Inteligncia Artificial Universidade da Madeira

Inteligncia Artificial

Agentes Inteligentes

Agenda

zO que um Agente
z Como Definir Agentes
z Arquitectura dos Agentes

1
Inteligncia Artificial Universidade da Madeira

O que um agente
z Em geral um agente qualquer entidade que:
z Percebe seu ambiente atravs de sensores (ex.
cmaras, microfone, teclado, ...).
z Age sobre ele atravs de actuadores (ex. vdeo,
impressora, braos, rodas, ftp, ...)

Sensores

Percepes Agente
Ambiente

?
modelo do
ambiente
Aces
Actuadores

O que um agente?
Definies formais
z Russel & Norvig 2004
Um agente qualquer entidade que percebe seu ambiente
e atravs de sensores actua sobre esse mediante
actuadores. Um agente racional quando realiza a menor
aco possvel a partir dos dados percebidos;

z Wooldridge 2004
Um agente inteligente um sistema (hardware ou
software) situado em um determinado ambiente, capaz de
actuar de forma autnoma e racional dentro do ambiente
para executar seus objectivos predeterminados;

2
Inteligncia Artificial Universidade da Madeira

O que um agente?
Definies formais
z River 1996
Um agente um programa de computador que funciona
em background, e desenvolve tarefas autnomas
conforme delegadas pelo utilizador;
z Michael Coen 1996
Agentes so programas que desenvolvem dilogos,
negociam e coordenam transferncia de informaes;
z Virdhagriswaran 1995
Os agentes apresentam conceitos de habilidade para
execuo autnoma e habilidade para executar raciocnio
orientado ao domnio.

Exemplos de Agentes
z Agente humano
z Sensores: Olho, ouvidos, pele, gosto, etc.
z Actuadores: Mos, ps, pernas, boca, etc.
z Impulsionados pelos msculos.
z Agente robot
z Sensores: Cmara, infravermelhos, pra-choques, etc.
z Actuadores: pinas, rodas, luzes, etc.
z Usualmente impulsionados por motores.
z Agente software
z Sensores: Inputs
z Actuadores: Outputs

3
Inteligncia Artificial Universidade da Madeira

Agente Racional
(McCarthy & Hayes 69, Newell 81)
z Segue o princpio da racionalidade: dada uma sequncia
perceptiva, o agente escolhe, segundo os seus
conhecimentos, as aces que satisfazem melhor o seu
objectivo.
z Racional NO omnisciente;
z Racional NO clarividente;
z Racional NO necessariamente bem sucedido;
z Existem limitaes de:
z Sensores.
z Actuadores.
z Raciocinador (conhecimento, tempo, etc.).
z Agir para obter mais dados perceptivos racional.

Agente Racional
(McCarthy & Hayes 69, Newell 81)

Mas, como avaliar um agente?

4
Inteligncia Artificial Universidade da Madeira

Medida de Desempenho
z Critrio que define o grau de sucesso de
um agente na realizao de uma dada
tarefa.
z Esta medida deve ser imposta pelo exterior.
z Objectiva / Subjectiva.
z Quantitativa / Qualitativa.
z Momento de avaliao (antes / depois).
z Melhor / Pior / Mdia.

Medida de Desempenho
z Exemplo:
z Ao atravessar uma rua deve-se observar se no vem carro das
duas direces, assim poderemos atravessar. Mas...
z No podemos condenar um agente que falha por no
levar em conta algo que ele no pode perceber ou por
uma aco que ele no capaz de tomar
z Agente que atravessa a rua sem olhar no racional
z A aco correcta seria olhar porque maximiza o
desempenho

5
Inteligncia Artificial Universidade da Madeira

Propriedades dos Agentes

(Wooldridge e Jennings)
z Autonomia: agentes que operam sem a interveno de humanos ou
outros, e possuem algum tipo de controlo sobre as suas aces e
estado interno;

z Pr Actividade: agentes que no se limitam a agir em resposta ao

seu ambiente. Eles so capazes de tomar a iniciativa e exibir
comportamento direccionado por objectivos;

z Reactividade: agentes que tm a percepo do seu ambiente e

respondem rapidamente s alteraes que nele ocorrem;

z Habilidade Social: agentes que so capazes de interagir com outros

agentes (e possivelmente com humanos) atravs de uma dada
linguagem de comunicao de agentes.

