INTELIGÊNCIA ARTIFICIALeol/IA/1718/APONTAMENTOS/1Introd.pdf · 2018. 2. 6. · • "INTELIGÊNCIA...

Eugénio Oliveira / FEUP

INTELIGÊNCIA ARTIFICIAL

Eugénio Oliveira

Ana Paula Rocha Henrique Lopes Cardoso

Think


Sítio web Institucioanl: https://sigarra.up.pt/feup/pt/ucurr_geral.ficha_uc_view?pv_ocorrencia_id=399902 Sítio web específico: https://web.fe.up.pt/~eol/IA/1ia1718.html


OBJETIVOS GENÉRICOS DA UNIDADE CURRICULAR: Incursão em um novo “continente” do saber ! 3 Palavras chave:

* CONHECIMENTO (mais além do que Dados) * Novos PARADIGMAS (mais que algoritmia) * ENGENHARIA (além de Ciência)


Objetivos:

* APRENDER novos MÉTODOS de resolver problemas * USAR outras TÉCNICAS de realizar Sistemas Comp. * REALIZAR diferentes PROGRAMAS para pesquisar soluções

Conclusão: APRENDER novas formas de:

PESQUISAR soluções para Problemas que requeiram CONHECIMENTO e ADQUIRIR esse Conhecimento.



I

I-INTRODUÇÃO À INTELIGÊNCIA ARTIFICIAL •  Metodologias e Objetivos

•  Aspetos científicos e tecnológicos

•  Debilidades metodológicas

específicos embora intersetando com outras áreas das Ciências da Computação e das C. Cognitivas, das Neurociências, da Sociologia, da Economia e da Electrónica

nos domínios da Programação, da Algoritmia, da Teoria das Probabilidades, da Estatística, da Análise Sistémica, da Perceção e Interpretação de dados, das Neurociências e de outros ramos da Engenharia.

Escassez, em certos casos, de formalização nos métodos e teorias propostas para alcançar os seus objetivos de compreender e implementar Sistemas dotados de “inteligência”



CIÊNCIA DA COMPUTAÇÃO

ENGENHARIAS: Programação Eletrónica Robótica ...

INTELIGÊNCIA ARTIFICIAL: Ciência Versus Tecnologia


Teoria da Decisão Teoria do Jogo

Economia

Probabilidades e

Estatístca

Psicologia Cognitiva

Sociónica

Neurociências


Comentários > ambígua (a definição contém o definido); > verdade de "Lapalice" (computadores mais úteis).


Definições "A Inteligência Artificial é o estudo das ideias que, implementadas no computador, lhes permitam realizar os mesmos objetivos que fazem as pessoas parecer inteligentes". "Mais especificamente a IA tenta que os computadores sejam mais úteis e ao mesmo tempo estuda os princípios que tornam a inteligência possível" Patrick Winston: ex-director do Lab. de IA do M.I.T.



Definições

Research priorities for robust and beneficial artificial intelligence (S.Russel et al. Jan 2015) for the last 20 years AI has been focused on the problems surrounding the construction of intelligent Agents - systems that perceive and act in some environment. In this context, the criterion for intelligence is related to statistical and economic notions of rationality - colloquially, the ability to make good decisions, plans, or inferences.


"O campo da Inteligência Artificial tem como pressuposto que existem processos comuns baseando perceção e pensamento e que estes processos podem ser compreendidos e estudados cientificamente. Além disso é completamente irrelevante para a teoria da IA quem (ou o quê) "percebe" ou "pensa" - homem ou computador. Isso é um detalhe de implementação...".

N. Nilsson ex-director do Stanford Research Institut; Stanford

Robotics Lab.


Comentário:> polémico. A IA desviou-se, durante algum tempo deste

paradigma para se tornar mais realista, mais independente do funcionamento da mente humana.

Agora: Retorno aos fundamentos


"A IA é o estudo dos processos que possibilitam aos computadores realizar tarefas para as quais, no momento, as pessoas são mais aptas.“

E. Rich.

Comentário:> Vaga. Incompleta. Mas aproximativa da verdade na sua simplicidade


Outra definição: A Inteligência Artificial é uma disciplina científica cujo objetivo fundamental é realizar sistemas computacionais capazes de exteriorizar comportamentos operacionais semelhantes aos humanos em situações estereotipadas.



