1
Agentes Inteligentes
Experimento...
Wumpus
Ambientes
Arquiteturas
CIn- UFPE
Lembrando...
 Agente Inteligente
ambiente
• dada uma seqüência perceptiva, escolhe, segundo seus
conhecimentos, as ações que satisfazem melhor seu
objetivo
sensores
Raciocinador
efetuadores
Agente
modelo do
ambiente.
conhecimento.
objetivos,...
3
Experimento do “Robô Humano”
CIn- UFPE
4
Partes do robô
 Partes:
• 1 Cérebro (1 pessoa)
• 2 Braços (1 por pessoa = 2 pessoas)
• 1 sistema de visão (1 pessoa)
 Cérebro
• não pode ver
• fala com todas as partes do robô
• controla os braços indicando
– ângulos de giro
– deslocamento em uma direção e distância dadas
– força a aplicar
• pode fazer perguntas aos braços e sistema de visão
• pode pedir para o sistema de visão se deslocar para obter
outros ângulos de visão
• pode desenhar ambiente em uma folha de papel
CIn- UFPE
5
Partes do robô
 Braços
•
•
•
•
não podem ver
não devem ouvir o que diz o sistema de visão
tem tato pouco refinado
podem responder sim ou não ao cérebro (ex. estão tocando
em algo?)
• seguem instruções do cérebro
 Sistema de visão
• não pode fornecer informação sem ter sido claramente
perguntado pelo cérebro
• pode distinguir diferentes objetos e estimar distâncias
• pode mover-se de forma a dar informações visuais a partir de
diferentes ângulos
CIn- UFPE
6
A tarefa
 Voluntários?
• Braços e olhos saem da sala...
• Cérebro recebe a tarefa
 Algumas conclusões
• Um modelo do mundo
– é imprescindível e econômico (resume todo o ocorrido)
– dá suporte ao raciocínio
•
•
•
•
•
Conhecimento prévio do mundo é importante
Coordenar diferentes sistemas é complicado
A percepção e a execução são imperfeitas
Feedback visual e de força são imprescindíveis
No mundo real é mais complicado
– tem muito conhecimento implícito
– A maioria dos sistemas de visão não são móveis
• ...
CIn- UFPE
7
O Mundo do Wumpus
CIn- UFPE
8
Bem-vindos ao “Mundo do Wumpus”
Wumpus
Agente caçador
de tesouros
CIn- UFPE
O Mundo do Wumpus:
formulação do problema
9
 Ambiente:
• paredes, Wumpus, cavernas, buracos, ouro
 Estado inicial:
• agente na caverna (1,1) com apenas uma flecha
• Wumpus e buracos em cavernas quaisquer
 Objetivos:
• pegar a barra de ouro e voltar à caverna (1,1) com vida
CIn- UFPE
O Mundo do Wumpus:
formulação do problema
10
 Percepções:
•
•
•
•
•
fedor (ao lado do Wumpus)
brisa (ao lado dos buracos)
brilho (na caverna do ouro)
choque (contra a parede da caverna)
grito do Wumpus (quando morre)
 Ações:
•
•
•
•
avançar para próxima caverna
girar 90 graus à direita ou à esquerda
pegar um objeto na mesma caverna que o agente
atirar na direção para onde o agente está olhando (a flecha
pára quando encontra uma parede ou mata o Wumpus)
• sair da caverna
CIn- UFPE
11
Codificação do Mundo do Wumpus
4
3
fedor
W
O
fedor
brisa, luz
brisa
B
B
brisa
2
fedor
1
A
brisa
brisa
B
A - Agente
W - Wumpus
B - Buraco
O - Ouro
X? - possível X
V - Caverna visitada
brisa
início
1
2
3
4
Percepção = [fedor,brisa,brilho, choque,grito]
CIn- UFPE
Raciocinando e Agindo no Mundo do
Wumpus
12
 Representação do conhecimento do agente:
[nada,nada,nada,nada,nada]
[nada,brisa,nada,nada,nada]
4
4
3
3
2
ok
1
A
ok
ok
1
2
(a) início
3
4
2
ok
1
V
B?
ok
1
b A
ok
2
B?
3
4
(b) depois do 1o movimento
CIn- UFPE
Raciocinando e Agindo no Mundo do
Wumpus
13
 Depois de passar por (1,1), chega a (2,1)...
[fedor,nada,nada,nada,nada]
4
3
2
1
4
W
A
f
ok
V
ok
1
ok
b V
ok
2
B!
