Exposicion Agentes Inteligentes
Upcoming SlideShare
Loading in...5
×
 

Exposicion Agentes Inteligentes

on

  • 6,617 views

 

Statistics

Views

Total Views
6,617
Views on SlideShare
6,586
Embed Views
31

Actions

Likes
1
Downloads
180
Comments
0

4 Embeds 31

http://inteligencia-artificial-dvs.blogspot.com 24
http://www.slideshare.net 3
http://www.perueduca.pe 3
http://inteligencia-artificial-dvs.blogspot.mx 1

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Exposicion Agentes Inteligentes Exposicion Agentes Inteligentes Presentation Transcript

  • CESAR ALFONSO CHARRIA IVAN MAURICIO MELO DIDIER AUGUSTO FERIA CARLOS ANDRES LOPEZ
  •  
    • Determinar la forma de medir el éxito.
    • Descripción del entorno.
    • Descripción de sensores.
    • Descripción de actuadores del agente.
    View slide
    • Son criterios que determinan el éxito del comportamiento del agente.
    • Genera una secuencia de acciones de acuerdo con las percepciones que recibe, ésta secuencia de acciones hace que su hábitat pase por una secuencia de estados.
    • Si la secuencia es deseada el agente habrá actuado correctamente.
    View slide
    • La medida de rendimiento que define el criterio de éxito.
    • El conocimiento del medio en el que habita.
    • Las acciones que el agente puede llevar a cabo.
    • La secuencia de percepciones del agente hasta ese momento.
    • Debe emprender aquella acción que supuestamente maximice su medida de rendimiento, basándose en las evidencias aportadas por la secuencia de percepciones y en el conocimiento que el agente mantiene almacenado.
    • Un agente omnisciente conoce el resultado de su acción y actúa de acuerdo con él, sin embargo la omnisciencia realmente no es posible.
    • La racionalidad no es lo mismo que la perfección.
    • La racionalidad maximiza el rendimiento esperado y la perfección maximiza el resultado real.
    • Son los problemas para los cuales los agentes racionales son las soluciones:
    • Se especifica el entorno de trabajo, ilustrando el trabajo con varios ejemplos.
    • Se evidencia que el entorno de trabajo ofrece diferentes posibilidades que influyen en el diseño del programa del agente.
    • El primer paso siempre debe ser especificar un entorno de trabajo de la manera mas completa posible.
    Tipo de agente Medidas de rendimiento Entorno Actuadores Sensores Taxista Seguro, rápido, legal, viaje confortable, maximización del beneficio. Carreteras, trafico, peatones, clientes. Dirección, acelerador, freno, señal, bocina, visualizador. Cámaras, sonar, velocímetro, GPS, tacómetro, visualizador de aceleración, sensores del motor, teclado.
    • No importa entre un medio “real” y “artificial” sino la complejidad de la relación entre:
    • Integran medios y funciones de gran complejidad, que en gran medida están orientados a operar en tiempo real, que deben elegir entre un gran espectro de posibilidades de operación la que mas se ajuste a la solución del problema.
    • Los entornos de trabajo en los cuales se implementa la IA es muy amplio, en donde se pueden identificar cierto numero de dimensiones, donde se categorizan los entornos, que hasta cierto punto determinan el diseño mas adecuado para el agente y las principales técnicas de implementación.
    • Totalmente observables: cuando los sensores del agente detectan todos los aspectos relevantes del entorno en la toma de decisiones, dependientes de las medidas de rendimiento.
    • Parcialmente observables: cuando hay existencia de sensores poco exactos o porque no reciben información por parte del sistema.
    • Determinista: es cuando el siguiente estado del medio esta condicionado por el estado actual y la acción ejecutada por el agente.
    • Estocástico: si el medio es parcialmente observable; cuando se hace difícil mantener constancia de todos los aspectos observados.
    • Estratégico: si el medio es determinista excepto para las acciones de otros agentes.
    • Episódico: consiste en la percepción del agente y la realización de una única acción posterior que no depende de un episodio previo, ni afecta a un episodio futuro.
    • Secuencial: la decisión presente afecta las decisiones futuras. Son mas complejos que los episódicos porque hay que pensar con ciertos limites de tiempo
    • Estático: cuando los medios son constantes “no cambiantes” son mas fáciles de tratar porque el agente no necesita contemplar en todo momento el mundo mientras decide, ni el paso del tiempo.
    • Dinámico: el entorno es cambiante cuando el agente esta deliberando, en donde se esta indagando constantemente sobre el ¿Qué hacer?
    • Semi-dinámico: cuando el entorno no cambia, mas si el rendimiento.
    • Discreto: cuando existe un numero finito de estados, acciones y percepciones.
    • Continuo: cuando no existe un numero finito de estados, acciones y percepciones.
    • Individual: cuando los estados, acciones y percepciones de un entorno están dados por un solo agente.
    • Multi-agente: cuando los estados, acciones y percepciones de un entorno están dados por dos o mas agentes. Pueden ser competitivos y cooperativos.
    • Cuando todas las reglas o normativas de un entorno no están explicitas, se reduce la posibilidad de determinar que tan observable es.
    • Las dimensiones del entorno de trabajo, se definen netamente
    • Se hace una simulación de la realidad para generar o proponer agentes que solventen los problemas presentados en diversos escenarios y el generador de entornos selecciona hábitats particulares.
