Inteligência Computacional
aplicada à área Financeira na
Geração de uma Carteira de
Investimentos – utilizando
Multiagentes Inteligentes,
através do XMLAw adaptado para
uma aplicação de Deliberate
Normative Agents
Renato de C. T. Raposo
O Problema
• No nosso dia a dia encontramos uma série de dificuldades
pelo excesso de informações disponíveis, o que dificulta
uma tomadas de decisões.
• Em diversas áreas do conhecimento, é muito difícil um ser
humano lidar e avaliar tantas variáveis e tantas hipóteses
possíveis.
• As regras podem ser criadas e modificadas constantemente.
© LES/PUC-Rio
Solução do Problema (Modelo do Problema)
Modelo Conceitual
Usuário
(input)
Motor de
Inferência
Usuário
(Output)
Conhecimento
Prévio (Frames)
Conhecimento
Adquirido
(Prévio + Novo)
Base de
Conhecimento
(BD)
Base de
Conhecimento
Final (BD)
Classificação/
Clusters
Fuzzy-Neural
Network
Validar as Conclusões
e Regras
(Multiagentes,
conhecimento externo)
© LES/PUC-Rio
Solução do Problema (2)
• Este modelo conceitual, por ser genérico e poderá ser
aplicado em outras áreas, como em Engenharia de
Software, Educação a Distância, entre outras.
• Criar um modelo computacional de informações, que seja
capaz de unir todas estas informações, na tomada de
decisões.
© LES/PUC-Rio
Objetivos
• Tornar a tomada de decisão dos agentes sensível às leis, ou
seja, criar uma espécie de consciência da existência de leis,
utilizando o XMLaw adaptado.
• Através de técnicas inteligentes como o aprendizado por
reforço, os agentes “sabem” interpretar as leis e decidem
quais ações lhe dão maior benefício.
© LES/PUC-Rio
Objetivos específicos
• Realizar um estudo de caso na área financeira, uma das
mais instáveis, na tentativa de provar que o modelo
integrado funciona e é valido.
• Minimizar os problemas encontrados no nosso estudo de
caso do mercado financeiro, para isto está sendo criada uma
ferramenta integrando uma série de módulos em um único
ambiente, através do JAVA Servlets, nestes são utilizadas
técnicas de IA como as Redes Híbridas Neuro-Fuzzy e a
Representação do Conhecimento, Multiagentes na Web.
© LES/PUC-Rio
Módulo de MultiAgentes e Internet
Usuário
Browser
(html)
Banco de
Dados
Multiagentes
Internet
Controlador
Java
Interface
(prepara
Arquivo de
Entrada/Saída
da Rede F.N.)
Frames
(Jess/Protégé)
PCA
Fuzzy
Neural
Network
Figura do Modelo de Implementação em ordem cronológica.
© LES/PUC-Rio
Detalhando o módulo de MultiAgentes
(utilizar o XMLaw adaptado e com inteligência)
Internet
Bovespa
Last Stock
prices
Specialist
Agent
A
Internet
Internet
…
Bovespa
Volume of
transactions
Specialist
Agent
B
Other
indicators
Specialist
Agent
N
…
XMLaw
Data
Base
Main
Agent
•
Arquitetura Implementada do Módulo MultiAgentes, Utilizando o XMLaw como
mediador inteligente entre o agente principal e os agentes coletores.
•
Os agentes especialistas funcionam como coletores de informações na Web.
© LES/PUC-Rio
Detalhando o módulo de MultiAgentes
(utilizar o XMLaw adaptado e com inteligência)
Internet
Bovespa
Last Stock
prices
Specialist
Agent
A
Internet
Internet
…
Bovespa
Volume of
transactions
Specialist
Agent
B
Other
indicators
Specialist
Agent
N
…
XMLaw
Data
Base
•
Main
Agent
Regra (leis) 1:
–
O agente principal inteligente tem obrigação, de todo dia útil, solicitar informações do
Mercado Financeiro. Estas só serão geradas num txt ou no Banco de ênciadados, depois
da validação (mediação) do XMLaw entre o agente principal e os agentes coletores.
© LES/PUC-Rio
Detalhando o módulo de MultiAgentes
(utilizar o XMLaw adaptado e com inteligência)
Internet
Bovespa
Last Stock
prices
Specialist
Agent
A
Internet
Internet
…
Bovespa
Volume of
transactions
Specialist
Agent
B
Other
indicators
Specialist
Agent
N
…
XMLaw
Data
Base
•
Main
Agent
Regra (leis) 2:
–
O agente especialista (coletor) tem obrigação, de buscar a cotação na Bolsa de Valores
de São Paulo. No caso desta informação estiver indisponível ou inválida, repetir esta
operação até que obtenha sucesso. Este controle está sendo realizado pelo XMLaw.
© LES/PUC-Rio
Detalhando o módulo de MultiAgentes
(utilizando o XMLaw adaptado e com inteligência)
Internet
Bovespa
Last Stock
prices
Specialist
Agent
A
Internet
Internet
…
Bovespa
Volume of
transactions
Specialist
Agent
B
Other
indicators
Specialist
Agent
N
…
XMLaw
Data
Base
•
Main
Agent
Para este estudo de caso criar 4 Estados dos agentes no XMLaw:
– S0 - Estado inicial;
– S1 – Em execução;
– S2 – Em execução com erro;
– S3 – Executado com sucesso;
© LES/PUC-Rio
Protocolo de Negociação-paper-Ballroom etiquette:
a case study for norm-governed multi-agent ystems
© LES/PUC-Rio
Próximos passos
• Definição e descrição do estudo de caso no Módulo de
Multiagentes ou de um dos artigos disponíveis e as suas
respectivas mudanças (adaptações) no XMLaw.
• Resultados do estudo de caso com a implantação do
Deliberate Normative Agents, utilizando o XMLaw adaptado.
© LES/PUC-Rio
Referências – enfoque em Deliberate Normative
Agents
• Deliberate Normative Agents- Principles and Architectures C Castelfranchi, F Dignum, C Jonker, J Treur.
• NoA – A Normative Agent Architecture - MJ Kollingbaum, TJ
Norman.
• Norm Adoption in the NoA Agent Architecture - MJ
Kollingbaum, TJ Norman
• H. Verhagen. Norm Autonomous Agents. PhD thesis, The
Royal Institute of Technology and Stockholm University,
2000.
• Ballroom etiquette: a case study for norm-governed multiagent systems
© LES/PUC-Rio
Referências – enfoque em Deliberate Normative
Agents
• Guido Boella and Leonardo Lesmo. Deliberate normative
agents. In R. Conte and C. Dellarocas, editors, Social order
in MAS. Kluwer Academic Publishers, 2001.
• Sascha Ossowski. Coordination in Artificial Agent Societies:
Social Structure and its Implications for Autonomous
Problem-Solving Agents, volume 1535 of Lecture Notes on
Artificial Intelligence, chapter Distibuted Artificial
Intelligence, pages 48–55. Springer Verlag, Berlin, 1999.
• Guido Boella and Leonardo Lesmo. A Game Theoretic
Approach to Norms and Agents. In R. Conte and C.
Dellarocas, editors, Social order in MAS. Kluwer Academic
Publishers, 2001.
© LES/PUC-Rio
Referências - enfoque em Inteligência Computacional
• Figueiredo, Karla. Novos modelos neuro-fuzzy hierárquicos
com aprendizado por reforço para agentes inteligentes – Rio
de Janeiro : PUC, Departamento de Engenharia Elétrica,
2003.
© LES/PUC-Rio