Tópicos Aula 02a Agentes Inteligentes Prof. Dr. Alexandre da Silva Simões 1. Agentes: Conceitos básicos: função, programa, percepção, ações,... Relação entre comportamento e desempenho Racionalidade Autonomia 2. Ambientes: Tipos e propriedades 3. Agentes em ambientes: Programas Tipos Alexandre da Silva Simões 2 Agentes Mundo do aspirador de pó Um agente é tudo o que pode ser considerado capaz de perceber um ambiente por meio de sensores e agir sobre ele por intermédio de atuadores. Exemplos de agentes: homem, robô, software... Percepção: o que ele vê? Ação: o que ele pode fazer? Função do agente: mapeia qualquer seqüência de percepções específica para uma ação (descrição abstrata) Programa do agente: implementação da função do agente (descrição concreta) Alexandre da Silva Simões 3 Função do agente: limpar Ambiente: dois quadrados A e B (mundo simples: pode- se descrever tudo o que acontece!) Percepção do agente: em que quadrado ele está e se existe sujeira no quadrado Ações do agente: mover-se para esquerda, direita, aspirar o pó ou não fazer nada Alexandre da Silva Simões 4 1
Mundo do aspirador de pó A escolha de ação de um agente em qualquer instante dado pode depender da seqüência inteira de percepções observadas até o momento Tabulação da função do agente: Seqüência de percepções: Ação [A, Limpo] Direita [A, Sujo] Aspirar [B, Limpo] Esquerda [B, Sujo] Aspirar [A, Limpo] [A, Limpo] Direita [A, Limpo] [A, Sujo] Aspirar...... [A, Limpo] [A, Limpo] [A, Limpo] Direita [A, Limpo] [A, Limpo] [A, Sujo] Aspirar Como preencher a tabela??...... O que torna o agente bom ou ruim? Alexandre da Silva Simões 5 Como é um bom agente? Um bom agente é aquele que faz tudo certo O que significa o agente fazer tudo certo? Possível abordagem: a ação certa é aquela que fará o agente obter maior sucesso Necessidade de um método para medir o sucesso! Alexandre da Silva Simões 6 Medidas de desempenho Não existe medida apropriada para todos os agentes e situações: em geral é imposta pelo projetista que está construindo o agente Ex: possíveis medidas de desempenho para o agente aspirador de pó 1. Quantidade de sujeira limpa em um único turno de 8 horas (agente pode limpar tudo, jogar sujeira de volta no chão e limpar tudo) 2. Recompensar o agente por cada quadrado limpo e penalizá-lo pela eletricidade consumida e pelo ruído gerado 3. Observar a limpeza média ao longo do tempo Racionalidade Agente racional: Para cada seqüência de percepções possível, um agente racional deve selecionar uma ação que se espera venha a maximizar sua medida de desempenho, dada a evidência fornecida pela seqüência de percepções e por qualquer conhecimento interno do agente Depende de 4 fatores: A medida de desempenho que define o critério de sucesso O conhecimento anterior que o agente tem do ambiente As ações que o agente pode executar A seqüência de percepções do agente até o momento Alexandre da Silva Simões 7 Alexandre da Silva Simões 8 2
Aspirador de pó: agente racional? Aspirador de pó: agente racional? Conhecimento do ambiente: o ambiente é conhecido a priori, mas a distribuição da sujeira e a posição inicial do agente não são Ações: Esquerda, Direita, Aspirar e NOP (tabela anterior) Seqüência de percepções: o agente percebe sucessivamente a sua posição e se esta posição contém sujeira Medida de desempenho: 1 ponto para cada quadrado limpo em cada período de tempo até 1.000 períodos de tempo Obs: Utilizando a tabela anterior, após a limpeza o agente oscila de um lado para outro Agente Racional!!! (seleciona uma ação que se espera maximize sua medida de desempenho) Alexandre da Silva Simões 9 Conhecimento do ambiente: o ambiente é conhecido a priori, mas a distribuição da sujeira e a posição inicial do agente não são Ações: Esquerda, Direita, Aspirar e NOP (tabela anterior) Seqüência de percepções: o agente percebe a sua posição e se esta posição contém sujeira Medida de desempenho: 1 ponto para cada quadrado limpo em cada período de tempo até 1.000 períodos de tempo. Penalidade de 1 ponto para cada movimento à esquerda ou direita Agente Irracional!!!