page1 das-5341: agentes inteligentes prof. eduardo camponogara

DAS-5341: Agentes Inteligentes

Prof. Eduardo Camponogara

Agenda• Introdução a agentes inteligentes

• Como devemos agir?– Mapeamento de sequências de percepção

para ações– Autonomia

Agenda• Estrutura de agentes inteligentes

– Programas de agentes– Por que não buscar respostas em tabelas?– Um exemplo– Agentes reflexivos– Agentes baseados em objetivos– Agentes baseados no conceito de utilidade

• Ambientes

Introdução

AmbienteAgente

percepção

ações

?

Sensores

Atuadores

Como projetar isto?

Introdução• Definição de Agente:

– Um agente é qualquer coisa que tem capacidade de percepção do ambiente, através de sensores, e de ação através de atuadores

• Um agente humano tem olhos, ouvidos, e outros órgãos como sensores, e mãos, pernas, boca, e outras partes como atuadores

Introdução• Um agente robótico utiliza câmeras e

dispositivos de infra-vermelho como sensores e vários motores como atuadores

Introdução• Um objetivo da Inteligência Artificial é projetar

agentes que façam um bom trabalho de atuar em um ambiente

AmbienteAgente

percepção

ações

?

Sensores

Atuadores

Como projetar isto?

Como agentes agem• Agente racional

– Um agente é dito racional se este faz o que é certo

– Certamente, isto é melhor do que fazer a coisa errada

• O que isto significa?– Como uma primeira aproximação, diremos que

a ação correta é uma que induz sucesso.– Isto deixa em aberto o problema de avaliar

como e quando avaliar o sucesso de um agente

Como agentes agem• Usaremos o termo medida de performance

para caracterizar a maneira que um agente age--este critério quantifica o grau de sucesso de um agente– Não há uma medida única de sucesso para

todos os agentes– A medida de desempenho deve ser imposta

por uma autoridade– Nós (os projetistas) estabelecemos um

padrão do que significa obter sucesso em um ambiente e usamos este para quantificar a performance do agente

Um exemplo• Como exemplo de medida de desempenho,

considere um agente aspirador-de-pó que deve limpar uma dada área

Um exemplo• Como exemplo de medida de desempenho,

considere um agente aspirador-de-pó

encarregado de limpar uma certa área

– uma medida de desempenho plausível é medir a quantidade de poeira coletada em um período de oito horas

– Uma medida mais sofisticada levaria em conta a quantidade de eletricidade consumida e a quantidade de ruído produzido

Quando medir a performance• O momento de avaliar a performance também

é importante.

– Se medimos após a primeira hora do dia, estaremos recompensando aqueles agentes que trabalham rápido, mesmo que façam pouca coisa mais tarde

– Portanto, desejamos uma medida de performance para um período longo, seja ela de oito horas ou uma vida inteira

Omnisciência Racionalidade• Um agente omnisciente sabe o resultado de

uma ação antes de tomá-la– Agentes omniscientes não são reais

• Considere o exemplo– Uma pessoa esta caminhando na calçada e

vê seu amigo do outro lado– Não havendo tráfego se aproximando ele

inicia a travessia

Omnisciência Racionalidade

Omnisciência Racionalidade• Considere o exemplo

– neste momento um objeto cai de um avião que está sobrevoando a área, a cerca de 30.000 pés, sobre o pedestre

• Foi então racional atravessar a rua?

Omnisciência Racionalidade• Foi racional atravessar a rua?

– O exemplo mostra que racionalidade está relacionada à expectativa de sucesso dado o que foi percebido

– Atravessar a rua foi racional porque, na maioria das vezes, a travessia teria sido bem-sucedida e não havia maneira de prever a queda do objeto

– Em outras palavras, não podemos culpar o agente por não levar em conta alguma coisa que ele não tinha condições de observar

Omnisciência Racionalidade• Em suma, o que é racional em um certo

instante de tempo depende de quatro fatoresmedida de desempenho: a medida de

desempenho define o grau de sucessopercepção: tudo que o agente percebeu até o

momento; chamamos esta informação de histórico de percepção completo

ambiente: tudo que o agente sabe sobre o ambiente

ações: as ações que o agente pode executar

Agente Racional Ideal• Para cada seqüência de percepção possível,

um agente racional ideal deve tomar a ação que maximiza a medida de desempenho, tendo como base as evidências fornecidas através da sequência e qualquer conhecimento embutido– Tomar ações de forma a obter informações

úteis (explorar e aprender) é uma parte importante da racionalidade

• A noção de agente deve ser utilizada como uma ferramenta para analisar um sistema, não como uma caracterização que divide o mundo entre agentes e não-agentes

Agente Racional Ideal• Considere um relógio

– Este pode ser visto como um agente inanimado ou como um agente simples

– Como agente, a maioria dos relógios fazem a coisa certa

– Relógios são um tipo de agente degenerado, cuja seqüência de percepção é vazia; quaisquer que sejam os eventos externos, o comportamento do relógio não se altera