As técnicas de programação usadas, de pesquisa não deterministica, baseiam-se, pelo menos parcialmente, em Linguagens declarativas, sendo essencialmentalmente relacionais, baseadas na lógica ou funcionais.

Existem ferramentas (“Tools”) incluindo algoritmos de inspiração estatística (frequencista ou não) para extração de conhecimento baseados em dados


•  EVOLUÇÃO: Psicologia da Cognição + Ciência da Computação Inteligência Artificial

Engenharia do Conhecimento

Agentes Autónomos “Data Science” Robótica


•  DIFERENCIAÇÃO: Técnicas de Inteligência Artificial para: i) problemas complexos requerendo aplicação ou extração de Conhecimento ii) Modelação do raciocínio e tomada de Decisão

Domínios de

Aplicação


Fazer as máquinas raciocinar…

Modelos Computacionais para o estudo da (ou de acordo com a) mente racional

Máquinas que realizam funções requerendo inteligência

Estudar processos computacionais que simulam ação inteligente

Definições de Inteligência Artificial organizada em 4 categorias

Sist. que “pensam” como humanos Sist. que “pensam” racionalmente Sist. que “agem” como humanos Sist. que “agem” racionalmente


racionalidade humanos

pensar

agir

INTELIGÊNCIA ARTIFICIALINTELIGÊNCIA ARTIFICIAL : SINÓPSE CRONOLÓGICA

"Pré-História" Clássico Romântico Pragmático Difusão/Integração Refundação Antropomorfi.

1956 1962 1974 1982 1990

Filosofia (Lógica) Matemática : Boole

Frege Psicologia: Behaviorismo

Cognitivismo (experimentalismo W. James)

Cibernética

Teste de Turing

Teoria da Informação (SHANNON)

Modelo do Neurónio Artificial (McCulloch & Pits) Computação neuronal

(Doutoramento de Minsky)

Nascimento da IA: Reunião do Dartmouth College (Minsky, McCarthy, Simon, Newell, Shannon,..).

Logic Theorist e G.P.S. (Newell&Simon&Shaw)

Geometry P.S. (IBM) Jogo de Damas (A. Samuel)

LISP, Time-sharing (McCarthy) Pesquisa+ Conhecimento (advice taker) Grupos: MIT (Minsky) U.Stanford (McCarthy)

Computadores da 5º Geração (MITI) Hdw dedicado: Controlo "Fuzzy" ESPRIT

S.Baseados em Conhecimento divulgadosSOAR - Newell Aprendizagem AutomáticaML 1ª Conf. em. AGs

2000 AgentesEmocionaisKISMET

AgentesRobóticos

InteligênciaSocial /Redes

Data & TextMining

Semântica da LN + Web

E-Business Intelligence SMA Cognitivos

Robótica reactiva

(Brooks)

2017 Engª do Conhecimento

Sistemas Periciais: MYCIN

Raciocínio incerto e Probabilístico:

Prospector

Frames (Minsky)

PROLOG (Colmerauer)

(Feigenbaum) Dendral

Tom Mitchell em Stanford, “Formação de Conceitos (ML)

Redes Neuronais

Agentes "situados"

IA Distribuída: S.Multi-Agente Ag. cognitivos

IA + Web

Deep Blue

COG no MITRobô humanóide (R.Brooks)

NickJennings

A.T.

C.S..

M.M.

A.S..

Saída do Reconhecimentode Padróes

HEARSAYII- Blackboard

P. da Resolução

Cálculo Integral (SAINT) Gramática SIR (B.Raphael)

Eliza Minsky & Papert e a polémica dos perceptrões

(A.Robinson)

Perceptrão (Rosenblatt)Hiperplano separando 2 classes

J.Mc..

Robótica ("Shakey")

Shakey.

Neocognitron Fukushima

G.H..