M. Wooldridge and N. R. Jennings. Intelligent Agents: Theory and Practice. In Knowledge Engineering Review
10(2), 1995.

Outras Propriedades Desejveis

z Mobilidade. Capacidade de um agente se movimentar
de um local para outro. Usualmente esta capacidade
mencionada no contexto de agentes de software e como
tal a movimentao verifica-se no interior de uma rede
de computadores.

z Conhecimento e Crena. Possuir conhecimento consiste

em possuir uma coleco de informao dinmica e
capacidade de raciocnio sobre essa informao. Uma
crena representa a noo actual que o agente possui
sobre determinado facto. So geralmente dinmicas,
isto , podem alterar o seu valor de verdade com o
tempo.

6
Inteligncia Artificial Universidade da Madeira

Outras Propriedades Desejveis

z Intenes e Obrigaes. Intenes so objectivos de
longo prazo do agente. Obrigaes esto relacionadas
com compromissos que o agente assumiu
anteriormente.

z Racionalidade. Um agente agir de forma a atingir os

seus objectivos e no agir de forma a impedir que
esses mesmos objectivos sejam atingidos. Em cada
instante, face ao seu conhecimento e de acordo com as
suas capacidades tentar executar a melhor aco para
cumprir esses objectivos.

Outras Propriedades Desejveis

z Inteligncia. O estado de um agente formalizado por
conhecimento (i.e. crenas, objectivos, planos e
assunes) e ele interage com outros agentes utilizando
uma linguagem simblica. Possui capacidade de
raciocnio abstracto e de resoluo de novos problemas
e adaptao a novas situaes.

z Continuidade Temporal. O agente um processo que

executado continuamente ao longo do tempo
(persistente).

7
Inteligncia Artificial Universidade da Madeira

Outras Propriedades Desejveis

z Carcter. O agente possui uma personalidade credvel e
eventualmente possui tambm um estado emocional.

z Aprendizagem. Capacidades de aprendizagem que

fazem com que o agente adquira novo conhecimento e
altere o seu comportamento baseado na sua experincia
prvia.

Estrutura de um Agente
z Agente = programa + arquitectura

z Programa uma funo que relaciona as

percepes (entradas) do agente para aces
(sadas).

z Arquitectura suporte dado a execuo dos

programas de agente.
z A aquisio de percepes (sensores)
z Execuo de aces no ambiente (actuadores)

8
Inteligncia Artificial Universidade da Madeira

Agenda

zO que um Agente
z Como Definir Agentes
z Arquitectura dos
Agentes

Definindo Agentes
z Percepes z Percepts

z Aces z Actions

z Objectivos z Goals

z Ambiente z Environment

9
Inteligncia Artificial Universidade da Madeira

Exemplo: Agente da Policia

raciocnio
Agente Conhecimento: Objectivo: Aces:
- leis - fazer com que as leis - multar
- comportamento sejam respeitadas - apitar
dos indivduos,... - parar, ...

percepo execuo

Ambiente

Exemplo extrado de www.cin.ufpe.br/~in1006/2003/IntelligentAgents.ppt

Exemplos
Agente Dados Aces Objectivos Ambiente
perceptivos
Diagnstico Sintomas, Perguntar, Sade do paciente, Paciente,
mdico paciente, exames prescrever exames, minimizar custos gabinete, ...
respostas, ... testar
Anlise de Pixels imprimir uma categorizar Imagens de
imagens de categorizao correctamente satlite
satlite
Tutor de Palavras Imprimir exerccios, Melhorar o Conjunto de
portugus digitadas sugestes, desempenho do estudantes
correces, ... estudante
Filtrador de mensagens Aceitar ou rejeitar Aliviar a carga de Mensagens,
mails mensagens leitura do usurio usurios

Motorista de Imagens, travar, acelerar, Segurana, Ruas, pedestres,

txi velocmetro, dobrar, falar com rapidez, economia, carros, ...
sons passageiro, ... conforto,...
Msico de jazz Sons seus e de Escolher e tocar Tocar bem, se Msicos,
outros msicos, notas no andamento divertir, agradar publico, grades
grades de de acordes
acordes

10
Inteligncia Artificial Universidade da Madeira

Ambiente
z Classes de Ambiente:
z Fsicos: Robots
z Software: Softbot

z As propriedades do ambiente determinam

em grande parte o projecto do agente.

