Dr. Wladimir RodríguezPostgrado en Computación

ULAwladimir@ula.ve

INTELIGENCIA ARTIFICIALClase #2 :

Agentes Inteligentes

Dr. Wladimir Rodriguez Inteligencia Artificial2

• Profesor: Wladimir Rodríguez

• e-mail: wladimir@ula.ve

• Horario: Lunes 8-12

• Página WEB:

• http://www.pgcomp.ula.ve/DISTANCIA/INTELIGENCIA/index.html

• Libro Texto:

• Stuart Russell y Peter Norvig, “Inteligencia Artificial: Un enfoque moderno”, Prentice Hall, 1996. (http://aima.cs.berkeley.edu)

Información General

Dr. Wladimir Rodriguez Inteligencia Artificial3

• Introducción

• ¿Qué es un Agente Inteligente?

• Estructura de los Agentes Inteligentes

• Agentes de Reflejo Simple

• Agentes Bien Informados

• Agentes Basados en Metas

• Agentes Basados en Utilidad

• Ambientes

Agenda

Dr. Wladimir Rodriguez Inteligencia Artificial4

Agente Inteligente

Dr. Wladimir Rodriguez Inteligencia Artificial5

• Sensores: Ojos (visión), orejas (oído), piel (tacto), lengua (gusto), nariz (olfato), sistema neuromuscular (propriocepción)

• Percepciones:

• Al más bajo nivel – señales eléctricas

• Después del preprocesamiento – objetos en el campo visual (posición, texturas, colores, …), flujos auditivos (tono, volumen, dirección),

• Eféctores: Brazos, dedos, ojos, lengua, ...

• Acciones: alzar el brazo, voltear, caminar, ...

Agente Humano

Dr. Wladimir Rodriguez Inteligencia Artificial6

Introducción

Dr. Wladimir Rodriguez Inteligencia Artificial7

• Percepciones: Localización y contenido, por ejemplo [A, Sucio]

• Acciones: Izquierda, Derecha, Aspirar, Hacer_Nada

Ambiente Aspiradora

Dr. Wladimir Rodriguez Inteligencia Artificial8

Agente Aspiradora

Secuencia de Percepciones Acción

[A, Limpio][A, Sucio][B, Limpio][B, Sucio][A, limpio] [A, Limpio][A, Limpio] [A, Sucio]...

DerechaAspirarIzquierdaAspirarDerechaAspirar...

Dr. Wladimir Rodriguez Inteligencia Artificial9

• Se necesita una medida de desempeño:

• Objetiva / Subjetiva

• Cuantitativa / Cualitativa

• Tiempo de Evaluación (durante o después)

• Mejor / Peor / Promedio

• La racionalidad de un agente depende de:

• Rendimiento

• Percepciones recibidas

• Conocimiento interno del agente

• Las acciones que el agente pueda hacer

¿Qué tan bueno es un Agente?

Dr. Wladimir Rodriguez Inteligencia Artificial10

• Un agente racional ideal:

• Para todos los casos de posibles secuencias de percepciones, un agente racional deberá emprender todas aquellas acciones que favorezcan obtener el máximo de su medida de rendimiento, basandose en las evidencias aportadas por la secuencia de percepciones y en todo el conocimiento incorporado en tal agente

¿Qué tan bueno es un Agente?

Dr. Wladimir Rodriguez Inteligencia Artificial11

• Un mapeo especifica la acción que un agente debe tomar en respuesta a una secuencia de percepciones.

• Puede ser en forma de tabla

• Planes universales

• Casos (indexados)

• Pueden ser en forma de funciones

• Comportamiento estimulo / respuesta

• Algoritmos de varios tipos.(ejemplo de la raíz cuadrada del texto)

Mapeo Percepciones/Acciones

Dr. Wladimir Rodriguez Inteligencia Artificial12

Tipos de Agentes

Agente Perceptos Acciones Objetivos Entorno

Sistema de diagnóstico

medico

Síntomas, signos, respuestas

Preguntas, pruebas,

tratamientos

Sanar,minimizar costes

Paciente, hospital

Sistema de análisis de imágenes

PixelsClasificar la

escenaClasificación

correctaImágenes de

satelite

Robot de recolección

PixelsAgarrar partes colocarlas en recipientes

Colocación correcta

Cinta deslizante con las partes

Controlador de refinería

Medidas de presión,

temperatura

Abrir y cerrar válvulas ...

Maximizar pureza,

producciónRefinería

Tutor interactivoPalabras tecleadas

Preguntas, ejercicios,

sugerencias ...

Maximizar la puntuación en un

test

Conjunto de estudiantes

Dr. Wladimir Rodriguez Inteligencia Artificial13

• Un agente inteligente es cualquier cosa que pueda

• percibir un mundo perceptual en que esté anidado (“ambiente”) mediante SENSORES y

• actuar sobre ese mundo mediante EFECTORES (o actuadores)

• sinónimo de ambiente es “espacio de problema”

• sinónimo de agente inteligente es “operador que transforma un input en output dentro del espacio de problema”

¿Qué es un Agente Inteligente?