    • El trabajo de la IA es diseñar el programa del agente que implemente la función del agente que proyecta las percepciones en las acciones.
    • Se asume que este programa se ejecutara en algún tipo de computador lo cual se conoce como arquitectura.
    • Agente = arquitectura + programa
    • Los programas de los agentes se describen con la ayuda de un sencillo lenguaje de pseudocódigo.
    • Función AGENTE-DIRIGIDO-MEDIANTE-TABLA(percepción) devuelve una acción
    • variables estáticas: percepciones , una secuencia, vacía inicialmente
        • tabla, una tabla de acciones, indexada por las secuencias de percepciones, totalmente definida inicialmente.
        • añadir la percepción al final de las percepciones
        • acción  CONSULTA( percepciones, tabla)
        • devolver acción
    El programa AGENTE-DIRIGIDO-MEDIANTE-TABLA se invoca con cada nueva percepción y devuelve una acción en cada momento. Almacena la secuencia de percepciones utilizando su propia estructura de datos privada.
    • Para construir un agente racional de esta forma, los diseñadores debe realizar una tabla que contenga las acciones apropiadas para cada secuencia posible.
    • Por esto se puede observa que esta propuesta esta condenada al fracaso porque:
      • No hay agente que tenga espacio suficiente para almacenar la tabla.
      • El diseñador no tendrá tiempo de crear la tabla.
      • Ningún agente podrá aprender todas las entradas de la tabla a partir de su experiencia.
    • Es el tipo de agente mas sencillo. Basa sus acciones en las percepciones actuales, ignorando el resto de las percepciones históricas.
    • Tiene la admirable propiedad de ser simples, pero posee una inteligencia muy limitada.
  • Actuadores Medio ambiente Agente Sensores Cómo es el mundo ahora Qué acción debo tomar ahora Reglas de condición-acción Actuadores
    • Debe mantener algún tipo de estado interno que dependa de la historia percibida.
    • La actualización del estado interno requiere codificar 2 tipos de conocimiento:
      • Se necesita alguna información acerca de cómo evoluciona el mundo.
      • Se necesita información sobre como afecta al mundo las acciones del agente.
    • El conocimiento acerca de cómo funciona el mundo se denomina modelo del mundo.
    • Un agente que utilice estos modelos es un agente basado en modelos.
    • Este modelo nos muestra como la percepción actual se combina con el estado interno antiguo para generar la descripción actualizada del estado actual.
  • Actuadores Estado Cómo evoluciona el mundo Qué efectos causan mis acciones Medio ambiente Agente Sensores Cómo es el mundo ahora Qué acción debo tomar ahora Reglas de condición-acción Actuadores
    • El agente necesita algún tipo de información sobre su meta que describa las situaciones que son deseables.
    • La selección de acciones basadas en objetivos es directa, cuando alcanzar los objetivos es el resultado inmediato de una acción individual.
    • En otras ocasiones, puede ser mas complicado, cuando el agente tiene que considerar secuencias complejas.
  • Actuadores Estado Cómo evoluciona el mundo Qué efectos causan mis acciones Qué pasará si realizo la acción A Medio ambiente Agente Sensores Cómo es el mundo ahora Qué acción debo llevar a cabo ahora Objetivos Actuadores
    • Una función de utilidad proyecta un estado(o secuencia de estados) en un numero real, que representa un nivel de felicidad.
    • Permite tomar decisiones racionales en dos tipos de casos en los que las metas son inadecuadas:
      • Cuando haya objetivos conflictivos.
      • Cuando haya varios objetivos por los que se pueda guiar el agente.
  • Actuadores Estado Cómo evoluciona el mundo Qué efectos causan mis acciones Qué pasará si realizo la acción A Estaré contento con este estado Medio ambiente Agente Sensores Cómo es el mundo ahora Qué acción debo llevar a cabo ahora Utilidad Actuadores
    • Se propone construir maquinas que aprendan y después enseñarlas.
    • El aprendizaje permite que el agente opere en medios inicialmente desconocidos y que sea mas competente que si sólo utilizara un conocimiento inicial.
    • Se puede dividir en cuatro componentes conceptuales:
      • Elemento de aprendizaje , esta responsabilizado de hacer mejoras.
      • Elemento de actuación , esta responsabilizado de la selección de acciones externas.
      • Críticas , realimenta el elemento de aprendizaje y determina como se debe modificar el elemento de actuación para proporcionar mejores resultados en el futuro.
      • Generador de problemas , responsable de sugerir acciones que lo guiaran hacia experiencias nuevas e informativas.
  • Actuadores Elemento de aprendizaje Generador de problemas Nivel de actuación Retroalimentación Objetivos a aprender Cambios Conocimiento Medio ambiente Agente Sensores Elemento de actuación Crítica Actuadores
    • En conclusión podemos decir que:
    • Los agentes reactivos simples responden directamente a las percepciones.
    • Los agentes reactivos basados en modelos mantienen un estado interno que les permite seguir el rastro de aspectos del mundo que no son evidentes.
    • Los agentes basados en objetivos actúan con la intención de alcanzar una meta.
    • Los agentes basados en utilidad intenta maximizar su felicidad deseada.
    • Todos los agentes pueden mejorar su eficacia con la ayuda de mecanismos de aprendizaje.