Propriedades do Ambiente
z acessvel x inacessvel
z acessvel quando os sensores do agente
conseguem perceber o estado completo do ambiente.
z Exemplo: Poker VS. Damas (Checkers)
z esttico x dinmico
z esttico quando o ambiente no muda enquanto o
agente est escolhendo a aco a realizar.
z Exemplo Civilization II VS. Age of Empires
z Semi-esttico: o ambiente no muda enquanto o
agente delibera, mas o "score" do agente muda.

11
Inteligncia Artificial Universidade da Madeira

Propriedades do Ambiente
z determinista x no-determinista
z determinista quando o prximo estado do ambiente
pode ser completamente determinado pelo estado
actual e as aces seleccionadas pelo agente.
z Exemplo: Gamo (Backgammon) VS. Damas (Checkers)

z discreto x contnuo
z continuo quando as percepes e aces mudam
em um espectro contnuo de valores.
z Exemplo: ABS (Anti-Block System) Vs. BlackJack

Propriedades do Ambiente
z episdico x no-episdico
z episdico quando a experincia do agente
dividida em episdios. Cada episdio consiste em o
agente perceber e ento agir. Cada episdio no
depende das aces que ocorreram em episdios
prvios.
z Exemplo: Roleta vs Xadrez

12
Inteligncia Artificial Universidade da Madeira

Exemplos de Ambientes
Agente\Ambiente acessvel determinista episdico esttico discreto
xadrez sem relgio Sim Sim No Sim Sim
xadrez com relgio Sim Sim No Semi sim
gamo sim no no sim sim
motorista de txi No No No No No
mdico No No No No No
tutor No No No No Sim
Analisador de imagem Sim Sim Sim Semi No
Busca na web No No Sim No Sim
Filtrador de mail Sim No Sim No Sim
Msico Sim No No No No

Outras Propriedades
z agente nico x agentes mltiplos
z Palavras cruzadas agente nico.
z Xadrez agentes mltiplos -> ambiente competitivo.
z Conduzir um txi agentes mltiplos ->ambiente
cooperativo.
z A comunicao necessria em multi-agentes.
z tamanho do ambiente
z nmero de percepes, aces, objectivos.

13
Inteligncia Artificial Universidade da Madeira

Agenda

zO que um Agente
z Como Definir Agentes
z Arquitectura dos Agentes

Algoritmo Bsico de um Agente

function ESQUELETO_DE_AGENTE(percepo):aco
static: memria (memria do agente sobre o mundo)
memria ACTUALIZA_MEMRIA(memria, percepo)
aco ESCOLHA_A_MELHOR_ACO(memria)
memria ACTUALIZA_MEMRIA(memria,aco)
return aco

z O agente percebe apenas uma coisa de cada vez e no

uma sequncia.
z Deve decidir se armazena a sequncia ou no.

z O objectivo no faz parte da template (medido

externamente).

14
Inteligncia Artificial Universidade da Madeira

Arquitectura de Agentes

Sensores

Actuadores

Grficos originais: http://ia.ucpel.tche.br/~lpalazzo/Aulas/SMA/01-agentes-inteligentes.ppt

Arquitectura de Agentes
z Dependendo o que feito em temos
diferentes tipos de agentes

Agente tabela
Agente reactivo
Agente reactivo com estado
interno (autmato)
Agente cognitivo (baseado
em objectivos)
Agente optimizador
Agente que aprende autonomia
complexidade

15
Inteligncia Artificial Universidade da Madeira

Agente Tabela

Sensores

Tabela
percepes aces
. .
. .