Dr. Wladimir Rodriguez Inteligencia Artificial14

• META de la Inteligencia Artificial Diseñar un agente inteligente/racional que opere o actúe adecuadamente en sus ambientes.

• Discusión sobre “adecuadamente”

• Fijar alguna medida del buen éxito

• Tener en cuenta el PRR Principio de Racionalidad Restringida de Herbert Simon

¿Qué es un Agente Inteligente?

Dr. Wladimir Rodriguez Inteligencia Artificial15

• Pensante racionalmente

• Captura de un proceso racional correcto

• Proceso “ Irrefutable”

• Metodología

• Desarrollar un modelo formal - LÓGICA FORMAL - que siempre conduzca a la respuesta correcta

• Implementar ese modelo

• Cómo sabemos si lo hicimos bien

• cuando podemos probar que el razonamiento programado fue correcto

• la lógica de primer orden fue completa

¿Qué es un Agente Racional?

Dr. Wladimir Rodriguez Inteligencia Artificial16

• Actuante racionalmente

• Actuar de forma de lograr las metas deseadas

• “El enfoque del agente racional” - a ser encarado en esta disciplina.

• Imagine usted mismo como se hacen las decisiones correctas

• a veces pensando racionalmente (enfoque europeo)

• otras teniendo reflejos racionales (enfoque truqués)

¿Qué es un Agente Racional?

Dr. Wladimir Rodriguez Inteligencia Artificial17

• Como todos los agentes tienen una estructura básica o mínima o esquelética igual, se puede investigar cuál es ella.

Estructura de los Agentes

function Skeleton-Agent(percept) returns action static: memory, the agent's memory of the world memory ¨ Update-Memory(memory, percept) action ¨ Choose-Best-Action(memory) memory ¨ Update-Memory(memory, action) return action

function Skeleton-Agent(percept) returns action static: memory, the agent's memory of the world memory ¨ Update-Memory(memory, percept) action ¨ Choose-Best-Action(memory) memory ¨ Update-Memory(memory, action) return action

Dr. Wladimir Rodriguez Inteligencia Artificial18

• Dada una percepción, simplemente buscar la respuesta.

• Parece simple, pero existen algunos problemas:

• Combinatoria: problemas reales requieren de tablas muy grandes

• Tablas son difíciles de crear

Agente Basado en Tablas

function Table-Driven-Agent(percept) returns action static: percepts, a sequence, initially empty table, a table indexed by percept sequences, initially fully specified

append percept to the end of percepts action ¨ LookUp(percepts, table)return action

function Table-Driven-Agent(percept) returns action static: percepts, a sequence, initially empty table, a table indexed by percept sequences, initially fully specified

append percept to the end of percepts action ¨ LookUp(percepts, table)return action

Dr. Wladimir Rodriguez Inteligencia Artificial19

• Las reglas condición / acción tienen la forma

• IF condición THEN acción

• Aparear regla con la percepción a partir de un conjunto completo de reglasENTONCES especificar acción a tomar.

• Peligro puede ser de poco alcance.

Agentes Reflejo Simple

Dr. Wladimir Rodriguez Inteligencia Artificial20

Agente Reflejo Simple

Dr. Wladimir Rodriguez Inteligencia Artificial21

Agente Reflejo Simple

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

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

Dr. Wladimir Rodriguez Inteligencia Artificial22

• Incluye memoria extendiendo el horizonte de tiempo del agente.

• Peligro: la información almacenada puede no ser valida.

• Un agente reflejo con un estado interno. Opera encontrando una regla cuya condición coincida con la situación actual y luego procede a efectuar la acción que corresponda a la regla

Agente Reflejo con Estado

Dr. Wladimir Rodriguez Inteligencia Artificial23

Agente Reflejo con Estado

Dr. Wladimir Rodriguez Inteligencia Artificial24

Agente Reflejo con Estado

function Reflex-Agent-With-State(percept) returns action static: rules, a set of condition-action rules state, a description of the current world

state ¨ Update-State(state, percept) rule ¨ Rule-Match(state, rules) action ¨ Rule-Action[rule] state ¨ Update-State(state, action) return action

function Reflex-Agent-With-State(percept) returns action static: rules, a set of condition-action rules state, a description of the current world

state ¨ Update-State(state, percept) rule ¨ Rule-Match(state, rules) action ¨ Rule-Action[rule] state ¨ Update-State(state, action) return action

Dr. Wladimir Rodriguez Inteligencia Artificial25

• Metas

• Ayudan al agente a decidir las acciones correctas.

• Información sobre la meta ayuda al agente a describir situaciones deseables.

• Si la meta no es inmediata a una acción es necesario realizar algún proceso de búsqueda y planeación.

Agente Basado en Metas

Dr. Wladimir Rodriguez Inteligencia Artificial26

• La toma de decisiones no es tan directa como en un agente reactivo.

• Considera la forma en que cambiará el mundo.

