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 do 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
•
•
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
Poker
Diagnostico
Medico
Sim
Sim
Não
Não
Não
Não
Completamente observável
Determinístico
Estático
Não
Não
Sim
Sim
Não
Não
Não
Não
Sim
Sim
Não
Não
Não
Sim
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
•
De uma forma mais genérica, podemos definir o comportamento de um
agente reativo simples da seguinte forma:
function SIMPLE-REFLEX-AGENT(percept) returns action
static:rules, a set of condition action rules
state ← INTERPRET-INPUT(percept)
rule ← RULE-MATCH(state, rules)
action ← RULE-ACTION(rule)
return action
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.
A tabela de regras condição-ação pode se tornar muito
grande em problemas complexos.
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
•
De uma forma mais genérica, podemos definir o comportamento de um
agente reativo simples da seguinte forma:
function REFLEX-AGENT-WITH-STATE(percept) returns an action
static: state, a description of the current world state
rules, a set of condition-action rules
action, the most recent action, initially none
state ← UPDATE_INPUT(state, action, percept)
rule ← RULE_MATCH(state, rules)
action ← RULE_ACTION[rule]
return action
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
Exercícios
•
1) Defina uma medida de desempenho, o ambiente,
os atuadores e os sensores para os seguintes casos:
a) Robô jogador de futebol.
b) Agente para uma livraria online.
c) Assistente matemático para prova de teoremas.
Exercícios
Robô jogador de futebol
•
•
•
•
Medida de desempenho:
– número de gols do time ou do jogador, ganhar o jogo.
Ambiente:
–
campo de futebol, bola, outros jogadores.
Atuadores:
–
motores para controle das pernas, cabeça e corpo.
Sensores:
–
câmera, sensores de orientação, comunicação entre os outros
jogadores, sensores de toque.
Exercícios
Agente para uma livraria online
•
•
•
•
Medida de desempenho:
– minimizar custos, informação sobre livros de interesse.
Ambiente:
–
internet e navegador.
Atuadores:
–
realizar uma nova compra, exibir informação de comprar antigas.
Sensores:
–
páginas, botões ou links clicados pelo usuário.
Exercícios
Assistente matemático para prova de teoremas
•
•
•
•
Medida de desempenho:
–
tempo gasto, grau de precisão.
Ambiente:
–
teorema a ser provado.
Atuadores:
–
aceitar teoremas corretos, rejeitar teoremas incorretos, inferir fatos.
Sensores:
–
dispositivo de entrada para ler o teorema.
Exercícios
•
2) Ambas as funções de medida de desempenho
e utilidade em agentes baseados na utilidade
servem para mensurar o quão bem o agente está
atuando. Qual a diferença entre essas duas
funções?
–
A função de desempenho é utilizado externamente para
medir o desempenho do agente. A função de utilidade é
utilizado internamente pelo agente para estimar o seu
desempenho. Todos os tipos de agentes tem uma função
de desempenho, mas nem sempre uma função de
utilidade.
Leitura Complementar
•
Russell, S. and Novig, P. Artificial Intelligence: a
Modern Approach, 2nd Edition, Prentice-Hall,
2003.
•
Capítulo 2: Intelligent Agents