Successfully reported this slideshow.

IA - Aula 03 - Agentes parte 1

1,752 views

Published on

  • Be the first to comment

IA - Aula 03 - Agentes parte 1

  1. 1. Inteligência Artificial Aula 03 – Agentes, parte 1 <ul><ul><li>Prof. Andrei de A. Formiga </li></ul></ul>
  2. 2. O que são Agentes Inteligentes? <ul><ul><li>Um agente inteligente é uma entidade que age de forma a atingir o melhor resultado ou, na presença de incertezas, o melhor resultado esperado. </li></ul></ul>
  3. 3. Mas... <ul><li>Existe alguma estrutura comum aos agentes? </li></ul><ul><li>O que significa o melhor resultado ? </li></ul><ul><li>O melhor resultado depende de onde o agente está? </li></ul><ul><li>Como podemos caracterizar a racionalidade ? </li></ul>
  4. 4. Plano <ul><li>Agentes e Ambientes </li></ul><ul><li>Racionalidade </li></ul><ul><li>Ambientes e Problemas </li></ul><ul><li>Estrutura dos Agentes </li></ul>
  5. 5. O Agente e seu Ambiente <ul><li>Um agente é uma entidade que percebe seu ambiente através de sensores , e atua nele através de atuadores . </li></ul>
  6. 6. Percepção <ul><li>Percepto : conjunto de todas as entradas dos sensores </li></ul><ul><li>Seqüência perceptiva : seqüência de perceptos </li></ul>
  7. 7. Descrevendo Agentes <ul><li>Ação pode depender de toda seqüência perceptiva até o momento </li></ul><ul><li>Para cada seqüência, temos uma ação </li></ul><ul><li>Essa correspondência descreve completamente um agente </li></ul><ul><li>Relação entrada x saída: função do agente </li></ul>seq. perceptiva ações
  8. 8. Função do Agente <ul><li>Podemos criar uma tabela </li></ul><ul><ul><li>Para cada seq. perceptiva, lista a ação </li></ul></ul><ul><ul><li>Caracterização externa </li></ul></ul><ul><ul><li>Não diz muito sobre implementação </li></ul></ul><ul><li>Função x Implementação </li></ul><ul><ul><li>Implementação: programa do agente </li></ul></ul><ul><ul><li>Vários programas podem implementar a mesma função </li></ul></ul>
  9. 9. Exemplo <ul><li>Mundo do aspirador de pó </li></ul>
  10. 10. Mundo do aspirador <ul><li>Agente: aspirador de pó </li></ul><ul><li>Cada bloco pode estar limpo ou ter poeira </li></ul><ul><li>Percepção </li></ul><ul><ul><li>Qual o bloco atual </li></ul></ul><ul><ul><li>Se o bloco atual está limpo </li></ul></ul>
  11. 11. Mundo do aspirador <ul><li>Ações do aspirador: </li></ul><ul><ul><li>Aspirar </li></ul></ul><ul><ul><li>Ir para a esquerda </li></ul></ul><ul><ul><li>Ir para a direita </li></ul></ul><ul><ul><li>Nenhuma </li></ul></ul>
  12. 12. Mundo do aspirador <ul><li>Estratégia simples: </li></ul><ul><ul><li>Se bloco atual tem poeira: </li></ul></ul><ul><ul><ul><li>Aspirar </li></ul></ul></ul><ul><ul><li>Caso contrário: </li></ul></ul><ul><ul><ul><li>Ir para outro bloco </li></ul></ul></ul>
  13. 13. Tabela do agente aspirador
  14. 14. O que são Agentes Inteligentes? <ul><ul><li>Um agente inteligente é uma entidade que age de forma a atingir o melhor resultado ou, na presença de incertezas, o melhor resultado esperado. </li></ul></ul>
  15. 15. Projeto de Agentes Como preencher a tabela para atingir o melhor resultado ? E o que significa isso?
  16. 16. Desempenho <ul><li>Podemos perguntar ao agente? </li></ul><ul><li>NÃO </li></ul><ul><li>Alguns poderiam não saber responder </li></ul><ul><li>Alguns poderiam se iludir </li></ul>
  17. 17. Medidas de Desempenho <ul><li>Objetivas </li></ul><ul><li>Definidas externamente </li></ul><ul><ul><li>Criador do agente </li></ul></ul>
  18. 18. Desempenho do Aspirador <ul><li>Ex.: Quantidade de poeira limpa por turno </li></ul><ul><ul><li>Problema: possibilidade de ”jogar com as regras” </li></ul></ul><ul><li>Outra medida: número de blocos limpos </li></ul><ul><ul><li>Custos energéticos </li></ul></ul><ul><li>Medidas devem refletir exatamente o resultado esperado </li></ul>
