Agentes Inteligentes

Prévia do material em texto

1
Programa de Pós-Graduação 
em Ciência da Computação
UERN/UFERSA
Agentes Inteligentes
Prof. Marcelino Pereira
 2
Tópicos
 Agentes e Ambientes
 Conceito de Racionalidade
 Natureza dos Ambientes
 Estrutura de Agentes
 3
Agentes e Ambientes
 Agente
 Aquele considerado capaz de perceber seu ambiente 
por meio de sensores e de agir sobre esse ambiente 
por intermédio de atuadores
 Função de Agente
 Mapeia qualquer sequência de percepções específicas 
para uma ação
 Descrição matemática abstrata 
 Programa de Agente
 Implementação concreta, relacionada à arquitetura do 
agente
 4
Sophie
 5
Agentes e Ambientes
 6
Agentes e Ambientes
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
 7
Conceito de Racionalidade
 Agente racional
 Aquele que faz tudo certo
 Ação certa é aquela que fará o agente obter 
maior sucesso
 Método para medir o sucesso
 Medida de desempenho
 Critério de sucesso
 8
Conceito de Racionalidade
 Racionalidade depende de:
 Medida de desempenho que define o critério de 
sucesso
 O conhecimento anterior que o agente tem do 
ambiente
 Ações que o agente pode executar
 Seqüência de percepções do agente até o 
momento
 9
Conceito de 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.
 10
Conceito de Racionalidade
 Onisciência
 Um agente onisciente sabe o resultado real de suas 
ações e pode agir de acordo com ele
 Onisciência nem sempre é possível aos agentes
 Racionalidade não é o mesmo que perfeição
 Coleta de informações
 Realização de ações com a finalidade de modificar 
percepções futuras
 Aprendizagem
 À medida que o agente ganha experiência, ele 
modifica e amplia o conhecimento anterior do 
ambiente
 11
Conceito de Racionalidade
 Autonomia
 O agente aprende o que puder para compensar 
um conhecimento prévio parcial ou incorreto.
 12
Natureza dos Ambientes
 Ambientes de tarefas
 Problemas para os quais os agentes racionais 
são as soluções
 Medida de desempenho
 Ambiente
 Atuadores
 Sensores
 Primeiro passo no projeto de um agente
 Especificar o ambiente de tarefa da forma 
mais completa possível (PEAS)
 13
Natureza dos Ambientes
 Exemplo: motorista de táxi
 Medidas de desempenho
 Chegar ao destino correto
 Minimizar o consumo de combustível e desgaste
 Minimizar o tempo e/ou custo da viagem
 Minimizar infrações de trânsito e perturbações
 Maximizar a segurança e o conforto dos passageiros
 Maximizar os lucros
 Alguns objetivos são conflitantes
 Neste caso, serão estabelecidos compromissos
 14
Natureza dos Ambientes
 Exemplo: motorista de táxi
 Ambiente
 Diferentes tipos de ruas, avenidas e estradas
 Tráfego, pedestre, animais, operários, policiamento, 
buracos
 Passageiros potenciais e reais
 Condições metereológicas
 Quanto mais restrito o ambiente, mais fácil 
projetar o agente
 15
Natureza dos Ambientes
 Exemplo: motorista de táxi
 Atuadores
 Acelerador, câmbio, direção, freio
 Meios de comunicação com passageiros e outros 
motoristas
 Sensores
 Localização, velocidade, noção de elementos na 
estrada
 Dispositivos para entrada de informações
 16
Natureza dos Ambientes
 17
Natureza dos Ambientes
 Agentes 
 Robôs
 Industriais
 Agentes de software (softbots)
 Ambientes ricos e ilimitados
 Agente para pilotar um simulador de vôo
 Ambiente detalhado e complexo
 Agente deve escolher uma dentre várias ações em tempo 
real
 Agente vasculhador de notícias na web
 Processamento de linguagem natural
 Mudar planos dinamicamente
 Internet: muitos agentes artificiais
 18
Relay
 19
Relay
 20
Natureza dos Ambientes
 Propriedades de ambientes de tarefas
 Completamente observável
 Os sensores detectam todos os aspectos que são 
relevantes para a escolha da ação
 A relevância depende da medida de desempenho
 Parcialmente observável
 Ruído, imprecisão/limitação dos sensores
 Partes do estado estão ausentes nos dados do sensor
 21
Natureza dos Ambientes
 Propriedades de ambientes de tarefas
 Determinístico
 O próximo estado do ambiente é completamente 
determinado pelo estado atual e pela ação executada 
pelo agente
 Estocástico
 Caso contrário
 Se o ambiente é determinístico exceto pelas 
ações de outros agentes, dizemos que o 
ambiente é estratégico
 22
Natureza dos Ambientes
 Propriedades de ambientes de tarefas
 Episódico
 A experiência do agente é dividida em episódios 
atômicos
 O episódio seguinte não depende das ações 
executadas em episódios anteriores
 Ex.: localização de peças defeituosas