Deep Learning App. (Geo. Hinton 2006 e outros antes)

Bringing Common Sense, Expert Knowledge, and Superhuman Reasoning to Computers

AIAssistants “The Master Algorithm”

INTELIGÊNCIA ARTIFICIALINTELIGÊNCIA ARTIFICIAL : SINÓPSE CRONOLÓGICA

"Pré-História" Clássico Romântico Pragmático Difusão/Inte Bk2Bs 1956 1962 1974 1982 1990

(A. Samuel)

AGs

2000

(Brooks)

2010

E.F. MYCIN

PROLOG (Colmerauer)

Tom Mitchell

Redes Neuronais

Ag. cognitivos

NickJennings

M.M.

(A.Robinson)

(Rosenblatt)

J.Mc..

Shakey.

Neocognitron Fukushima

G.H..

ML &DM

A.T.

C.S..

AI ETHICS

Elon Musk and Deep Mind Ethics..

BIG Data Applications +Deep Learning Intelligent Autonomous Systems Applications

Medicine, Militar, …

ASILOMAR AI Principles: The goal of AI research should be to create not undirected intelligence, but beneficial intelligence.


PROGRAMA DE INTRODUÇÃO À INTELIGENCIA ARTIFICIAL I INTRODUÇÃO

Objetivo Metodologia (ensino e avaliação) Evolução e Cronologia da Inteligência Artificial Documentação

II NOÇÕES BASICAS

III MÉTODOS DE RESOLUÇÃO DE PROBLEMAS

PROGRAMA

Definições: o que é a I. A. ? Aplicações: em que domínios ? Definições básicas de Agente Arquiteturas de Agentes: dos Reativos aos Cognitivos

Sistemas de "Produções" Estratégias de Controlo da Pesquisa Sistemática Encadeamento directo e inverso (Primeiro em Prof. e Primeiro em Largura) Pesquisa irrevogável: “Subir-a-colina” ( "hill climbing“) “Arrefecimento Simulado” (“Simulated Annealing”) Pesquisa por tentativas: "backtracking; Pesquisa em grafo Algoritmo “Branch and Bound” (ramifica e limita)


III MÉTODOS DE RESOLUÇÃO DE PROBLEMAS (cont.)

PROGRAMA

** Apresentação pelos alunos e mini-teste de avaliação na Aula Teórica

Computação Evolucionária (Algoritmos Genéticos) (“ML-Evolutionaries”) Pesquisa Heurística: "O melhor primeiro" Algoritmo A* e decréscimo progressivo da admissibilidade Análise Meios-Fins Métodos de Satisfação de Restrições: Princípios da "Relaxação" ** Pesquisa em "Jogos": Procedimento Minmax Cortes Alfa-Beta Exemplos em Prolog de estratégias básicas:

Interpretadores primeiro-em-largura e primeiro-em-profundidade


IV INTRODUÇÃO À REPRESENTAÇÃO DO CONHECIMENTO

V ENGENHARIA DO CONHECIMENTO

PROGRAMA

** Apresentação pelos alunos e avaliação na Aula Teórica

Definição de um Sistema de Representação Estruturas de Representação: Regras de Produção; Redes Associativas "Frames"; "Scripts" Lógica de Predicados e Outras Lógicas Raciocínio Inexacto: Modelo Probabilístico (Redes Bayesianas);(“ML-Bayesians”) Fatores de Certeza; Modelo Dempster-Schafer; ** Lógica dos Conjuntos Difusos Lógica: Logica Proposicional, Logica de Predicados, Lógica Intencional. (referência)

Sistemas Baseados em Conhecimento Sistemas Periciais: Caraterização Estrutura Rep. do Conhecimento e Meta-Conhecimento Motor de Inferência e Geração de Explicações Casos exemplares de Sistemas Periciais: ORBI; SMYCIN; ARCA Demonstrações Sistemas Genéricos : "Shells"


VI INTRODUÇÃO À LINGUAGEM NATURAL COMPUTACIONAL

VII APRENDIZAGEM AUTOMÁTICA (“ML- Symbolists”)