  19. 19. Medidas de Desempenho <ul><li>Responsabilidade do criador do agente </li></ul><ul><li>Nem sempre simples de selecionar </li></ul><ul><li>Efeitos de média </li></ul><ul><ul><li>Ex.: limpeza média dos blocos (aspirador) </li></ul></ul>
  20. 20. Racionalidade <ul><li>Se sabemos: </li></ul><ul><ul><li>Que ações um agente pode tomar </li></ul></ul><ul><ul><li>O que ele percebe do ambiente </li></ul></ul><ul><ul><li>O que ele conhece </li></ul></ul><ul><ul><li>Que medidas ditam seu desempenho </li></ul></ul><ul><li>Podemos definir um parâmetro de racionalidade </li></ul>
  21. 21. Racionalidade <ul><li>O que é racional depende de 4 fatores: </li></ul><ul><ul><li>As medidas de desempenho definidas </li></ul></ul><ul><ul><li>O conhecimento prévio do agente </li></ul></ul><ul><ul><li>As ações que o agente pode realizar </li></ul></ul><ul><ul><li>A seqüência perceptiva até o momento </li></ul></ul>
  22. 22. Agente Racional Para cada seqüência perceptiva possível, um agente racional deve selecionar uma ação cujo resultado esperado é maximizar sua medida de desempenho , dada a evidência fornecida pela seqüência perceptiva e pelo conhecimento prévio do agente.
  23. 23. Aspirador, novamente <ul><li>Agente mostrado na tabela anterior é racional? </li></ul><ul><li>Depende </li></ul><ul><li>Quais são os parâmetros de racionalidade para este agente? </li></ul>
  24. 24. Aspirador, novamente <ul><li>Medida de desempenho : 1 ponto para cada bloco limpo em cada turno, durante 1000 turnos </li></ul><ul><li>Conhecimento : agente conhece geografia do ambiente e o resultado de suas ações </li></ul><ul><li>Ações : Direita, Esquerda, Aspirar, Nenhuma </li></ul><ul><li>Percepção : local e se tem poeira </li></ul>
  25. 25. Aspirador, novamente <ul><li>O agente é racional </li></ul><ul><ul><li>Segundo os parâmetros definidos </li></ul></ul><ul><li>Em circunstâncias diferentes, talvez não </li></ul><ul><ul><li>Com os blocos limpos, agente move-se o tempo todo </li></ul></ul><ul><ul><li>Custo de energia </li></ul></ul><ul><ul><li>Medida de desempenho pode subtrair 1 ponto para cada movimento </li></ul></ul>
  26. 26. Onisciência <ul><li>Racionalidade X Onisciência </li></ul><ul><li>Onisciência: </li></ul><ul><ul><li>Todas as informações atuais </li></ul></ul><ul><ul><li>Prever o resultado de qualquer ação futura </li></ul></ul><ul><li>Impossível saber o resultado das ações a priori </li></ul><ul><li>Ações imperfeitas podem ocorrer </li></ul>
  27. 27. Desempenho Esperado <ul><li>Onisciência permite perfeição </li></ul><ul><ul><li>Maximizar o desempenho em qualquer circunstância </li></ul></ul><ul><li>Racionalidade deve maximizar o resultado esperado </li></ul>
  28. 28. Desempenho e Percepção <ul><li>A racionalidade fica limitada à seqüência perceptiva escolhida pelo agente? </li></ul><ul><ul><li>Não , é preciso obter as informações relevantes </li></ul></ul><ul><li>Atividades do agente </li></ul><ul><ul><li>Levantamento de informações </li></ul></ul><ul><ul><li>Exploração do ambiente </li></ul></ul><ul><ul><li>Aprendizado </li></ul></ul>
  29. 29. Autonomia <ul><li>O quanto o agente depende do seu criador? </li></ul><ul><ul><li>Conhecimento inicial </li></ul></ul><ul><li>Ambientes previsíveis </li></ul><ul><ul><li>Todos os resultados conhecidos a priori </li></ul></ul><ul><ul><li>Não requer autonomia </li></ul></ul><ul><ul><li>Não muito interessantes </li></ul></ul>
  30. 30. Autonomia <ul><li>Ambientes interessantes </li></ul><ul><ul><li>Não é possível prever todos os resultados </li></ul></ul><ul><ul><li>Não é possível ter todas as informações na seqüência perceptiva </li></ul></ul><ul><ul><li>Agentes procuram melhor resultado esperado </li></ul></ul><ul><ul><li>É preciso aprender com a experiência e ajustar as expectativas </li></ul></ul>
  31. 31. Autonomia Agentes autônomos podem aprender com a experiência, ajustar as suas expectativas, e assim obter melhores resultados com o tempo, sem depender crucialmente do conhecimento inicial embutido nele por seu criador.

×