentais crença,... Tensão (trade-off) Quanto mais agentes, mais simples (sub-dividido) fica o problema No entanto, mais complexa fica a comunicação e coordenação entre os agentes

42 42 Evolução da noção de Agente além das fronteiras da IA...

43 Agente: ainda não há uma 43 definição única IBM: Intelligent agents are software entities that carry out some set of operations on behalf of an user, and in doing so employ some knowledge representation of the user s goals or desires KidSim: Agent is a persistent software entity (agents have their own ideas about how to accomplish tasks) dedicated to a specific purpose (smaller than multifunctions applications) SodaBot: Software agents are programs that engage in dialogs to negotiate and coordinate transfer of information

44 Antes... programas Técnicas & Problemas Agora programas 44 IA agentes inteligentes agentes móveis, agentes de software, robôs,...

45 Propriedades 45 Autonomia (IA) raciocínio, comportamento guiado por objetivos reatividade Adaptabilidade & aprendizagem (IA) Comunicação & Cooperação (IA) Personalidade (IA) Continuidade temporal Mobilidade

46 Agentes na Internet 46 Categorias por Tipos de Serviços: Agentes de Busca e Recuperação (ex. Altavista) Agentes que Filtram Informações (ex. KOM) Agentes de Entrega Off-line (ex. PointCast) Agentes Notificadores (ex. URL-Minder) Agentes de Suporte ao Comércio (ex. BargainBot) Agente corretor (interoperabilidade - ACL) Outros...

47 Conclusões 47 Agentes em IA Metodologia (metáfora) para projeto de sistemas Sistemas multi-agentes e robótica Agentes em computação Adoção de uma nova metáfora (antropomórfica e sociológica). Extrapolação de OOP IA: autômato -> mente Agentes: objetos -> pessoas Integração de técnicas de IA Novas tecnologias próprias à Web (ex. mobilidade) Marketing (moda) Agentes: técnica ou metodologia?

48 Desenvolvimento de software inteligente 48 Projeto: Modelar tarefa em termos de ambiente, percepções, ações, objetivos e utilidade Identificar o tipo de ambiente Identificar a arquitetura de agente adequada ao ambiente e tarefa Implementação o gerador e o simulador de ambientes componentes do agente (vários tipos de conhecimento) Testar o desempenho com diferentes instâncias do ambiente

49 49 Referências Stuart Russell and Peter Norvig, Inteligência Artificial. Campus- Elsevier, 2004.