3
A
3
W
2
f V
ok
V
ok
V
b V
ok
1
4
B?
ok
1
B?
fbl
2
ok
B!
3
4
(c) Decide ir para (2,2), único OK Vai para (2,2), (2,3) e encontra o ouro!!!
não visitado
CIn- UFPE
14
Exercício... Vamos achar o ouro?
4
B!
O
3
B!
2
1
W!
A
1
2
3
4
CIn- UFPE
15
Caracterização do Ambiente
CIn- UFPE
Exemplos de agentes
Agente
Diagnóstico
médico
Dados
perceptivos
Ações
Objetivos
Sintomas,
Perguntar,
Saúde do paciente,
paciente, exames prescrever exames, minimizar custos
respostas, ...
testar
Ambiente
Paciente,
gabinete, ...
Análise de
imagens de
satélite
Pixels
imprimir uma
categorização
categorizar
corretamente
Imagens de
satélite
Tutorial de
português
Palavras
digitadas
Imprimir exercícios,
sugestões,
correções, ...
Melhorar o
desempenho do
estudante
Conjunto de
estudantes
Filtrador de
mails
mensagens
Aceitar ou rejeitar
mensagens
Aliviar a carga de
leitura do usuário
Mensagens,
usuários
Motorista de
taxi
Imagens,
velocímetro,
sons
brecar, acelerar,
dobrar, falar com
passageiro, ...
Músico de jazz
Sons seus e de
Escolher e tocar
outros músicos, notas no andamento
grades de
acordes
Segurança,
Ruas, pedestres,
rapidez, economia,
carros, ...
conforto,...
Tocar bem, se
divertir, agradar
Musicos,
publico, grades
de acordes
17
Ambiente
 Classes de ambientes
• Físico: robôs
• Software: softbots
• Realidade virtual (simulação do ambiente físico): softbots e
avatares
 Propriedades de um ambiente
•
•
•
•
•
•
acessível x inacessível
estático x dinâmico
determinista x não-determinista
discreto x contínuo
episódico x não-episódico
tamanho: número de percepções, ações, objetivos,...
CIn- UFPE
18
Ambientes: propriedades
 Acessível: quando os sensores do agente conseguem
perceber todos os aspectos relevantes do ambiente
para a escolha da ação
• ex. wumpus não é acessível, xadrez é
 Determinista: o próximo estado do ambiente pode ser
completamente determinado pelo estado atual e as
ações selecionadas pelo agente (= incerteza do fruto
da ação)
• semi-determinista: se tem outros atores agindo
imprevisivelmente para mudar o “estado do mundo”
• ex. wumpus determinista, robocup não-determinista, xadres
semi-determinista
CIn- UFPE
19
Ambientes: propriedades
 Episódico: a experiência do agente é dividida em
episódios e ação em um episódio não depende das
ações que ocorreram em episódios prévios
• exemplo: classificador de imagens é episódico, xadrez não
 Estático: o ambiente não muda enquanto o agente está
escolhendo a ação a realizar.
• Semi-estático: o ambiente não muda enquanto o agente
delibera, mas o "score" do agente muda
• ex. xadrez c/ relógio semi-estático, xadrez estático, táxi
dinâmico
• obs: há mundos dinâmicos e deterministas (ex. esteira de
fábrica)
CIn- UFPE
20
Ambientes: propriedades
 Discreto: quando existe um número distinto e claramente
definido de percepções e ações em cada turno
• ex. médico (consulta) discreto, táxi dinâmico
 O Tamanho do ambiente é dado por: número de
percepções, ações e objetivos possíveis
CIn- UFPE
Exemplos de ambientes
Agente
acessível determinista episódico
estático
discreto
xadrez sem relógio
Sim
+/-
Não
Sim
Sim
xadrez com relógio
Sim
+/-
Não
Semi
sim
gamão
sim
não
não
sim
sim
motorista de taxi
Não
Não
Não
Não
Não
médico
Não
Não
Não
Não
Não
tutor
Não
Não
Não
Não
Sim
Analisador de imagem
Sim
Sim
Sim
Semi
Não
Busca na web
Não
+/-
Sim
Não
Sim
Filtrador de mail
Sim
+/-
Sim
Não
Sim
Músico
Sim
Não
Não
Não
Não
22
Simulação do ambiente
 Às vezes é mais conveniente simular o ambiente
• mais simples
• permite testes prévios
• evita riscos, etc...