VIII INTRODUÇÃO ÀS REDES NEURONAIS (“ML- Connectionists”) IX APRENDIZAGEM AUTOMÁTICA AVANÇADA

PROGRAMA

** Apresentação pelos alunos e mini-teste de avaliação na Aula Teórica

Objetivos e dificuldades Análises Sintática e Semântica ATN; Redes Associativas; "Frames“; Casos Típicos (referência) Aproximação clássica e uso da Lógica : Gramáticas com Cláusulas Definidas; alguns ex. em Português Gramáticas de extraposição Abordagem estatística

Tipos de aprendizagem ap. de Conceitos; ap. pelo exemplo; ap. por analogia ap. Baseada em Explicações (EBL) : Descrição dos Algorítmos para EBG, mEBG e IOL; Exemplo Aprendizagem Indutiva: Algoritmos ID3 e C4.5: Exemplos

Princípios básicos ** Algoritmos fundamentais Exemplo de Aplicação

Text Mining e SVMs Deep Learning Considerações sobre ÉTICA


Acompanhamento dos Exercícios em Prolog e trabalhos

1 2 3 4 5 6 7 8 9 10 11 12

Intr. IANoções Básicas

Representação Conhecimento

LinguagemNatural

SPericiais Aprendizagem

Simb. Automática RNA

13

Agentes, pesquisa, minimax, AG, optimização

14 15 16 17 18 19 20 21 22 23 2524

Repres. Conhec;SP

Pesq.Sistem.

26

Lançamentotrabalhos

PROGRAMA

AG

LNatural

Aprend.

Métodos de Resolução de Problemas

Pesq.Heuríst.Pesq.Jogos


BIBLIOGRAFIA de Inteligência Artificial Quadros tópicos disponibilizados no “sítio web” da disciplina- Eugénio Oliveira

LIVROS• "ARTIFICIAL INTELLIGENCE: A Modern Approach", S.Russel and P.Norvig; Prentice Hall, 3rd Ed 2010

• “C4.5-Programs for Machine Learning" Ross Quinlan,Morgan Kaufmann,1993• Deep Learning Tutorial, LISA Lab, University of Montreal

http://deeplearning.net/tutorial/deeplearning.pdf• “Deep Learning using Tensor Flow, Eureka

https://www.youtube.com/watch?v=nl_4WFHQ4LU

• “The Master Algorithm”, Pedro Domingos, Basic Books, 2015.

•  "INTELIGÊNCIA ARTIFICIAL-Fundamentos e Aplicações " E.Costa, A.Simões; FCA editores, 2004

BIBLIOGRAFIA

• REVISTAS

• “Autonomous Agents and Multi-Agent Sytems”, Springer • "ARTIFICIAL INTELLIGENCE“ Elsevier-North-Holland • "IEEE EXPERT" • "MACHINE LEARNING" Kluwer A.P.


Trabalhos práticos tipo Mini-Projecto

•  B. Resolução de Problemas de Otimização B1. Otimização de Corte de Placas de madeira/vidro

B2. Otimização do Problema de Alocação de Lotes de Terreno B3. Otimização de Horários de Motoristas dos STCP B4. Otimização da Localização de Prontos-Socorro numa Cidade B5. Aplicação de Algoritmos Genéticos para localização de uma Barragem Métodos: Pesquisa Sistemática/Informada, Algoritmos Genéticos, Pesquisa Tabu, Arrefecimento Simulado

A. Pesquisa Sistemática/Informada de Soluções A1. Pesquisa de trajetos em redes de transportes públicos A2. Trajeto de um robô em ambiente conhecido A3. Pesquisa aplicada ao Problema de Alocação de Lotes de Terreno A4. Pesquisa aplicada à resolução do jogo Rush A5. Pesquisa aplicada à resolução do Solitário Sokoban

Métodos: Pesquisa em Profundidade, Largura, Profundidade Iterativa, Bidireccional, Gulosa, Algoritmo A*, Heurísticas


TRABALHOS

C. Pesquisa com Adversários – Jogos C1. Jogo de Tabuleiro – Tic-Tac-Ku C2. Jogo de Tabuleiro – Yinsh C3. Jogo de Tabuleiro – Hex C4. Jogo de Tabuleiro – Blockade C5. Jogo de Tabuleiro – Samurai de Reiner Knizia