(com o conjunto de ações possíveis, o agente não maximiza sua medida de desempenho) Alexandre da Silva Simões 10 Racionalidade x onisciência Como são os agentes bem-sucedidos? Os agentes bem-sucedidos dividem a tarefa de calcular a função do agente em três momentos distintos: Racionalidade não é o mesmo que perfeição!!! Racionalidade: maximiza o desempenho esperado Perfeição: maximiza o desempenho real Alexandre da Silva Simões 11 1. Quando o agente está sendo projetado, uma parte do cálculo é feita por seus projetistas; 2. Quanto o agente está deliberando sobre sua próxima ação, o agente realiza mais cálculos; l 3. À medida que aprende a partir de experiências, ele efetua ainda mais cálculos para decidir como modificar seu comportamento Alexandre da Silva Simões 12 3
Aprendizado Agente racional pode não apenas coletar informações sobre o seu universo, mas pode também aprender com essas informações visando modifica seu comportamento futuro Alexandre da Silva Simões 13 Autonomia Agente autônomo: baseia-se em suas próprias percepções, e não no conhecimento anterior de seu projetista. Aprende o que puder para compensar um conhecimento prévio parcial ou incorreto. Agente racional: deve ser autônomo! Exemplo: agente aspirador de pó aprende a prever onde e quando vai aparecer sujeira Alexandre da Silva Simões 14 Ambientes Problema: motorista de táxi automatizado Tipo do agente Motorista táxi de Medida de desempenho Viagem segura, rápida, dentro da lei, confortável, maximizar lucros Ambiente Atuadores Sensores Estradas, outros tipos de tráfego, pedestres, clientes Direção, acelerador, freio, sinal, buzina, visor Câmeras, sonar velocímetro, GPS, odômetro, acelerômetro, sensores de motor, teclado Propriedades dos ambientes Completamente observável x parcialmente observável Os sensores do agente permitem acesso ao estado completo do ambiente? Ex: futebol de robôs com visão global (c.o.) x visão local (p.o.) Determinístico x estocástico Próximo estado é totalmente determinado pelo estado atual e pela ação executada pelo agente? Ex: aspirador de pó (determ.), robô taxista (estoc.) Episódico x seqüencial O episódio seguinte depende das ações executadas nos episódios anteriores? Ex: Jogar um dado (ep.), dar o próximo passo (seq.) Alexandre da Silva Simões 15 Alexandre da Silva Simões 16 4
Propriedades dos ambientes Propriedades dos ambientes Estático x dinâmico O ambiente se altera enquanto o agente está deliberando? Ex: xadrez (est.), futebol de robôs (din.) Discreto x contínuo O ambiente tem um número finito de estados? Os sensores ou atuadores utilizam medidas discretas? O tempo é discreto? Ex: xadrez (disc. com relação aos estados e sensores), motorista de taxi (cont. com relação aos estados e sensores) Agente único x multiagente Quantos agentes existem no ambiente? No caso de multiagente, os agentes competem ou cooperam? Ex: palavras cruzadas (único), jogo da velha (mult.) Ambiente Observável Determinístico Episódico Estático Discreto Agentes Jogo de palavras cruzadas Xadrez com um relógio Completamente Determinístico Seqüencial Estático Discreto Único Completamente Estratégico Seqüencial Semi Discreto Multi Pôquer Parcialmente Estratégico Seqüencial Estático Discreto Multi Direção de taxi Parcialmente Estocástico Seqüencial Dinâmico Contínuo Multi Diagnóstico Médico Parcialmente Estocástico Seqüencial Dinâmico Contínuo Único Alexandre da Silva Simões 17 Alexandre da Silva Simões 18 Propriedades dos ambientes Programas de agentes Ambiente Observável Determinístico Episódico Estático Discreto Agentes Análise de imagens Robô de seleção de peças Completamente Determinístico Episódico Semi Contínuo Único Parcialmente Estocástico Episódico Dinâmico Contínuo Único Controlador de