 O ambiente (programa)
• recebe os agentes como entrada
• fornece repetidamente a cada um deles as percepções
corretas e recebe as ações
• atualiza os dados do ambiente em função dessas ações e
de outros processos (ex. dia-noite)
• é definido por um estado inicial e uma função de atualização
• deve refletir a realidade
CIn- UFPE
23
Arquiteturas de Agentes
CIn- UFPE
24
Algoritmo básico
 Ciclo de Agente
• Percebe
• Raciocina (interpreta percepção e escolhe ação)
• Executa ação
 Arquiteturas
•
•
•
•
•
•
Agente tabela
Agente reativo puro
Agente reativo com estado interno (autômato)
Agente cognitivo (baseado em objetivos)
Agente otimizador
Agente adaptativo
autonomia
complexidade
CIn- UFPE
25
Agente tabela
sensores
ambiente
Agente
Tabela
percepções
ações
.
.
.
.
efetuadores
 Funcionamento
• Para cada percepção, procura na tabela a ação correspondente
 Vantagens
• muito eficiente!!
CIn- UFPE
26
Agente tabela
 Limitações
• Mesmo Problemas simples -> tabelas muito grandes
– ex. xadrez 30^100
• Nem sempre é possível, por ignorância ou questão de tempo,
construir a tabela
• Não há autonomia nem flexibilidade
 Este agente só tem fins didáticos!!! Não vale nem a
pena pensar nele
CIn- UFPE
27
Agente puramente reativo
Sensores
Ambiente
Regras
Percepção Ação
Efetuadores
CIn- UFPE
28
Agente Reativo Puro
 Funcionamento
• Usa regras associando diretamente percepção com ação
– ex. Se velocidade > 60 então multar
– ex. Se luz do freio do carro da frente acender, então frear
• Dada a percepção, encontra a primeira regra que casa e
executa ação
 Exemplo no Wumpus
•
IF visualPerception = glitter THEN action = pick
(representação pseudo-lógica)
CIn- UFPE
29
Agente Reativo Puro
 Vantagens e desvantagens
• Regras condição-ação: representação inteligível, modular e
eficiente
• Não pode armazenar uma seqüência perceptiva, pouca
autonomia
 Limitações do agente reativo puro no mundo do
Wumpus
• um agente ótimo deveria:
– recuperar o ouro ou
– determinar que é muito perigoso pegar o ouro e
– em qualquer dos casos acima, voltar para (1,1) e sair da
caverna.
• Um agente reativo nunca sabe quando sair,
– estar com o ouro e estar na caverna (1,1) não fazem parte da
sua percepção (se pegou, esqueceu).
– esses agentes podem entrar em laços infinitos.
CIn- UFPE
Agente reativo
com estado interno
Sensores
Ambiente
Efetuadores
30
Interpretador
de percepção
Atualizador do
modelo do ambiente
Modelo
dos
ambientes
passados
e atual
Escolhedor
de ação
CIn- UFPE
Agente reativo com estado interno
 Funcionamento: idem anterior + modelo do mundo
(memória)
• Regras associando indiretamente percepção com ação via
construção e manutenção de um modelo do ambiente
– Ação depende da percepção atual + anteriores + ações
anteriores...
• Antes de agir, já atualiza o modelo do ambiente
– Ex. Fazer uma ultrapassagem em um carro
 Motivação
• O ambiente inteiro não é acessível no mesmo momento
– ex. ultrapassagem de um carro
• Percepções instantâneas iguais podem corresponder a
estados diferentes
– ex. Wumpus: cavernas visitadas
Agente reativo com estado interno
 Novos conhecimentos (regras) para atualização do
mundo
•
•
•
•
percepção  modelo  modelo’
Modelo’  modelo’’
Modelo’’  ação
ação  modelo’’  modelo’’’
(talvez)
 Regras percepção  modelo  modelo
• IF visualPercept at time T is glitter
AND location of agent at time T is (X,Y)
THEN location of gold at time T is (X,Y)
• X,Y,T see(glitter,T)  loc(agent,X,Y,T)  loc(gold,X,Y,T).
Regras de agente
reativo com estado interno
33
 Regras modelo  modelo
• IF known that agent is with gold at time T
AND known that location of agent at time T is (X,Y)
THEN known that location of gold at time T is (X,Y)
 Regras modelo  ação
• IF known that location of agent at time T = (X,Y)
AND known that location of gold at time T = (X,Y)
THEN choose action at time T to be pick
CIn- UFPE
Regras de agente
reativo com estado interno
34
 Regras ação  modelo  modelo
• IF choosen action at time T was pick
THEN known that agent is with gold at time T+1
 Desvantagem:
• Autonomia, mas não muito
• não tem objetivo, não pensa no futuro (só na ação
imediata)!!!