 Seqüencial
 A decisão atual pode afetar decisões futuras
 Ex: xadrez, táxi
 Ambientes episódicos são mais simples
 O agente não precisa pensar à frente
 23
Natureza dos Ambientes
 Propriedades de ambientes de tarefas
 Dinâmico
 O ambiente pode alterar-se enquanto o agente está 
deliberando
 Estático
 Caso contrário
 O agente não precisa continuar a observar o mundo enquanto 
está decidindo
 Não precisa se preocupar com o passar do tempo –p. cruzadas
 Semidinâmico
 O ambiente não muda com a passagem do tempo, mas o nível 
de desempenho do agente se altera (jogo de xadrez) 
 24
Natureza dos Ambientes
 Propriedades de ambientes de tarefas
 Estado do ambiente, modo como o tempo é 
tratado, percepções e ações do agente
 Discreto
 Xadrez: estados, percepções e ações discretas
 Contínuo
 Táxi: estado contínuo, ações e tempo contínuo
 Intervalo de valores contínuos ao longo do tempo
 25
Natureza dos Ambientes
 Propriedades de ambientes de tarefas
 Agente único
 Palavras cruzadas
 Multiagente
 Xadrez
 Competitivo
 Maximizar sua própria medida de desempenho
 Minimizar a do outro
 Cooperativo
 Maximizar a medida de desempenho de todos os agentes
 26
Exemplos de Ambientes
 27
Estrutura de Agentes
 Comportamento
 Ação executada após qualquer seqüência de 
percepções específica
 Função de agente
 Mapeia percepções em ações
 Programa de agente
 Implementa a função de agente
 Arquitetura
 Dispositivo de computação com sensores e atuadores 
 AGENTE = arquitetura + programa
 28
Programas de Agentes
 Recebem a percepção e retornam uma ação
 Memorização de percepções
 Caso as ações do agente dependam da 
seqüência de percepções inteira
 Função de agente representada por tabela
 A tabela deve conter a ação apropriada para 
todas as seqüências de percepções possíveis
 Para muitos casos, a tabela seria intratável
 29
Agentes e Ambientes
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
 30
Programas de Agentes
 Desafio fundamental da IA
 Descobrir como escrever programas que produzam 
um comportamento racional a partir de código 
pequeno (Ex.: √)
 31
Programas de Agentes
 Quatro tipos básicos de programas de 
agentes
 Agentes reativos simples
 Agentes reativosbaseados em modelos
 Agentes baseados em objetivos
 Agentes baseados na utilidade
 Agentes com aprendizado
 Baseados nos tipos básicos
 32
Agentes Reativos Simples
 Ações
 Selecionadas com base na percepção atual
 Ignoram o histórico de percepções
 Exemplo 1: aspirador
 A decisão baseia-se apenas na posição atual e no fato desta 
estar suja ou não
 Exemplo 2: freio automático
 Regra condição-ação ou regra de produção
 se carro-da-frente-está-freando então começar-a-frear
 33
Agentes Reativos Simples
 34
Agentes Reativos Simples
 Inteligência muito limitada
 Ambiente tem que ser completamente observável
 INTERPRETAR-ENTRADA
 Gera descrição do estado atual da percepção
 REGRA-CORRESPONDENTE
 Retorna a primeira regra do conjunto que corresponde à 
descrição de estado fornecida
 35
Agentes Reativos Simples
 Loops infinitos
 Agentes reativos simples operando em 
ambientes parcialmente observáveis
 Opção
 Ações aleatórias
 Inclusive em ambientes multiagentes
 36
Agentes Reativos 
Baseados em Modelos
 Lidando com observação parcial
 Controlar a parte do mundo que o agente não pode ver agora
 Estado interno
 Depende do histórico de percepções
 Reflete alguns dos aspectos não observáveis
 Exemplo: trocar de pista (taxi)
 O agente precisa controlar onde os outros carros estão se não 
puder vê-los todos de uma vez
 Atualização de informações internas de estados à medida que o 
tempo passa
 Como o mundo evolui independentemente do agente
 Como as ações do próprio agente afetam o mundo
 “Como o mundo funciona”
 Modelo do mundo
 O agente controla o estado atual do mundo através de um 
modelo interno
 37
Agentes Reativos 
Baseados em Modelos
 38
Agentes Reativos 
Baseados em Modelos
 39
Agentes Baseados em Objetivos
 Objetivos
 Situações desejáveis
 Ex.: chegar a um destino 
 Podem ser combinados com informações sobre 
os resultados de ações possíveis
 A fim de escolher ações que alcancem os objetivos
 Ação
 Única - quando a satisfação do objetivo resulta de 
imediato da ação
 Várias ações – quando o agente tiver de considerar 
longas seqüências de ações até encontrar um meio 
de atingir o objetivo (busca e planejamento)
 40
Agentes Baseados em Objetivos
 Envolve tomadas de decisão
 “O que acontecerá se eu fizer isso e aquilo?”
