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