IA Robótica. Agente y Entorno. Instituto de Computación Facultad de Ingeniería Universidad de la República

Transcripción

1 IA Robótica Agente y Entorno Instituto de Computación Facultad de Ingeniería Universidad de la República

2 Agentes Introducción Paradigma Estructura Programas

3 Introducción (1/4) Agente: es todo aquello que puede percibir su entorno mediante sensores y responder o actúar en el ambiente por medio de actuadores. Agente de software (softbot) es un programa de computadora capaz de realizar acciones de forma autónoma en el ambiente en que está situado. Agente percepciones acciones Entorno

4 Introducción (2/4) Agente robótico. AGENTE Sensores Percepciones? AMBIENTE Actuadores Acciones

5 Introducción (3/4) Agente racional hace lo correcto. Medidas de desempeño a largo plazo. Racionalidad Medida de rendimiento Conocimiento acumulado del medio Acciones Secuencia de percepciones Racionalidad!= Perfección Maximiza el rendimiento esperado Maximiza el resultado real

6 Introducción (4/4) Agente racional ideal: en todos los casos de secuencias de percepciones, el agente deberá emprender aquella acción que supuestamente maximice su medida de rendimiento, basándose en las evidencias aportadas por la secuencia de percepciones y todo su conocimiento previo. Agente autónomo: se dice que un agente carece de autonomía cuando se apoya más en el conocimiento inicial que en sus propias percepciones. Un agente racional debe ser autónomo.

7 Paradigma Características Entidades autónomas. Paralelismo. Coordinación/Cooperación. Negociación. Comunicación. Propone la resolución de problemas mediante la utilización de sistemas multiagente (MAS).

8 MAS Muchos problemas son esencialmente distribuidos y puede ser conveniente una solución distribuida. El conocimiento para resolver el problema puede estar distribuido. Un único agente puede resolver el problema pero requeriría de mucho tiempo, eventualmente un alto costo y representaría un único punto de falla.

9 Estructura Conducta: aquellas acciones que se producen después de una determinada secuencia de percepciones. Programa: implementa la función del agente que proyecta percepciones en acciones. Arquitectura: dispositivo de computo con sensores y actuadores donde se ejecuta el programa. Agente = Arquitectura + Programa

10 Programas Esqueleto de agente function esqueletoagente(percepcion): accion static memoria: MemoriaAgente begin memoria<-actualizarmemoria(memoria,percepcion) accion<-seleccionarmejoraccion(memoria) memoria<-actualizarmemoria(memoria,accion) return accion end

11 Limitarse a buscar respuestas La manera más sencilla de programar un agentes: tablas de consulta. function agenteguiadoportabla(percepcion): accion static percepciones: secuencia tabla: Tabla indexada por secuencia begin add(percepciones, percepcion) accion<-consulta(tabla, percepciones) return accion end

12 Limitarse a buscar respuestas Problemas Tamaño de la tabla. Elaboración de la tabla. El agente carece de autonomía. Aún cuando se dote al agente de aprendizaje se requiere de mucho tiempo para aprender la tabla.

13 Tipos de programas Agentes con reflejo simple Agentes bien informados de lo que pasa Agentes basados en metas Agentes basados en utilidad Agentes que aprenden

14 Agente de reflejo simple (1/2) Se basan en reglas de condición acción, situación acción, producciones o reglas sientonces. Esquema del agente Sensores Reglas condición acción Cómo es el mundo Qué acción debo emprender AMBIENTE Actuadores

15 Agente de reflejo simple (2/2) Esqueleto function agentereflejosimple(percepcion): accion static reglas: conjunto de reglas begin estado<-interpretarentrada(percepcion) regla<-reglacoincidente(reglas, estado) accion<-reglaaccion[regla] return accion End Inteligencia muy limitada Riesgo de bucles o ciclos infinitos cuando la visibilidad sobre el entorno es parcial

16 Agente bien informado (1/2) Estado Sensores Cómo evoluciona el mundo Qué producen mis acciones Reglas condición acción Cómo es el mundo Qué acción debo emprender AMBIENTE Actuadores