Métodos: Algoritmo MiniMax com Cortes Alfa-Beta e variações deste; MCTS

D. Engenharia do Conhecimento e Linguagem Natural D1. Desenvolvimento de uma "Shell" (com fuzzy) D2. Sistema de Regras para controlo de dispositivos de Domótica, usando Jess D3. Informações sobre voos da TAP em Linguagem Natural D4. Informações sobre Filmes de Cinema em Cartaz em Linguagem Natural D5. Informações sobre Restaurantes na cidade do Porto em Linguagem Natural Métodos: Representação do Conhecimento, Raciocínio Incerto, Sistemas

Periciais, Linguagem Natural


TRABALHOS

E. Algoritmos de Aprendizagem e Redes Neuronais E1. Reconhecimento de Sinais de Trânsito utilizando Redes Neuronais E2. Aplicação de ID3 ou C4.5 à classificação de Área Destruída em Incêndio E3. Previsão de Área destruída num incêndio utilizando Redes Neuronais E4. Aplicação de ID3 ou C4.5 à classificação da Qualidade de Vinhos Verdes E5. Previsão da qualidade de um Vinho Verde utilizando Redes Neuronais E6. Aplicar “Aprendizagem Profunda” e comparar com outros métodos Métodos: Algoritmos de Aprendizagem ID3 e C4.5, Redes Neuronais

Artificiais (“Back propagation”), “Deep Learning” Text Mining: Usar WEKA ou RapidMiner sobre Data Sets como: spam/ no

spam; NIST;20NEwsGroup DS


•  Cálculo das classificações:

–  Exame 50% (mínimo 7,5 em 20)

–  Frequência 50% (mínimo 7,5 em 20)

»  Participação e avaliação nas Aulas 30% da freq. »  Relatório + Trabalho Intercalar 15% “ »  Qualidade e Apresentação final doTrabalho 40% “ »  Relatório Final 15% “

AVALIAÇÃO


•  Valor da Disciplina em ECTS = 6ECTS •  1 ECTS ~ 26-27H •  Total ~ 156-162 H

•  Aulas (T +TP): 64h (4h*16s) (importância das A. T.) •  Trabalho: 50h •  Estudo + preparação de Exames 44h

AVALIAÇÃO


- Nova abordagem: - Algoritmo: Cálculo das próximas configurações possíveis (filhos do nodo) encontra solução SENÃO considerar respostas possíveis para cada nó

TÉCNICAS

Abordagem tradicional: - Algoritmo simples

- Desvantagens

- Desvantagem: Mais tempo (todas as sequências possíveis antes de cada movimento) -Vantagem: Extensível, versátil (vários jogos,heurísticas; vários níveis), menos memória

Matriz M com todas as configurações possíveis de vetores (Vi) número ternário (configuração) à decimal indexar nova posição na Matriz Nova posição corresponde ao vetor resposta Vj

gasto de memória; introdução de todas as situações (erros);inflexível

Avançada: aprender com experiência

EXEMPLOS SIMPLISTAS e intuitivos da abordagem “orientada IA” (GOFAI): A- Pesquisa: Jogo do “Tic-Tac-Toe”

1 2 0 o 1 0 0 0

X O

O

0

Vetor: (1,2,0,0,1,0,0,0,0)


Exemplo B: Representação do conhecimento Reconhecimento de Letras

TÉCNICAS

- Uma alternativa: - Contar o nº de 1s em cada sub-área (ou a razão entre “1” e “0”) - Construir vector com os resultados - Computar distância para os padrões

B

Entradas: contagem de 0s e 1s da matriz analógica

(chave: nº 1s de 3 linhas da matriz e combine-as sem colisões numa f. de hashing)

Desvios de letras significativos ou não Existência de muitos padrões implicam colisões

- Desvantagens: I J l I

- Uma abordagem tradicional:

matriz analógica: tabela de “hashing” indexar padrões


- Nova abordagem: -Padrões como descrições de caraterísticas:

arc (a,b) AND up(a,b) AND line(b,c) AND left(c,b) AND (nil OR (line(b,d) AND down(d,b))) AND (nil OR (line(a,e) AND up(e,a))) - Algoritmo