Mapeamento ideal de seqüências de percepção em

ações• Uma vez verificado que o comportamento

de um agente depende da seqüência de percepção, podemos descrever qualquer agente particular por meio de uma tabela– Para cada seqüência possível, a tabela tem

uma entrada com ação correspondente– Tal tabela é dita mapeamento de

seqüências em ações– Testando todas as possíveis seqüências

podemos, em princípio, identificar o mapeamento que descreve o comportamento de um agente

Mapeando seqüências em ações• Se um mapeamento descreve um agente,

então um mapeamento ideal descreve um agente ideal– A especificação da ação correta para cada

seqüência resulta no projeto de um agente ideal

AgenteSequência s Acão a = f(s,t)

Mapeando seqüências em ações• De qualquer forma, isto não significa que

podemos criar uma tabela que explicitamente defina o comportamento de um agente

• É possível especificar um mapeamento de forma implícita, sem ter que enumerar todas as entradas da tabela?

Mapeando seqüências em ações• Considere um agente simples: calcular a

função raiz quadradaAção zPercepção x

.......

1.095 445 1151.2

1.048 808 8481.1

1.000 000 0001.0

Mapeando seqüências em ações• Function Sqrt(x)

z <- 1.0repeat until |z2 - x| < 10-5

z <- z - (z2 -x)/(2z)

Mapeando seqüências em ações• O exemplo da raiz quadrada ilustra o

relacionamento entre um mapeamento ideal e um agente ideal, para uma tarefa restrita– Enquanto que a tabela é excessivamente

grande, o agente é eficaz e compacto

• Para sorte da IA, é possível projetar agentes compactos que implementam um mapeamento ideal para problemas muito mais gerais

Autonomia• Há outro conceito relacionado com a definição

de agente ideal: o conhecimento embutido

• Se as ações de um agente são baseadas completamente no conhecimento embutido, de forma que o agente não presta atenção aos valores dos sensores (percepção), então dizemos que falta autonomia ao agente

Autonomia• Se o fabricante do relógio soubesse que o

dono vai viajar para a Austrália, ele poderia pré-programar o relógio

• A quem pertenceria a inteligência?

Autonomia

• A inteligência pertenceria ao fabricante, não ao relógio

Autonomia• Um sistema é autônomo à medida

que seu comportamento é determinado pela sua própria experiência

– Quando um agente tem pouca ou nenhuma experiência, ele teria que agir randomicamente a menos que o projetista forneça alguma assistência

Autonomia• Portanto, a teoria da

evolução permite que animais tenham reflexos embutidos que são suficientes para eles sobreviverem por um tempo longo, o suficiente, para aprenderem por si próprios

• Assim, seria razoável que a IA introduzisse conhecimentos iniciais e a habilidade de aprender em seus agentes artificiais

Autonomia• Um agente verdadeiramente autônomo

deve ser capaz de operar com sucesso, em uma variedade de ambientes, dado tempo suficiente para se adaptar

Estrutura de Agentes Inteligentes• Até este momento, falamos sobre como

descrever o comportamento dos agentes--a ação que é executada após uma seqüência de percepções.

• A tarefa de IA é projetar programas de agentes– uma função que implementa o mapeamento

da percepção em ações– se assume que o programa vai rodar em

algum tipo de dispositivo computacional, que chamamos de arquitetura

Arquitetura• A arquitetura pode ser

– um simples computador– hardware de propósito específico para

certas tarefas, tais como processamento de imagens e filtragem de áudio

• Em geral, a arquitetura:– apresenta a percepção dos sensores do

agente,– roda o programa do agente, e – alimenta as ações do agente aos atuadores

Agente

Agente Arquitetura

Programa

= +

Estrutura de Agentes• Programa:

– uma função que mapeia percepção em ação

• Arquitetura– Dispositivo computacional no qual o

programa é executado

• Agente = Programa + Arquitetura

Estrutura de Agentes• Para projetar agentes, precisamos de uma

idéia básica sobre:– Possíveis percepções e ações– Objetivos e medida de desempenho– O ambiente no qual o agente atuará

Exemplos de tipos de agentesAmbienteObjetivosAçõesPercepçãoTipo

Grupos de alunos

Maximizar acertos aluno

Sugestões de exercícios

Palavras digitadas

Tutor de Inglês inteligente

RefinariaSegurança, nível de pureza

Válvulas, ajuste de temp.

Temperatura, pressão

Controlador de refinaria

EsteiraMovimento correto

Partes a serem manipuladas

Pontos de imagem

Robô manipulador

Imagens de satélite

Classificação correta

Classificação da cena

Cor, resoluçãoAnálise de imagens

Paciente, Hospital

Saúde do paciente, minimização de custos

Questões, exames, e tratamentos

Sintomas, descobertas, respostas do paciente.

