Modelos Basados en AgentesClase 2: Aplicaciones

Transcripción

1 Modelos Basados en Agentes Clase 2: Aplicaciones traducción de mjw/pubs/imas/distrib/pdf-index.html. Universidad Simón Boĺıvar 4 de mayo de 2006

2 Contenido 1 2

3 El uso de Agentes es indicado para aquellos dominios donde se requieren acciones autónomas El uso de Sistemas Multiagentes es indicado para dominios donde: El control, los datos y la experticia son distribuidos El control centralizado es imposible o impráctico Los nodos de procesamiento tienen puntos de vista u objetivos que compiten/son conflictivos entre si.

4 Agentes en Intenet Agentes en E-commerce

5 La idea es separarse del paradigma de manipulación directa. Los agentes se colocan sobre las aplicaciones, observando, aprendiendo y eventualmente haciendo cosas sin que se les indique tomando la iniciativa. Trabajos pioneros en el MIT Media Lab (Pattie Maes): Lector de noticias Navegadores web Lectores de correo

6 La Visión de Negroponte El agente contesta el teléfono, reconoce a los que llaman, te interrumpe cuando es apropiado, y hasta puede decir una mentira por ti. El mismo agente está bien entrenado en conocer los tiempos, en conseguir momentos oportunos, y ser respestuoso de las idiosincrácias (p.150) Si tienes a alguien que te conoce bien y que comparte mucha de tu información, esa persona puede actuar por ti de una manera muy efectiva. Si tu secretaria se enferma, no habría diferencia si la agencia de empleos temporales envía a Albert Einstein. No es un asunto con Coeficiente Intelectual. Es el conocimiento compartido y la práctica de utilizarlo para satisfacer tus intereses. (p.151) Being Digital, 1995.

7 La Visión de Negroponte Como un comandante de ejército envía un explorador adelante... tu enviarás agentes a recolectar información para ti. Los agentes enviarán agentes. El proceso se multiplica. Pero [este] proceso comenzó en la interfaz donde delegastes tus deseos (p.158) Being Digital, 1995.

8 Asistente para la lectura de correos MAXIMS (Pattie Maes, 1994), aprende a priorizar, borrar, reenviar, ordemar y archivar mensajes de correo a nombre de su usuario... Trabaja mirando sobre el hombro de un usuario, y aprendiendo como el trata con el correo electrónico Cada vez que ocurre un nuevo evento (i.e., llega un ), MAXIMS graba el par, condición acción, generado la condición se caracteriza por los razgos del evento: remitente, receptores, asunte, etc.

9 Asistente para la lectura de correos Cuando se produce una nueva condidión, MAXIMS la compara con la reglas previamente almacenadas Predice la acción del usuario y produce un nivel de confianza El nivel de confianza se compara contra dos umbrales: dime y hazlo : confianza < dime el agente obtiene retroalimentación dime < confianza < hazlo el agente hace una sugerencia confianza > hazlo el agente realiza una acción Las reglas pueden ser cableadas ; y hasta puede recibirse ayuda de otros usuarios.

10 No es fácil conseguir la información correcta (incluso con la ayuda de motores de búsqueda) Las búsquedas sistemáticas son difíciles: factores humanos: Nos aburrimos con los tiempos de respuesta lentos, se hace difícil leer el WWW con rigurosidad, nos cansamos, perdemos cosas fácilmente, malos entendidos, desvios; factores organizacionales: La estructura de la red es superficial no hay estándares para las páginas web, no hay un marco semático (aún) que diga que es lo que contiene una página. La gran cantidad de información que se nos presenta produce una sobrecarga de información

11 Lo que queremos es una espécie de secretaria : alguien que entienda las cosas en las que estamos interesados, (y las cosas que no nos interesan), que actúe como proxi, escondiendo la información que no nos interesa, y trayendo a nuestra atención la información que si es interesante. No podemos permitirnos agentes humanos que hagan esta clase de tarea (y en todo caso, los humanos tienen las desventajas que mencionamos anteriormente). Luego, escribimos un agente que haga esas tareas.

