Agentes Inteligentes, PEAS, Ambientes e Tarefas

1. Agentes Inteligentes, PEAS, Ambientes e Tarefas Prof. Alexandre Monteiro Recife

2. Contatos • Prof. Guilherme Alexandre Monteiro Reinaldo • Apelido: Alexandre Cordel • E-mail/gtalk: alexandrecordel@gmail.com greinaldo@fbv.edu.br • Site: http://www.alexandrecordel.com.br/fbv • Celular: (81) 9801-1878

3. Roteiro • O que é um Agente Racional (Inteligente)? • Qual sua utilidade em IA? • Ambientes e arquiteturas • Aplicações • Estado atual do conceito de agente

4. Agente Racional Um programa de IA pode ser visto como um Agente Racional. Agente Racional é aquele que faz tudo certo, ou seja, tudo certo visando o objetivo.

5. 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 Agente sensores ? a m b i e n t e modelo do ambiente Raciocinador atuadores

6. Medida de Desempenho (MD) • 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 • Ex. aspirador de pó, provador de teoremas, filtragem de e-mails, policial de trânsito, avaliador de clima...

7. Agente Racional (McCarthy & Hayes 69, Newell 81) • Agente Racional: fazer a melhor coisa possível • segue oprincípio 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) • Racionalidade¹ Onisciência, limitações de: • sensores • atuadores • raciocinador (conhecimento, tempo, etc.) • Agir para obter mais dados perceptivos é racional

8. Racionalidade vs. Onisciência • Racionalidade: maximiza o desempenho esperado. • Medida do desempenho que define o critério de sucesso • Conhecimento anterior que o agente tem do ambiente. • As ações que o agente pode executar • A sequência de percepções do agente até o momento • Onisciência: maximiza o desempenho real. • O agente sabe o resultado real de suas ações e pode agir de acordo com ele. • Ex: Avião de Eduardo Campos, improvável noticiar que ele foi idiota por pegar aquele avião.

9. Exploração e Aprendizagem • Exploração • Tem a finalidade de modificar percepções futuras, chamada de coleta de informações • Conhecer mais sobre o ambiente • Apredizagem • A partir da coleta de informações se pode aprender • Conhecimento a priori, não exige percepção nem aprendizagem

10. Autonomia e Utilidade • 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 • Independência de conhecimento anterior • Para construir um sistema inteligente, utilizamos • linguagem • inferência • conhecimento

11. A metáfora de agente decompõe 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

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

13. Exemplos de Agentes

14. Ambiente de Tarefa • PEAS (Performance, Environment, Actuators, Sensors) – desempenho, ambiente, atuadores e sensores. • Ex: Táxi automatizado

15. Propriedades de Ambientes de Tarefas • 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 (não muda) x dinâmico (muda) – semidinâmico (ações) • Determinista (conhece próximo estado) x estocástico (ñ-determinista) • Discreto x contínuo • Episódico (só depende das ações anteriores) x não-episódico (seqüêncial) • tamanho: número de percepções, ações, objetivos,... • Discreto (xadrez) x contínuo (dirigir táxi) • Agente único x multiagente

16. Ambientes: propriedades (1/2) • Acessível: quando os sensores do agente conseguem perceber o estado completo do ambiente. • Determinístico: opróximo 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.

17. Ambientes: propriedades (2/2) • 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.

18. Exemplos de Ambientes + OTamanho do ambiente é dado por: número de percepções, ações e objetivos possíveis

19. Algoritmo Básico • 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

20. Agente sensores Tabela • percepções ações • . . • . . ambiente atuadores Agente Tabela (chave-valor) • 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!