Actuadores

Grficos originais: http://ia.ucpel.tche.br/~lpalazzo/Aulas/SMA/01-agentes-inteligentes.ppt

Agente Tabela
z Dada uma percepo simplesmente procura a resposta.
z Problemas
z A tabela pode ser muito grande.
z Ex.: um agente para jogar xadrez teria 35100 entradas.
z Mesmo que fosse possvel constru-la esta poderia levar muito tempo.
z O agente no tem autonomia, pois as aces so derivadas do seu
conhecimento interno (e no da sua experincia).
z Uma troca inesperada no ambiente poderia resultar em falha.
z Se for dado ao agente um mecanismo de aprendizagem para aumentar
o grau de autonomia, ele poder ficar aprendendo para sempre sem
que todas as entradas da tabela sejam preenchidas.
z Ambientes
z Acessvel, determinista, episdico, esttico, discreto e minsculo!

16
Inteligncia Artificial Universidade da Madeira

Agente Reactivo
z A tabela perfeita / completa totalmente invivel.

z possvel sumarizar a tabela usando:

z Entradas/sadas comuns.
z Pr processamento do sinal de entrada para identificar
condies comuns.

z Usa regras de condio aco

z Se velocidade > 60 ento multar

Agente Reactivo

Sensores

Como o
mundo agora?

Regras Que aco deve

condio-aco ser executada?

Actuadores

17
Inteligncia Artificial Universidade da Madeira

Agente Reactivo
z Problemas
z A deciso do agente s depende da percepo actual.
z Muitas solues no podem ser alcanadas se o agente no
souber o que fez antes ou como o mundo era antes.
z No pode armazenar uma sequncia perceptiva, e tem pouca
autonomia.
z Aplicabilidade restrita: funciona apenas se o ambiente for
completamente observvel.
z Exemplo: Para carros sem luz central de freio, um agente
reactivo no consegue determinar com uma nica imagem
se o carro da frente est fazendo sinal de mudana de
direco, alerta ou freio.
z Ambientes
z Reflexo imprescindvel em ambientes dinmicos
z Acessvel, episdico, pequeno

Agente Reactivo com Estado Interno

z O estado actual dado em funo do estado anterior
(histrico) e do que foi percebido no ambiente.
z O agente tem um estado interno com as informaes
colectadas do ambiente.

z Dois tipos de conhecimento so necessrios para

actualizar a memria do agente (modelo do mundo):
z Como o ambiente evolu independente do agente
z Um carro que est ultrapassando em geral estar mais perto do
que estava um instante antes.

z Como as aces do prprio agente afectam o mundo

z Se o agente virar o volante direita, o carro ir virar para a direita.

18
Inteligncia Artificial Universidade da Madeira

Agente Reactivo com Estado Interno

Estado
Sensores
Como o
mundo evolui?
Como o
O que minhas mundo agora?
aces fazem?
Regras Que aco deve
condio-aco ser executada?

Actuadores

Agentes Reactivos com Estado Interno

z Problemas
z Conhecer os estados do ambiente no suficiente para tomar
uma boa deciso.
z Exemplo: o agente Motorista de Txi chega a um cruzamento
com trs caminhos, qual ser a direco que deve escolher?

z simplesmente reagir no d, existem trs reaces possveis

z saber do passado do ambiente tambm no ajuda a decidir qual o
caminho
z A deciso depende apenas do destino que o txi est tentando
chegar.

z Ambientes
z determinista e pequeno

19
Inteligncia Artificial Universidade da Madeira

Agente Cognitivo
(baseado em objectivo)
z O agente precisa de algum tipo de informao sobre o
seu objectivo.
z Objectivos descrevem situaes desejveis. Ex.: estar no
destino.

z Combinando informaes sobre:

z O objectivo do agente.
z Os resultados de suas aces.

z O agente pode escolher aces que alcancem o

objectivo.

z A seleco da aco baseada em objectivo pode ser:

z Directa: quando o resultado de uma nica aco atinge o
objectivo.
z Mais complexa: quando ser necessrio longas sequncias de
aces para atingir o objectivo.

Agente Cognitivo
(baseado em objectivo)
z Para encontrar sequncias de aces que alcanam os
objectivos
z Algoritmos de Busca (procura) e Planeamento.

z A tomada de deciso envolve a considerao do futuro.

z O que acontecer se eu fizer isso ou aquilo?
z O quanto isso melhorar o meu desempenho?

z Exemplos:
z Objectivo: no bater no carro da frente.
z Se o carro da frente pra, pela forma de funcionamento do mundo,
a nica aco que atinge o objectivo de no bater tambm parar.