- Vantagem

a

b c

d

e

TÉCNICAS

- Encontrar instâncias das primitivas (arcos, linhas) - Relacioná-los e comparar com os padrões - Selecionar o mais próximo

Permite variação de tamanhos; descrições alternativas com simplicidade

-TÉCNICAS DE IA envolvidas nos exemplos: PESQUISA E REPRESENTAÇÃO SIMBÓLICA

Outros métodos expeditos incluem uso de redes neuronais


•  Pesquisa dinâmica de soluções (ex. Jogos Xadrez, …)

•  Representação de Conhecimento (ex. usando Lógica)

•  Extração de Conhecimento a partir de Dados

TÉCNICAS

-TÉCNICAS DE IA :

•  Algoritmos de pesquisa em espaço de estados, •  Representação Simbólica e •  Classificação por cálculo frequencista


ALGUNS DOMÍNIOS DE INVESTIGAÇÃO E APLICAÇÃO

1 Compreensão Computacional da Linguagem Natural

compreender ≡ traduzir

Tópicos da INTELIGÊNCIA ARTIFICIAL

F --> SN SV SN --> Qt SN1 SN --> SN1 SN1 --> N FADJ Gramática elementarFADJ--> nil | FADJ ADJ SV --> V SN N --> João | bola |…ADJ --> branca | …Qt --> a | o | …V --> atira

Existem novas abordagens: baseadas em frequência e coocorrências

• Tratamento superficial : Análise Lexical (Ex: Eliza )• Análise em profundidade implica: Sintática, Semântica, Pragmática

Frase: João atira a bola branca

Abordagem tradicional: NLP


• Interpretação Semântica fundamental para selecção da Ação ex: Qual é o valor da Aptidão do solo à Agricultura no ponto X1,Y1 Depois da Análise sintática, a análise semântica gera: ponto(X1, Y1, D, V), a( 3, D, V-R). (em prolog) • A Ação é a produção da resposta às questões aqui definidas (objetivos).

Outras situações também requerendo análise semântica: O político mentiu/acertou sobre o assunto X à opinião neg/pos sobre o político

Análise mais expedita baseada em “Text Mining”

- Extração de Opiniões (“Sentiment analysis”) - Sumarização



SISTEMAS PERICIAIS ("EXPERT SYSTEMS")

ESPECÍFICO VS GERAL

Conhecimento Vs "Inteligência"

SISTEMA SIMULADOR DO PERITO: Uso de Conhecimento SIMBÓLICO E HEURÍSTICO Uso de Conhecimento INCERTO, VAGO, INCOMPLETO Acesso ao Conhecimento MODULAR Conhecimento DEDUTIVO

Geração automática de EXPLICAÇÕES AQUISIÇÃO do Conhecimento (eventualmente automático)



ROBÓTICA - ARQUITETURAS: Cognitivas e Reativas; Híbridas - PERCEÇÃO: Fusão sensorial e Interpretação de Cenas - DECISÃO: Geração Automática de Planos; Aprendizagem pelo Reforço - Linguagens: Nível Tarefa/ LNatural/reconhecimento de voz - Visão + Interpretação

- COORDENAÇÃO de Equipas de robôs



* Indução de Regras e Classes baseada em: - analogia; exemplos; explicações * “Data e Text Mining” /Classificação para decisão - Representação e Criação de novo Conhecimento; - Reconhecimento de padrões (texto, imagem, música, PERFIS)

* Classificação e Agrupamento de itens; previsões:consumos, finanças * Adaptação progressiva à melhor solução (Alg. Evolucionários)/ Otimização

NOVAS LÓGICAS para o Racicinio Automático - de ordem n

- Modais e Intencionais - temporais - não-monótonas

APRENDIZAGEM, ADAPTAÇÃO E “DATA MINING”



INTELIGÊNCIA ARTIFICIAL DISTRIBUÍDA -AGENTES DISTRIBUÍDOS E COOPERATIVOS

Aplicações em domínios DDD: - Gestão e análise de Redes (energia, sociais, distribuição) - Oficinas de Produção (CIM)

- Softbots (Pesquisadores, Shopbots,...) - Mercados Eletrónicos (Leilões, contratoção) - Instituições Eletrónicas (Empresas Virtuais,

Negociação, contratação) - Agentes “Emocionais”: simulação de comportamentos - Simulação de eco-sistemas, tráfego, desastres, ...