CIn- UFPE
Agente deliberativo/cognitivo
(baseado em objetivo)
Sensores
Ambiente
Efetuadores
Interpretador
de percepção
Atualizador
do modelo
do ambiente
Atualizador
do objetivos
35
Modelo dos ambientes
passados e atual
Objetivos
Preditor
de ambientes
futuros
Escolhedor
de ação
Modelo de ambientes
futuros hipotéticos
CIn- UFPE
Agente Cognitivo
 Funcionamento (associação percepção-ação)
• Mediada por modelo do ambiente e objetivo do agente
• Pode envolver encadear regras para construir plano multipasso necessário para atingir objetivo a partir de modelo
– ex. taxista encontrando a rota para o destino do passageiro
– ex. taxista freia porque quer evitar prejuízo e dor de cabeça no
futuro
 Contém os 4 tipos de regras do agente reativo com
estado interno + 2 novos tipos de regras:
• Regras: objetivo  modelo  ação
• Regras: objetivo  modelo  objetivo’
 Trata o objetivo explicitamente e pensa no futuro!!!!
37
Regras de agente Cognitivo
 Regras objetivo  modelo  ação (ações)
//O agente escolhe um caminho para o objetivo
• IF goal of agent at time T is to be in location (X,Y)
AND agent is in (X-1, Y-1) at time T-N
AND known that location (X,Y-1) is safe at time T-N
AND known that location (X,Y) is safe at time T-N
THEN choose action Go to X,Y via (X,Y-1)
CIn- UFPE
38
Regras de agente deliberativo
 Regras objetivo  modelo  ação (ações)
//O agente pode variar a escolha conforme o objetivo, como não
matar o wumpus para pegar logo o ouro
• IF goal of agent is to get the gold
AND agent is in (X-1, Y) at time T
AND known that the gold is in location (X,Y)
AND known that location (X,Y) is safe at time T
AND known that Wumpus is in location (X-1,Y+1) at time T
AND known that the agent has na arrow at time T
THEN choose action Go to X,Y
CIn- UFPE
39
Regras de agente deliberativo
 Regras objetivo  modelo  objetivo
//Se o agente queria estar com o ouro e conseguiu, atualizar
objetivo para ir para (1,1)
•
IF goal of agent at time T is to be with gold at time T+N
AND agent is with gold at time T+1
THEN update goal of agent at time T+1
to be in location (1,1) at time T+M
CIn- UFPE
40
Agente cognitivo (baseado em objetivo)
 Vantagens e desvantagens:
• Mais complicado e ineficiente,
• porém mais flexível e autônomo
– ex. se começa a chover, já sabe que não pode confiar no freio
• Não trata objetivos conflitantes
– ex. chegar ao destino pelo caminho mais curto, seguro, barato,
rápido e bonito
CIn- UFPE
Agente otimizador (baseado em utilidade)
Sensores
Interpretador
de percepção
Atualizador
do modelo
do ambiente
Ambiente
Efetuadores
Atualizador
do objetivos
Preditor
de ambientes
futuros
Escolhedor
de ação
41
Modelo dos ambientes
passados e atual
Objetivos
potencialmente
conflitantes
Utilidades dos
objetivos ou ações
Modelo de ambientes
futuros hipotéticos
CIn- UFPE
42
Regras de agente otimizador
 Associação percepção-ação:
– Mediada por modelo do ambiente, objetivos do agente e
utilidades da realização parcial de conjuntos de objetivos
– Envolve métodos de otimização: busca, pesquisa operacional,
etc.
 Contém 5 dos 6 tipos de regras do agente deliberativo,
substituindo:
• regras objetivo  modelo  ação
...por:
• regras objetivo  modelo  utilidade, e
• regras utilidade  ação
CIn- UFPE
Agente que aprende
Agente
sensores
t+1
crítico
avaliação
ambiente
t
elemento de
execução (agente)
trocas
elemento de
conhecimento aprendizagem
objetivos de
aprendizagem
t
efetuadores
Gerador de
problemas
 Vantagem: tem adaptabilidade (aprende)
• Ex. motorista sem o mapa da cidade