• Es más flexible para adaptarse

• Ej. Agente que conduce

Agente Basado en Metas

Dr. Wladimir Rodriguez Inteligencia Artificial27

Agente Basado en Metas

Dr. Wladimir Rodriguez Inteligencia Artificial28

Agente Basado en Metas

Input perceptstate ¨ Update-State(state, percept)goal ¨ Formulate-Goal(state, perf-measure)search-space ¨ Formulate-Problem (state, goal)plan ¨ Search(search-space , goal)while (plan not empty) do action ¨ Recommendation(plan, state) plan ¨ Remainder(plan, state) output actionend

Input perceptstate ¨ Update-State(state, percept)goal ¨ Formulate-Goal(state, perf-measure)search-space ¨ Formulate-Problem (state, goal)plan ¨ Search(search-space , goal)while (plan not empty) do action ¨ Recommendation(plan, state) plan ¨ Remainder(plan, state) output actionend

Dr. Wladimir Rodriguez Inteligencia Artificial29

• El robot debe mantener el objetivo en la mira

• La trayectoria del objetivo no es conocida de antemano

• El robot no sabe de antemano todos los obstáculos

• Se debe actuar rapidámente

•

Ejemplo de Agente Basado en Metas

targetrobot

Dr. Wladimir Rodriguez Inteligencia Artificial30

• Las metas no son suficientes para generar un comportamiento de calidad.

• Las utilidades sirven para distinguir la preferencia de un estado a otro.

• La utilidad mapea un estado a un número real

• Debe considerarse las metas conflictivas y las metas inciertas.

Agente Basado en Utilidad

Dr. Wladimir Rodriguez Inteligencia Artificial31

Agente Basado en Utilidad

Dr. Wladimir Rodriguez Inteligencia Artificial32

Agente Aprendiz

Dr. Wladimir Rodriguez Inteligencia Artificial33

• Accesible vs inaccesible

• Sensores detectan toda la información

• Determinista vs no determinista

• El siguiente estado depende sólo del anterior y de la acción actual

• Episódico vs no episódico

• Existen episodios con percepciones y acciones

Ambiente

Dr. Wladimir Rodriguez Inteligencia Artificial34

• Estático vs dinámico

• El ambiente no cambia mientras el agente delibera

• Discreto vs continuo

• Existe un número limitado de percepciones y acciones

Ambiente

Dr. Wladimir Rodriguez Inteligencia Artificial35

Características de los Ambientes

Accesible Determinista Estático Discreto

Solitario No Si Si Si

Backgammon Si No Si Si

Manejar Taxi No No No No

Compras Internet

No No No No

Diagnóstico Médico

No No No No

Dr. Wladimir Rodriguez Inteligencia Artificial36

Programa Básico para el Ambiente

procedure Run-Environment(state, Update-Fn, agents, termination) input: state, the initial state of the environment Update-Fn, function to modify the environment agents, a set of agents termination, a predicate to test when we are done

repeat for each agent in agents do Percept[agent] ¨ Get-Percept(agent, state) end for each agent in agents do Action[agent] ¨ Program[agent](Percept[agent]) end state ¨ Update-Fn(actions, agents, state) until termination(state)

procedure Run-Environment(state, Update-Fn, agents, termination) input: state, the initial state of the environment Update-Fn, function to modify the environment agents, a set of agents termination, a predicate to test when we are done

repeat for each agent in agents do Percept[agent] ¨ Get-Percept(agent, state) end for each agent in agents do Action[agent] ¨ Program[agent](Percept[agent]) end state ¨ Update-Fn(actions, agents, state) until termination(state)

Dr. Wladimir Rodriguez Inteligencia Artificial37

Simulador de Ambiente

function Run-Eval-Environment(state, Update-Fn, agents,termination, Performance-Fn) returns scores

local : scores, a vector the same size as agents, initially all 0

repeat for each agent in agents do Percept[agent] ¨ Get-Percept(agent, state) end for each agent in agents do Action[agent] ¨ Program[agent](Percept[agent]) end state ¨ Update-Fn(actions, agents, state) scores ¨ Performance-Fn(scores, agents, state) until termination(state) return scores

function Run-Eval-Environment(state, Update-Fn, agents,termination, Performance-Fn) returns scores

local : scores, a vector the same size as agents, initially all 0

repeat for each agent in agents do Percept[agent] ¨ Get-Percept(agent, state) end for each agent in agents do Action[agent] ¨ Program[agent](Percept[agent]) end state ¨ Update-Fn(actions, agents, state) scores ¨ Performance-Fn(scores, agents, state) until termination(state) return scores

Dr. Wladimir Rodriguez Inteligencia Artificial38

• Un agente es algo que percibe y actúa en un ambiente.

• Un agente ideal es aquel que siempre emprende la mejor acción

• Los agente de reflejo responden de inmediato a las percepciones

• Los agentes basados en reglas actúan en función del logro de una meta.

Resumen

Dr. Wladimir Rodriguez Inteligencia Artificial39

• Los agentes basados en la utilidad se esfuerzan por maximizar una función de evaluación.

• El ambiente en el cual se encuentra los agentes pueden variar dramáticamente.

Resumen