Diagnóstico médico

Programa de Agentes - Esqueleto

Função Agente(percepção) retorna açãoEstático: memória, memória do agente

memória <- Atualiza-Memória(memória, percepção)ação <- Escolha-Melhor-Ação(memória)memória <- Atualiza-Memória(memória, ação)retorna ação

Apenas um item de percepção em vez de uma seq.Sem medida de desempenho pois esta será

aplicada externamente

Programa de Agente: Tabela de Consulta

função Agente-Tabela(percepção) retorna açãoestática:sequência, inicialmente uma sequência vazia

tabela, uma tabela indexada por sequência de percepção, inicialmente vazia

insira percepção final sequência ação <- procura_tabela(sequência, tabela)retorna ação

Por que a abordagem por tabela falha?

• Número excessivo de entradas– 35100 entradas necessárias para um jogo de

xadrez• Leva muito tempo para construir a tabela• Sem autonomia

– Mudanças no ambiente podem tornar o agente totalmente inútil

• Aprendizagem leva muito tempo– Há tantas possibilidades que aprender o

valor correto de cada sequência vai consumir tempo “infinito”

Exemplo: motorista de taxi

Ruas, pedestres, clientes, sinais

Segurança, velocidade, conforto, lucro

Mover volante, acelerar, frear, falar

Câmeras, velocímetro, GPS, sonar, microfone

Motorista de taxi

AmbienteObjetivosAçõesPercepçãoTipo agente

• Use a percepção para determinar o estado– Onde nós estamos?– Qual é velocidade atual?– Quais são as condições do veículo?

• Lidar com objetivos conflitantes• Lidar com diferentes ambientes

Tipos gerais de agentes• Agentes reflexivos simples• Agentes que mantêm histórico do “mundo”• Agentes baseados em metas• Agentes baseados na função utilidade

1) Agente ReflexivoA

mbietne

Agente Sensores

Qual é a condição do mundo?

Que ação devotomar agora?

Atuadores

Regras condição-ação

• Regras condição-ação sumarizam parte da tabela– Exemplo: Se carro à frente está parando,

inicie frenagem

1) Agente Reflexivofunção Agente-Reflexivo(percepção) retorna ação

estático: regras, conjuntos de regras condição-ação

estado <- Interpretar-Entrada(percepção)regra <- Casa-Regra(estado, regras)ação <- Regra-ação(regra)retorna ação

• Implementação eficiente possível• Aplicabilidade limitada

2) Agentes que matêm informações sobre o “mundo”

EstadoA

mbiente

Agente Sensores

Qual é o estadodo mundo?

Que açõesdevo tomar

Atuadores

Regras condição-ação

Como o mundo evolui

Quais são minhas ações

• Matém um estado interno para escolher uma ação– Sensores não dão o estado completo do “mundo”

2) Agente com estado internofunção Agente-com-Estado(percepção) retorna açãoestático: estado, descrição do estado corrente do mundo regras, um conjunto de regras condição-açãoestado <- Atualiza-Estado(estado, percepção)regra <- Casa-Regra(estado,regras)ação <- Regra-Ação[regra]estado <- Atualiza-Estado(estado,ação)retorna ação

Atualiza-Estado cria um novo estado do mundo

3) Agentes baseados em metas• Informação sobre metas

Quais situações são desejáveis– Exemplo: o destino do passageiro

• Combine com resultados de ações– Algumas vezes apenas uma ação, outras

vezes uma sequência de ações

• Necessita considerações sobre o futuro– O que irá acontecer– O que me deixará contente

3) Agentes baseados em metas• Mais flexível do que o sistema baseado em

regras condição-ação– Inferência sobre o resultado de uma

frenagem em conexão com a meta em vez da resposta imediata

– Atualização do conhecimento mais rápida quando o ambiente se altera

– Exemplo: Frenagem em tempo chuvoso

3) Agentes baseados em metas

Estado

Am

biente

Agente Sensores

Qual é o estadodo mundo?

Que ação devotomar agora?

Atuadores

Metas

Como que o mundo evolui

Quais são minhas ações

Qual será o estadose eu tomar a ação A

4) Agentes com função utilidade• Metas podem ser atingidas de diferentes

maneiras– Qual é a mais desejável?

• Necessitamos de uma medida da utilidade dos estados– Quão satisfeito estará o agente quando a meta

é atingida?– Mapear o estado a um número real

• Permite tomada de decisões racionais– Metas conflitantes: apenas algumas podem ser

alcançadas– Várias metas: nenhuma pode ser alcançada

com certeza

4) Agentes com função utilidade

• Porque “satisfação” não é cientificamente aceito, dizemos que um “estado do mundo” é preferível a outro se o primeiro tiver mais “utilidade”

Agentes com função utilidade

Estado

Am

bientesAgente Sensores

Qual é o estadoatual do mundo?

Que ação devoescolher?

Atuadores

Como que o mundo evolui

Quais são minhas ações?

Qual será o estadoapós a ação A

Quão satisfeitoestarei neste estado?Utilidade

Referências• Stuart Russel and Peter Norvig, Artificial

Intelligence: A Modern Approach, Prentice Hall, 1995. – Chapter 2: Intelligent Agents

Fim• Obrigado pela presença!

page1 das-5341: agentes inteligentes prof. eduardo camponogara

Documents