ARQUITETURAS CONETIVISTAS E NEURONAIS - Informação sub-simbólica:

•  Previsão •  Controlo adaptativo (de Robôs) •  Reconhecimento de padrões (imagens, texto,…) •  Deep Structured Learning (ANN) classificação (imagens, sons…)



TUTORES INTELIGENTES

Representação de Conhecimento do domínio, Estratégias Pedagógicas de Ensino (Itinerários de formação adaptativos) Estratégias de Adaptação/Classificação e constituição de perfis

SIMULAÇÃO DE COMPORTAMENTOS Humanos/ animais Arquiteturas “mentalistas” e baseadas em “Emoções” (Modelos) Coordenação de equipas de entidades autónomas Sistemas ecológicos; mobilidade rodoviária; evacuações…

COMPUTAÇÃO ECONÓMICA BASEADA EM AGENTES (ACE) “Computational study of economic processes as dynamic systems of interacting agents” Modelos de mundos virtuais com leis económicas onde agentes de vários tipos interagem e evoluem no tempo



AGENTES COMPUTACIONAIS * Agentes são entidades computacionais dispondo de capacidade de

perceção do ambiente exterior a si (através de "sensores") e de interação com esse ambiente (através de "efetuadores").

Introdução aos Agentes

* Agentes usam sequências percecionais juntamente com eventual conhecimento à priori para agirem de forma a maximizar o seu desempenho.

* Agentes dizem-se autónomos na medida em que o seu comportamento é baseado na sua própria experiência e perceções (e não só na do seu criador). Além disso pode responder positiva ou negativamente a solicitações.


Descrição "PAGE" dos Agentes: [Perceções, Ações, "Goals" (objetivos), "Environment" (ambiente)] Agora (PEAS- Performance measures, Environment, Actuators, Sensors)

Introdução aos Agentes

Exemplos de Agentes

Tipo Perceção Ações Objetivos Ambiente

Sistema de Diagnóstico/alerta Médico

SintomasSinais biológicosvitais

alertas Tratamentosdosagens

Saúde do Paciente Minimização dos custosp/ paciente

Bio-sinais doPaciente

HospitalCuidados intensivos

Robô Manip.

de pixeisdistâncias

intensidade

Forçaslocalizadores

pegar e largar peças

Juntar peças

localizar e colocar correcta- mente

mesas ou passadeiras com peças.

Humanos

Softbot bibliografico (ou um comprador)

análise de

de páginas Web

Localização de pg. Web filtragem de informação

Selecção de informação relevante

Computa- dores Internet Web pages


Aplicações de AGENTES

APLICAÇÕES de AGENTES e SMA

• Gestão dinâmica de Redes de Distribuição •  Seleção de Recursos distribuídos em Empresas (por ex. de Construção) •  Mercados Eletrónicos: de Bens de consumo e de Utilidades (Eletricidade) •  Delegação de representação e negociação em Empresas Virtuais •  Pesquisadores na Web

•  Simulação para Gestão e Encaminhamento de Sistemas de Transportes •  Agentes Robóticos de exploração ou deslocamento •  Gestão de redes de Comunicação •  Interfaces inteligentes e emocionais (Avatares)/ Jogos/Simulações •  Sistemas Distribuídos de Apoio à Decisão


função esqueleto-agente (perceção) retorna ação

estática: memória /* a memória do mundo do agente memória <---- atualiza_mem (memória, perceção) ação <---- selecciona_melhor (memória) memória <---- atualiza_mem (memória, ação) retorna ação

Notas: a sequência de perceções é criada internamente. A medida do desempenho é exterior ao agente

Arquiteturas básicas


Desvantagens: • enormes tabelas. Tempo de construção da tabela • agente sem autonomia

