Inteligência Artificial (SI 214) Aula 2 Agentes Inteligentes Prof. Josenildo Silva jcsilva@ifma.edu.br
2012-2015 Josenildo Silva (jcsilva@ifma.edu.br) Este material é derivado dos slides de Hwee Tou Ng, disponível no site do livro AIMA (Russel & Norvig) para professores e instrutores. http://aima.eecs.berkeley.edu/slides-ppt
Leitura recomendada Leia o Capítulo 2 do livro AIMA Leia o artigo Is it an agent, or just a program? S. Franklin and A. Graesser (1997) http://www.msci.memphis.edu/~franklin/agentprog.html
Na aula anterior discutimos o que é inteligência. A questão agora é o que, ou quem pode exibir inteligencia?
Um agente é qualquer entidade capaz de perceber seu ambiente através de sensores e agir neste ambiente através de atuadores
Exemplos Humano: olhos, ouvidos, e outros orgão sensoriais; mãos, pernas, boca e outras partes do corpo são atuadores Robô: cameras e sensores infravermelho; varios motores como actuatores
Agentes e Ambientes
Agentes e Ambientes A função agente mapeia históricos de percepções para uma ação: f: P A O programa agente roda em uma arquitetura física para produzir f agente = arquitetura + programa
O mundo do aspirador de pó Percepções: localização e conteúdo, e.x., [A,Dirty] Ações: Left, Right, Suck, NoOp
Um agente aspirador de pó Percepção Ação [A, Clean] Right [A, Dirty] Suck [B,Clean] Left [B,Dirty] Suck [A, Clean], [A, Clean] Right [A, Clean], [A, Clean] Suck
Roomba 880 (irobot)
Agentes Racionais Um agente deve procurar sempre fazer a coisa certa, baseado nas suas percepções e ações que pode executar A ação certa é aquela que aumenta as chances de sucesso do agente.
Agentes Racionais Medida de Performance é um critério objetivo para o sucesso do comportamento de um agente Ex: como medida de performance um aspirador de pó poderia utilizar quantidade de pó removido, quantidade de tempo gasto, etc.
Agentes Racionais Agente Racional: Para cada sequencia de percepção possível, um agente racional deve selecionar uma ação que maximize a sua medida de performance, a partir da evidencia fornecida pelas percepções e conhecimento embutido no agente.
Agentes Racionais Racionalidade não é omnisciencia (conhecimento infinito) Agentes podem realizar ações para modificar percepções futuras para conseguir informações (coleta de informações, exploração)
Agentes Racionais Um agente é autonomo se seu comportamento determinado por sua própria experiência (com hablidade de aprender e adaptar-se)
Análise baseada em agentes PAAS: Performance, Ambiente, Atuadores, Sensores Especifica a configuração para um projeto de agente inteligente
PAAS Agente: Motorista de Taxi Automático Performance : Viagem segura, rápida, comfortável, maximiza lucros Ambiente: Estradas, outros veículos, pedestres, clientes Atuatores: Direção, acelerador, freios, pisca alerta, buzina Sensores: Cameras, sonar, velocímetro, GPS, odometro, sensores do motor, etc.
PAAS Agente: Sistema de diagnóstico médico Performance: pacientes saudáveis, minimiza custos e processos por erro médicos Ambiente: Pacientes, hospital, pessoal de apoio Atuadores: Tela (questões, testes, diagnósticos, tratamentos, etc) Sensores: Teclado (por onde se informa os simtomas, exames, respostas dos pacientes)
PAAS Agente: Robô separador de peças Performance: Porcentagem de peças corretamente separadas Ambiente: esteira transportadora com peças Atuadores: braço articulado Sensores: Camera, sensores de angulo de articulações
PAAS Agente: Tutor Interactive de Lingua Performance: Maximiza nota dos estudantes em um teste Ambiente: Estudantes Atuadores: Tela (exercicios, sugestões, correções) Sensores: teclado
Tipos de Ambientes Completamente observavel (vs. parcialmente observavel): Os sensores de um agente acessa o estado completo do ambiente em um dado ponto do tempo. Deterministico (vs. estocastico): O próximo estado é completamente determinado pelo estado atual e ação executada Se o ambiente é deterministico, exceto pelas ações dos outros agentes, então o ambiente é estratégico) Episodico (vs. sequential): a experiência do agente é dividida em episódios (cada episódio consiste de uma percepção seguida de uma ação), e a escoha da ação depende apenas do próprio episódio.
Tipos de Ambientes Estático (vs. dinâmico): o ambiente não é modificado enquanto o agente está deliberando. ( O ambiente é semidinamico se o próprio ambiente não muda, mas a medida de performance muda) Discreto (vs. continuo): um número limitado de percepções e ações distintas e claramente definidas. Agent único (vs. multiagente): Um agente operando solitariamente em um ambiente.
Tipos de Ambiente Xadrez com Xadrez sem Taxi relógio relógio Fully observable Yes Yes No Deterministic Strategic Strategic No Episodic No No No Static Semi Yes No Discrete Yes Yes No Single agent No No No
Tipos de Ambiente O ambiente determina em grande parte o projeto do agente O mundo real é parcialmente observável, estocástico, sequencial, dinâmico, continuou, e multi-agente.
Funções e programas de agentes Um agente é completamente especificado por uma função de agente, mapeando percepções em ações. Um programa, rodando em plataforma especifica, implementa a função de agente.
Agente Tabela de Busca function Agente-Tabular(percept) adicionar percept ao fim da fila de percepts action lookup(table, percepts) return action
Agente Tabela de Busca Desvantagens: Tamanho da tabela pode ser muito grande Leva-se muito tempo para construir a tabela Sem autonomia Mesmo com aprendizagem, necessita um longo tempo para aprender as entradas da tabela.
Tipos de Agentes Quatro tipos básicos de agentes em ordem crescente de generalidade: Agentes reflexivos simples Agentes reflexivos baseados em modelo Agentes baseados em objetivos Agentes baseados em utilidade Agentes Aprendizes
Agentes reflexivos simples
Agentes reflexivos baseados em modelo
Agentes baseados em Objetivo
Agentes baseados em Utilidade
Agentes Aprendizes