21. sensores Qual a aparência atual do mundo? a m b i e n t e Regras “condição-ação” Que ação devo executar agora? atuadores Agente Reativo Simples (percepção atual) Agente • 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

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

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

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

25. Agente com Aprendizado Agente • Ambiente: sem restrição • Vantagem: tem adaptabilidade (aprende) • Ex. motorista sem o mapa da cidade t+1 sensores crítico avaliação t trocas elemento de aprendizagem elemento de desempenho (agente) conhecimento a m b i e n t e objetivos de aprendizagem t Gerador de problemas atuadores

26. Simulação do Ambiente • 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

27. Simulação de ambiente • funçãosimulaAmbiente (estado, funçãoAtualização,agentes,final) repita para cada agente em agentesfaça Percept[agente] := pegaPercepção(agente,estado) para cada agente em agentesfaça Action[agente] := Programa[agente] (Percept[agente]) estado :=funçãoAtualização(ações, agentes, estado) scores := avaliaDesempenho(scores,agente,estado) //opcional atéfinal • Observação: • não cair em tentação “roubando” do ambiente a descrição do que aconteceu. Usar a memória do agente!

28. Inteligência Coletiva • 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

29. 3 5 3 5 7 8 1 7 8 1 1 2 3 4 2 6 4 2 6 4 5 6 7 8 IA Distribuída: dois tipos de 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, ... F

30. Questões • 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

31. Mundo WUMPUS

32. Mundo WUMPUS • O mundo de Wumpus é um problema didático onde o objetivo é encontrar um monte de ouro em uma de 16 salas possíveis. • Para isso o agente deve evitar as salas que contém poços sem  fundo e a sala onde está o Wumpus. O ambiente do mundo de Wumpus contém: • Wumpus, que é monstro que devora qualquer guerreiro que entrar em sua sala. • Malha 4×4 de salas conectadas por passagens. • Ouro em alguma sala. • Poços sem fundo nos quais cairá qualquer um que vagar por esta sala, exceto o Wumpus. • O agente pode matar o Wumpus, porém possui apenas uma flecha para fazer isso. • O agente sempre começa no quadrado identificado como [1,1] voltado para a direita. • As posições do Wumpus, ouro e poços são escolhidas ao acaso

33. Mundo WUMPUS • O agente que vasculhará o mundo de Wumpus em busca do ouros possui as seguintes características: • Medida de desempenho: +1.000 por pegar ouro, -1.000 se cair em um poço ou for devorado pelo Wumpus, -1 para cada ação executada, -10 pelo uso da flecha • Atuadores: O agente pode mover-se para frente, virar à esquerda, virar à direita, agarrar um objeto e atirar a flecha • Sensores: fedor (quadrados adjacentes ao Wumpus, exceto diagonal), brisa (quadrados adjacentes a um poço, exceto diagonal), resplendor (quadrados onde existe ouro), impacto (ao caminhar para uma parede) e audição (percebe o grito do  Wumpus ao morrer). • Agente não conhece a configuração do ambiente.

34. Mundo WUMPUS • Desenvolva um sistema que implemente um agente que explore autonomamente o Mundo de Wumpus instanciado de acordo com a figura vista no início desta especificação de trabalho. O sistema deverá ter as seguintes características: • Interface gráfica que permita visualizar o mundo de Wumpus e a movimentação do agente pelo conjunto de 16 salas; • Quando for encontrado o ouro, o agente deverá ir para a sala que contém o ouro e assim finalizar a execução do programa; • Deverá se levar em consideração as medidas de desempenho apresentadas nesta descrição de trabalho, de modo que o agente deverá encontrar o ouro escolhendo o caminho com o menor custo possível; • Deverá ser apresentado ao usuário do sistema as atualizações que serão feitas nos sensores do agente de acordo com as respostas fornecidas a partir de inferências.

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

36. Agente: ainda não há uma 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

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

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

39. Agentes na Internet • 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...

40. Conclusões • 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 ?

41. Desenvolvimento de software inteligente • 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

42. Referências • T. Mitchell. Machine Learning. McGraw Hill, New York, 1997. • Stuart Russell and Peter Norvig, Artificial Intelligence - A Modern Approach. Prentice Hall, 1995.