INF 1771 – Inteligência Artificial
Aula 02 – Agentes Inteligentes
Edirlei Soares de Lima
<elima@inf.puc-rio.br>
Agentes Inteligentes
Um agente é algo capaz de perceber seu
ambiente por meio de sensores e de agir
sobre esse ambiente por meio de
atuadores.
Agente
percepções
sensores
?
Ambiente
ações
atuadores
Exemplos
Agente humano
Sensores: Olhos, ouvidos e outros órgãos.
Atuadores: Mãos, pernas, boca e outras partes do
corpo.
Agente robótico
Sensores: câmeras e outros sensores.
Atuadores: vários motores.
Agente de software
Sensores: entrada do teclado, conteúdo de
arquivos e pacotes vindos da rede.
Atuadores: tela, disco rígido, envio de pacotes pela
rede.
Agentes Inteligentes
Agentes são diferente de meros programas,
pois operam sob controle autônomo,
percebem seu ambiente, adaptam-se a
mudanças e são capazes de assumir metas.
Mapeando Percepções em Ações
O comportamento de um agente é dado
abstratamente pela função do agente:
f = P* → A
onde é a P* é uma sequência de percepções
e A é uma ação.
Sequência de percepções: histórico
completo de tudo que o agente percebeu.
Exemplo: O Mundo do Aspirador de Pó
Percepções: Local e conteúdo.
Exemplo: [A, sujo]
Ações: Esquerda, Direita, Aspirar, NoOp
Exemplo: O Mundo do Aspirador de Pó
Sequência de Percepções
Ação
[
[
[
[
[
[
A, Limpo]
Direita
Aspirar
Esquerda
Aspirar
Direita
Aspirar
…
A, Sujo]
B, Limpo]
B, Sujo]
A, Limpo], [A, Limpo]
A, Limpo], [A, Sujo]
.
..
[
[
A, Limpo], [A, Limpo], [A, Limpo]
A, Limpo], [A, Limpo], [A, Sujo]
Direita
Aspirar
…
.
..
Programa: Se o quadrado atual
estiver sujo, então aspirar, caso
contrário mover para o outro lado.
Medindo o Desempenho de um Agente
O agente deve tomar a ação “correta”
baseado no que ele percebe para ter
sucesso.
O conceito de sucesso do agente depende uma
medida de desempenho objetiva.
Exemplos: quantidade de sujeira aspirada, gasto de
energia, gasto de tempo, quantidade de barulho
gerado, etc.
A medida de desempenho deve refletir o resultado
realmente desejado.
Agentes Racionais
Agente racional:
Para cada sequência de percepções
possíveis deve-se selecionar uma ação que
espera-se que venha a maximizar sua
medida de desempenho, dada a evidência
fornecida pela sequência de percepções e
por qualquer conhecimento interno do
agente.
Qual seria a medida de desempenho ideal
para o agente aspirador de pó racional?
Agentes Racionais
Os agentes podem (e devem!) executar ações para
coleta de informações.
Um tipo importante de coleta de informação é a
exploração de um ambiente desconhecido.
Os agentes também podem (e devem!) aprender, ou
seja, modificar seu comportamento dependendo
do que ele percebe ao longo do tempo.
Nesse caso o agente é chamado de autônomo.
Um agente que aprende pode ter sucesso em uma ampla
variedade de ambientes.
Modelagem de um Agente
O processo de modelagem de um agente
envolve a definição de:
Medida de Desempenho
Ambiente
Atuadores
Sensores
Exemplo - Motorista de Táxi Automatizado
Medida de desempenho: viagem segura, rápida,
sem violações às leis de trânsito, confortável para os
passageiros, maximizando os lucros.
Ambiente: ruas, estradas, outros veículos, pedestres,
clientes.
Atuadores: direção, acelerador, freio, embreagem,
marcha, seta, buzina.
Sensores: câmera, sonar, velocímetro, GPS,
acelerômetro, sensores do motor, teclado ou
microfone.
Exemplo - Sistema de Diagnóstico Médico
Medida de desempenho: paciente
saudável, minimizar custos, processos
judiciais.
Ambiente: paciente, hospital, equipe.
Atuadores: exibir perguntas na tela, testes,
diagnósticos, tratamentos.
Sensores: entrada pelo teclado para
sintomas, descobertas, respostas do
paciente.
Exemplo - Robô de seleção de peças
Medida de desempenho: porcentagem de
peças em bandejas corretas.
Ambiente: correia transportadora com
peças; bandejas.
Atuadores: braço e mão articulados.
Sensores: câmera, sensores angulares
articulados.
Propriedades do Ambientes
Completamente Observável:
Os sensores do agente dão acesso ao estado
completo do ambiente em cada instante.
Todos os aspectos relevantes do ambiente são
acessíveis.
Parcialmente Observável:
Os sensores do agente permitem que o agente
tenha acesso a somente parte do ambiente.