Parcialmente Estocástico Seqüencial Dinâmico Contínuo Único refinaria Instrutor Parcialmente Estocástico Seqüencial Dinâmico Discreto Multi interativo de inglês Alexandre da Silva Simões 19 O programa AGENTE-DIRIGIDO-POR-TABELA é invocado a cada nova percepção eretorna uma ação de cada vez.ele mantém o controle da seqüência de percepções usando sua própria estrutura de dados privada: função AGENTE-DIRIGIDO-POR-TABELA (percepção) retorna uma ação variáveis estáticas: percepções: uma seqüência, inicialmente vazia tabela: uma tabela de ações, indexada d por seqüências de percepções, de início completamente especificada anexar percepção ao fim de percepções ação ACESSAR (percepções, tabela) retornar ação Alexandre da Silva Simões 20 5
Desafio da I.A. Descobrir como escrever programas que, na medida do possível, produzam um comportamento racional a partir de uma pequena quantidade de código, e não a partir de um grande número de entradas de tabelas as Exemplo: Tabela de raiz quadrada x método de Netwon Tipos de agentes Agentes reativos simples Agentes reativos baseados em modelo Agentes baseados em objetivo Agentes baseados na utilidade Alexandre da Silva Simões 21 Alexandre da Silva Simões 22 Agentes reativos simples Agentes reativos simples Selecionam ações com base na percepção atual, ignorando o restante do histórico das percepções Exemplo: aspirador de pó reativo 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 Alexandre da Silva Simões 23 função AGENTE-REATIVO-SIMPES (percepção) retorna uma ação variáveis estáticas: regras: um conjunto de regras condição-ação estado INTERPRETAR-ENTRADA (percepção) regra REGRA-CORRESPONDENTE (estado, regras) ação AÇÃO-DA-REGRA [regra] retornar ação Alexandre da Silva Simões 24 6
Agentes reativos baseados em modelo Agente controla a parte do mundo que ele não pode ver agora (agente mantém estado interno que depende do histórico de percepções) Exemplo: agente taxista vai trocar de pista e pode não ver momentaneamente alguns carros à sua volta Alexandre da Silva Simões 25 Agentes reativos baseados em modelo função AGENTE-REATIVO-COM-ESTADOS (percepção) retorna uma ação variáveis estáticas: estado: uma descrição do estado atual do mundo regras: um conjunto de regras condição-ação ação: a ação mais recente, inicialmente nenhuma estado ATUALIZAR-ESTADO (estado, ação, percepção) regra REGRA-CORRESPONDENTE (estado, regra) ação AÇÃO-DA-REGRA [regra] retornar ação Alexandre da Silva Simões 26 Agentes baseados em objetivos Agentes baseados em objetivos Agente combina seu objetivo com as informações sobre os resultados de ações possíveis a fim de escolher ações que alcancem os seus objetivos Exemplo: Taxi em um entroncamento de estradas: virar à esquerda, à direita ou ir em frente? Necessidade de busca e planejamento: subcampos da I.A. dedicados a encontrar seqüências de ações que alcançam os objetivos do agente Alexandre da Silva Simões 27 Alexandre da Silva Simões 28 7
Agentes baseados em utilidade Agentes baseados em utilidade Existem muitas seqüências de ações que levam o agente ao seu objetivo. Algumas mais rápidas, mais seguras, mais econômicas, etc. Agentes baseados em utilidade utilizam uma medida de desempenho (função de utilidade) que permite uma comparação entre diferentes estados do mundo, permitindo selecionar a seqüência de ações Alexandre da Silva Simões 29 Alexandre da Silva Simões 30 Agentes com aprendizagem Agentes com aprendizagem Um elemento de aprendizado utiliza realimentação sobre como um agente está funcionando e determina de que maneira o elemento de desempenho deve ser modificado para funcionar melhor no futuro Alexandre da Silva Simões 31 Alexandre da Silva Simões 32 8
Atividades extra-classe Leitura: RUSSELL, S. NORVIG, P. Inteligência Artificial. 2ª edição. Capítulo 2. Exercícios recomendados: 2.1, 2.2, 2.3, 2.4, 2.5, 2.6, 2.7, 2.8, 2.9, 2.10, 2.11, 2.12 Alexandre da Silva Simões 33 9