20
Inteligncia Artificial Universidade da Madeira

Agente Cognitivo
(baseado em objectivo)
Estado
Sensores
Como o
mundo evolui? Como o
mundo agora?
O que minhas
aces fazem? Como ele ser se for
executada a aco A?

Objetivos Que ao deve

ser executada?

Actuadores

Agente Cognitivo
(baseado em objectivo)
z Consideraes / Problemas
z O agente que funciona orientado a objectivos mais flexvel.
z Agente reflexo aces pr compiladas.
z Agente p/ objectivo pode alterar somente o objectivo sem necessidade
de se reescrever as regras de comportamento.

z Mais flexvel representao do conhecimento permite modificaes

z Ex.: Se comear a chover, todas as informaes relevantes podem ser
alteradas para se operar de forma eficiente.

z Contudo, o objectivo no garante o melhor comportamento para o

agente, apenas a distino entre os estados, objectivos e no
objectivos.
z Exemplo: algumas alternativas de planeamento de aces futuras podem
ser mais rpidas, seguras ou baratas que outras.

z Ambientes
z Determinista.

21
Inteligncia Artificial Universidade da Madeira

Agente Optimizador
z Tambm chamado baseado em utilidade.

z Se um estado do mundo mais desejvel que outro, ento ele ter maior
utilidade para o agente.

z Utilidade uma funo que relaciona um estado para um nmero real, que
representa o grau de satisfao com este estado.

z Nos casos onde existem objectivos conflituantes (velocidade x segurana)

a utilidade pode determinar o peso adequado a cada objectivo.

z Qualquer agente racional deve se comportar como se possusse uma

funo de utilidade, cujo o valor esperado ele tenta maximizar.

z (A origem da utilizao da funo de utilidade vem da teoria da deciso).

Agentes Optimizador

Estado
Sensores
Como o
mundo evolui? Como o
mundo agora?
O que minhas
aces fazem? Como ele ser se for
executada a aco A?
Quanto mais
feliz serei eu? Que aco deve
Utilidade ser executada?

Actuadores

22
Inteligncia Artificial Universidade da Madeira

Agentes Optimizador
z Desvantagem
z No tem adaptabilidade
z Ambientes
z sem restrio

Agentes que Aprendem

z Quatro componentes conceituais

z Elemento de aprendizado:
z Responsvel pela execuo dos aperfeioamentos.

z Crtico:
z O elemento de aprendizado realimenta o crtico sobre
como o agente est funcionando.
z Determina de que maneira o elemento de desempenho deve
ser modificado.

23
Inteligncia Artificial Universidade da Madeira

Agentes que Aprendem

z Quatro componentes conceituais

z Elementos de desempenho:
z Responsvel pela seleco de aces externas.
z Antes visto como o agente completo recebe percepes e
decide sobre aces.

z Gerador de problemas:
z Responsvel por sugerir aces que levaro a experincias
novas e informativas.

Agentes que Aprendem

Padres de Desempenho
Sensores

Crtica

Graduao do
Aprendizado
Desempenho

Gerador de
Problemas

Actuadores

24
Inteligncia Artificial Universidade da Madeira

Agentes que Aprendem

z Ambientes
z Sem restrio.

Agentes Inteligentes

z Constituem um paradigma especialmente adequado

para a modelagem de sistemas de IA.

z A racionalidade dos agentes o seu principal

atributo e corresponde ao seu componente
inteligente.

z Apresentam-se em diferentes graus de

complexidade e sempre so capazes de aprender.

25
Inteligncia Artificial Universidade da Madeira

Leituras
LIVROS
z Russel, Norvig, Artificial Intelligence: A Modern
Approach, Cap. 2.
z Costa, Simes, Inteligncia Artificial. Fundamentos e
Aplicaes. Cap 1.5, 2.1,3.1,4.1,5.1.
ARTIGOS
z Intelligent Agents: Theory and Practice. M. Wooldridge e
N. R. Jennings. Knowledge Engineering Review 10(2),
1995.
http://www.csc.liv.ac.uk/~mjw/pubs/ker95.pdf

FIM

26