Propriedades do Ambientes
Determinístico:
O próximo estado do ambiente é completamente
determinado pelo estado atual e pela ação
executada pelo agente.
Não-Determinístico:
O próximo estado do ambiente é desconhecido.
Não se tem certeza do que pode acontecer com o
ambiente ao executar uma ação.
Propriedades do Ambientes
Estático:
O ambiente não muda enquanto o agente pensa.
Dinâmico:
O ambiente pode mudar enquanto o agente pensa
ou está executando uma ação.
Propriedades do Ambientes
Discreto:
Um número limitado e claramente definido de
percepções, ações e estados.
Contínuo:
Um número possivelmente infinito de percepções,
ações e estados.
Propriedades do Ambientes
Agente Único:
Um único agente operando sozinho no ambiente.
Multi-Agente
Vários agentes interagindo ambiente.
Multi-agente cooperativo
Multi-agente competitivo
Exemplos
Xadrez
Taxista
Automático
Completamente observável
Determinístico
Estático
Sim
Sim
Não
Não
Sim
Sim
Não
Não
Não
Não
Discreto
Agente único
Tipos Básicos de Agentes
Existem cinco tipos básicos de agentes:
Agentes reativos simples.
Agentes reativos baseados em modelos.
Agentes baseados em objetivos.
Agentes baseados na utilidade.
Agentes com aprendizagem.
Agente Reativo Simples
Agentes reativos selecionam ações com base somente
na percepção atual.
Exemplo: agente aspirador de pó
Função AGENTE-ASPIRADOR-REATIVO ([posição, estado])
retorna ação
Inicio
se estado = sujo então
retorna aspirar
senão se posição = A então
retorna direita
senão se posição = B então
retorna esquerda
Fim
Agente Reativo Simples
Agente Reativo Simples
O funcionamento do agente reativo é
baseado em regras de condição-ação: if
condição then ação.
São simples, porém limitados:
Funcionará somente se a decisão correta puder ser
tomada com base apenas na percepção atual.
Ambiente completamente observável.
Agentes Reativos Baseados em Modelos
Um agente reativo baseado em modelo pode lidar com
ambientes parcialmente observáveis.
O agente deve controlar as partes do mundo que ele não
pode ver.
O agente deve manter um estado interno que dependa
do histórico de percepções e reflita os aspectos não
observados no estado atual.
Agente baseado em modelo é um agente que usa um
modelo de mundo.
Como o ambiente evoluí independente do agente?
Como as ações do próprio agente afetam o mundo?
Agentes Reativos Baseados em Modelos
Agentes Reativos Baseados em Modelos
Conhecer um modelo do mundo nem
sempre é suficiente para tomar uma boa
decisão.
Exemplo:
Um agente Motorista de Táxi chega a um
cruzamento com três caminhos, qual direção
tomar?
Simplesmente reagir? mas existem três reações
possíveis.
Examinar o modelo de mundo? não ajuda a
decidir qual o caminho.
A decisão depende de onde o táxi está tentando
chegar.
Agentes Baseados em Objetivos
Agentes baseados em objetivos expandem as
capacidades dos agentes baseados em modelos
através de um “objetivo”.
O objetivos descreve situações desejáveis.
Exemplo: estar no destino
A seleção da ação baseada em objetivo pode ser:
Direta: quando o resultado de uma única ação atinge o
objetivo.
Mais complexa: quando será necessário longas
sequências de ações para atingir o objetivo.
Agentes Baseados em Objetivos
Para encontrar sequências de ações que
alcançam os objetivos são utilizados
algoritmos de Busca e Planejamento.
A tomada de decisão envolve a
consideração do futuro, o que não
acontece com o uso de regras de condição-
ação.
“
“
O que acontecerá se eu fizer isso ou aquilo?”
O quanto isso me ajudará a atingir o objetivo?”
Agentes Baseados em Objetivos
Agentes Baseados em Objetivos
O agente que funciona orientado a objetivos
é mais flexível do que um agente reativo.
Entretanto, o objetivo não garante o
melhor comportamento para o agente,
apenas a distinção entre estados objetivos
e não objetivos.
Agentes Baseados na Utilidade
Agentes baseados na utilidade buscam
definir um grau de satisfação com os
estados. O quanto o agente está “feliz” com
aquele estado.
Se um estado do mundo é mais desejável
que outro, então ele terá maior utilidade
para o agente.
Utilidade é uma função que mapeia um
estado para um número real que
representa o grau de satisfação com este
estado.
Agentes Baseados na Utilidade
Agentes com Aprendizagem
Agentes com aprendizado podem atuar
em ambientes totalmente desconhecidos e se
tornar mais eficientes do que o seu
conhecimento inicial poderia permitir.
Em agentes sem aprendizagem, tudo o que o
agente sabe foi colocado nele pelo projetista.
Agentes com Aprendizagem