•  A IA tenta substituir a programação exaustiva por um código mais compacto

que permita gerar comportamento racional do agente

* agente mais elementar: agente_tabela função agente_tabela (perceção) retorna ação estática: memória /* a memória do mundo do agentetabela indexada pelas perceções. Inicialmente completamente especificada */

memória <---- atualiza_mem (memoria, perceção) ação <---- seleciona_melhor (memoria) memória <---- atualiza_mem (memoria, ação) retorna ação


Agente trivial


* Um Agente com "raciocínio" pode tentar evitar estas desvantagens. * Como construir agentes capazes de melhor mapear as perceções em ações? * Consideremos cinco tipos de agentes:


a) Reativos simples b) Baseados no Modelo do mundo c) Geridos por objetivos d) Baseados na utilidade e) Com Aprendizagem


Arquiteturas 1) Reativos simples : Usam um conjunto de regras "situação-ação" * válidos quando a decisão correta é só função da perceção atual

estado do

próxima

B

EN

AGENTE

mundo

Sensores

ação ?

Efetuadores

Regras:Condições->ação

AMBIENTE

Diagrama esquemático de um Agente Reacivo simples

função agente_reativo_simples( perceção ) retorna ação persistente: regras /*conjunto de regras situação-ação */ estado <----- interpreta_input ( perceção ) regra <----- selecciona ( estado, regras ) ação <----- conclusão_regra ( regra ) retorna ação


A tomada da decisão implica um conhecimento prévio do mundo.

função agente_reativo_c_mem (perceção) retorna ação persistente:estado , modelo /* descrição do estado (corrente) do mundo */ regras, ações /* conjunto de regras situação_ação */ estado <----- atualiza_estado (estado, ação,perceção, modelo) regra <----- selecciona_regra (estado, regras) ação <----- conclusão_regra (regra) retorna ação /*mesma perceção -->ações diferentes,(estado do mundo) */

Arquiteturas 2) Baseados no Modelo do mundo:

AGENTE

estado do mundo

Sensores

próxima ação ?

Efetuadores


A M B I E N T E

Diagrama esquemático de um Agente com estado interno Modelando o Mundo

estado

evolução do mundo

resultados das ações


Para além da descrição do estado corrente o agente usa informação sobre os objetivos. Implica pesquisa e planeamento. É mais flexivel pois diferentes comportamentos são obtidos para o mesmo estado do mundo dependendo do objetivo.

Arquiteturas 3) Geridos por objetivos:

AGENTE

estado do mundo

Sensores

próxima ação ?

Efectuadores

A M B I E N T E

Diagrama esquemático de um Agente com objetivos explícitos

estado

evolução do mundo


Objetivos

evolução do mundo se executar ação A



Utilidades são medidas de "satisfação", para o agente, relativamente aos diversos estados. Utilidades podem ser usadas para decidir entre objetivos em conflito ou ainda (quando há incerteza nas ações) para medir a verosimilhança de atingir o objetivo. Agentes que usam a função utilidade são mais racionais.

Arquiteturas 4) Baseados na utilidade

Qual o grau de satisfação do Agente neste estado

AGENTE

estado do mundo

Sensores

próxima ação ?

Efetuadores

A M B I E N T E

Diagrama esquemático de um Agente baseado em Utilidades

estado

evolução do mundo


Objetivos

evolução do mundo se executar acção A

Qual o grau de satisfação do Agente neste estado? Medida de Utilidade



Arquiteturas 5) Agentes Adaptativos (na disciplina de AIAD)

AGENTE

Crítico

Sensores

agente executor

Efectuadores

AMBIENTE

Diagrama esquemático de um Agente Adaptativo

Aprendizagem

Gerador de Estados

feedback

Objectivos da Aprendizagem

Conhecimento

alterações

Medida do Sucesso

Sugestões

INTELIGÊNCIA ARTIFICIALeol/IA/1718/APONTAMENTOS/1Introd.pdf · 2018. 2. 6. · • "INTELIGÊNCIA...

Documents

Transcript of INTELIGÊNCIA ARTIFICIALeol/IA/1718/APONTAMENTOS/1Introd.pdf · 2018. 2. 6. · • "INTELIGÊNCIA...