 Ex.: frear o carro – objetivo: não atingir outros
 O agente é mais flexível
 O conhecimento que apóia suas decisões é 
representado de maneira explícita e pode ser 
modificado
 Atualização de conhecimento
 Alteração de comportamentos relevantes para 
atender às novas condições
 Ex.: frear o carro sob chuva
 41
Agentes Baseados em Objetivos
Controla o estado do mundo, bem como um conjunto de objetivos 
que está tentando atingir, e escolhe uma ação que (no final) 
levará à realização de seus objetivos.
 42
Agentes Baseados na Utilidade
 Seqüências de ações
 Muitas delas permitirão atingir o objetivo
 Algumas são mais rápidas, mais seguras, mais 
confiáveis, mais econômicas
 Medidas de desempenho permitem comparar opções
 Utilidade
 Se um estado for preferível a outro, ele terá maior 
utilidade para o agente
 Função de utilidade
 Mapeia um estado (seqüência de estados) em um número real
 Descreve o grau de “felicidade” associado
 43
Agentes Baseados na Utilidade
 Função de utilidade
 Mapeia um estado para um grau de utilidade
 Permite decisões racionais
 Objetivos contraditórios (ex: velocidade e segurança)
 Especifica o compromisso apropriado
 Vários objetivos desejáveis mas nenhum deles que 
possa ser atingido com certeza
 A função de utilidade fornece meios pelo qual a 
probabilidade de sucesso pode ser ponderada em relação à 
importância dos objetivos
 O agente tenta maximizar o valor esperado da fç. utilidade
 44
Agentes Baseados na Utilidade
 45
Agentes com Agentes com 
AprendizagemAprendizagem
 46
Agentes com Aprendizagem
Permite ao agente operar em ambientes inicialmente desconhecidos e se tornar 
mais competente do que seu conhecimento inicial poderia permitir
 47
Agentes com Aprendizagem
 Componentes conceituais
 Elemento de aprendizado
 Responsável pela execução de aperfeiçoamentos
 Elemento de desempenho
 Coleção de conhecimentos e procedimentos p/ selecionar ações
 Responsável pela seleção de ações externas
 Agente completo (anteriormente)
 Recebe percepções e decide sobre ações
 Crítico
 Informações sobre como o agente está funcionando
 As próprias percepções não fornecem indicação de sucesso
 Determina de que maneira o elemento de desempenho deve ser 
modificado p/ funcionar melhor no futuro
 Padrão de desempenho (deve ser fixo)
 48
Agentes com Aprendizagem
 Componentes conceituais
 Gerador de problemas
 Sugere ações explorativas que levarão a experiências 
novas/informativas
 Permite descobrir ações melhores a longo prazo
 Exemplo
 Crítico observa o mundo e repassa informações ao elemento 
de aprendizagem
 Ele avalia novas ações e formula novas regras
» Ex.: Nova e brusca manobra
» Avaliada como ruim (gera uma regra estabelecendo isso)
 Gerador de problemas
 Identifica comportamentos que necessitam de melhorias e 
sugere experimentos
 49
Agentes com Aprendizagem
 O elemento de aprendizagem pode fazer 
mudanças em qualquer dos componentes de 
conhecimento dos agentes anteriores
 Padrão de desempenho
 Parte da percepção de entrada
 Recompensa ou penalidade
 Recompensa sobre a qualidade do comportamento do agente
 Aprendizagem em agentes inteligentes
 Processo de modificação de cada componente do 
agente a fim de melhorar o desempenho do agente
 50
Dinossauro do Chrome
 51
Bibliografia
 Russel & Norvig. Inteligência Artificial. 2a Ed. 
 Russel & Norvig. Artificial Intelligence. 3a Ed.
– Capítulo 2 (2ª/3ª Edição)
 LER CAP 1 & CAP 2
 http://aima.cs.berkeley.edu/
 Exercícios sugeridos: 2.7 2.8 2.9
	Slide 1
	Slide 2
	Slide 3
	Slide 4
	Slide 5
	Slide 6
	Slide 7
	Slide 8
	Slide 9
	Slide 10
	Slide 11
	Slide 12
	Slide 13
	Slide 14
	Slide 15
	Slide 16
	Slide 17
	Slide 18
	Slide 19
	Slide 20
	Slide 21
	Slide 22
	Slide 23
	Slide 24
	Slide 25
	Slide 26
	Slide 27
	Slide 28
	Slide 29
	Slide 30
	Slide 31
	Slide 32
	Slide 33
	Slide 34
	Slide 35
	Slide 36
	Slide 37
	Slide 38
	Slide 39
	Slide 40
	Slide 41
	Slide 42
	Slide 43
	Slide 44
	Slide 45
	Slide 46
	Slide 47
	Slide 48
	Slide 49
	Slide 50
	Slide 51