17 Agente bien informado (2/2) Esqueleto function agentereflejosimple(percepcion): accion static estado: descripción del estado del mundo reglas: conjunto de reglas begin estado<-actualizarestado(estado, percepcion) regla<-reglacoincidente(reglas, estado) accion<-reglaaccion[regla] estado<-actualizarestado(estado, accion) return accion end

18 Agente basados en metas Meta: información detallada de situaciones deseables. Estado Cómo evoluciona el mundo Qué producen mis acciones Metas Sensores Cómo es el mundo Qué sucede si emprendo la acción A Qué acción debo emprender Actuadores AMBIENTE

19 Agente basados en utilidad Si un estado se prefiere respecto de otro, entonces el primero tiene mayor utilidad. Estado Cómo evoluciona el mundo Sensores Cómo es el mundo Qué producen mis acciones Utilidad Qué sucede si emprendo la acción A Qué tan a gusto me encontraré en tal estado AMBIENTE Qué acción debo emprender Actuadores

20 Agentes que aprenden El aprendizaje en agentes puede definirse como el proceso de modificación de cada componente del agente, esto permite que cada componente se comporte más en consonancia con la información que se recibe, lo cual permite mejorar el nivel medio de actuación del agente. Nivel de actuación Crítica Sensores retroalimentación Elemento de aprendizaje objetivos a aprender cambios conocimiento Elemento de actuación AMBIENTE Generador de Problemas Actuadores

21 Ambientes Introducción Propiedades Ejemplos

22 Introducción Entornos de trabajo Son los problemas para los cuales los agentes racionales son las soluciones. Especificación de entornos Rendimiento Entorno Actuadores Sensores

23 Propiedades (1/3) Observable vs Parcialmente observable Si el aparato sensorial del agente le permite tener acceso al estado total de un ambiente se dice que éste es accesible al agente o totalmente observable. Determinista vs Estocástico (No determinista) Si el estado siguiente se determina completamente a partir del estado actual y la acción elegida por el agente, el ambiente es determinista.

24 Propiedades (2/3) Episódico vs Secuencial (No episódico) En un ambiente episódico, la experiencia del agente se divide en episodios. La calidad de su actuación dependerá únicamente del episodio actual, y los episodios subsiguientes no dependerán de las acciones tomadas en episodios previos. Discretos vs Continuos Si existe una cantidad limitada de percepciones y acciones y claramente discernibles, se dice que el ambiente es discreto.

25 Propiedades (3/3) Estáticos vs dinámicos Si existe la posibilidad de que el ambiente sufra modificaciones mientras el agente se encuentra deliberando se dice que el ambiente se comporta de forma dinámica con relación al agente. En ambientes estáticos el agente: No se debe preocupar por lo que sucede mientras delibera. No se debe preocupar por el paso del tiempo Ambiente semi dinámico: no cambia el ambiente pero sí se modifica la calificación asignada al desempeño. Agente individual vs Multiagente Multiagente cooperativo o competitivo.

26 Ejemplos No No Si Si Si Discreto Individual Multi Multi Multi Individual Agentes Si No Si Totalmente Crucigrama No Si No ParcialTotal mente Robot Industrial No No No Parcialmente Conducir un taxi Si No Estratégico Totalmente Ajedrez sin reloj Semi No Estratégico Totalmente Ajedrez con reloj Estático Episódico Determinista Observable Ambiente

27 Resumen (1/2) Un agente es algo que percibe y actúa en un ambiente. Están formados por el programa y la arquitectura. Agente ideal es aquel que emprende acciones que se espera permitan obtener un máximo desempeño. Un agente se considera autónomo en la medida que sus acciones dependan más de la experiencia que del conocimiento que le haya incorporado el diseñador.

28 Resumen (2/2) El agente reflejo pasa inmediatamente de percepciones a acciones, los agentes basados en metas actúan en función del logro de una meta, y los agentes basados en utilidad se esfuerzan por tener un máximo de felicidad. El proceso de toma de decisiones basado en lo que se conoce es fundamental para la IA y el desempeño satisfactorio del agente. Los ambientes que ofrecen mayor dificultad son los parcialmente observables, estocásticos, secuenciales, dinámicos y continuos.

29 Referencias Russell S. y P. Norvig, Inteligencia Artificial: Un enfoque moderno, Capítulo 2.

30 Preguntas