12 Guías Turísticos La idea es tener agentes que ayuden a resolver la pregunta a donde voy ahora cuando navegamos por internet Estos agentes pueden aprender de las preferencias de los usuarios de la misma forma que lo hace MAXIMS, y mas que sólo indicar un tipo de hiperenlace indica el interés probable de un enlace.

13 Agentes de Indexación Los agentes de indexación proveerán una capa extra de abstracción sobre los servicios provistos por agentes de búsqueda/indexación como GOOGLE y LYCOS. La idea es usar la información cruda provista por estos motores, junto con el conocimiento de las preferencias y objetivos del usuario, para proveer de un servicio personalizado.

14 Buscadores de FAQs La idea es dirigir a los usuarios hacia documentos FAQ para contestar preguntas específicas Como los FAQs tienden a ser documentos estructurados y con conocimientos intensivos, es mucho el potencial para construir servidores automatizados del FAQs.

15 Buscadores de Expertícias Supongamos que quiero saber sobre expertos en agentes inteligentes Las herramientas de búsqueda en la WWW actuales simplemente toman las palabras agentes e inteligentes para buscarlos Esta no es la situación ideal: GOOGLE no tiene un modelo de que es lo que quieres decir con esa búsqueda, o que es lo que realmente estás cuscando. Los buscadores de expertícias tratan de entender lo que los usuarios quieren y los contenidos de los servicios de información, con el objeto de proporcionar un mejor servicio de información.

16 Otra razón importante para los agentes en internet es su potencial para el comercio electrónico. La mayoría del comercio se hace actualmente manualmente. Pero no hay razón de suponer que ciertas formas de comercio no se podrían delegar a los agentes de forma segura Ejemplos Hallar la copia más barata de MS Office en tiendas en ĺınea, Un vuelo desde Manchester a Dusseldorf con comida vegetariana, asiento de la ventana, mas hotel, taxis, entretenimiento y restaurantes.

17 Primera y segunda generación de sistemas de E-Commerce Primera generación: agentes de comparación Ejemplos: 1995: Bargain Finder de Andersen 1997: Jango de NETBOT 2003: Froogle de GOOGLE Segunda generación: negociación, brokering,...

18 JANGO Jango (Doorenbos et al, 97) es un buen ejemplo de agentes de e-commerce) Objetivos a largo plazo: 1 Ayudar al usuario a decidir que comprar. 2 Conseguir especificaciones y evaluaciones de productos. 3 Hacer recomendaciones. 4 Compras comparadas para hacer la mejor. 5 Monitorear las listas de novedades. 6 Estar pendiente de ofertas especiales y descuentos

19 No son las compras de comparación imposibles? Todas las páginas Web son diferentes! Jango/ShopBot explotan algunas regularidades de los sitios de venta: regularidades de navegación: Las páginas son diseñadas para que los productos sean fáciles de encontrar. regularidades corporativas: Las páginas son diseñadas para que tengan el mismo look n feel. separación vertical: Los vendedores usan espácios en blanco para separar los productos.

20 Dos de las componentes principales de Jango/ShopBot: Aprender despripciones de los vendedores Compras comparadas

21 Otras Aplicaciones Ambientes Virtuales - Industria del entretenimiento. Simulación: Social, Biología, Física, etc. Gerencias de Sistemas Industriales: ARCHON (sistema de distribución de energía) Control de tráfico aéreo

22 Investigación Actual Agent-Based Computing: Workshop III 2006 (ABC 06) Workshop URL: Agent architectures Agent-based software engineering Agent-based simulations Agent benchmarking and performances Agent communication, coordination and cooperation Agent languages

23 Investigación Actual Agent learning and planning Agent mobility Agent Modeling Formal methods, calculi and logics in agent systems Agent security Applications and Experiences Simulating and verifying agent systems Multi-Agent Systems in Applications Disaster Management E-commerce Workflow management Other areas