SMA-10 - Agentes de IA Simbolica

(1)

AGENTES DE IA

SIMBÓLICA

Prof. Pablo A. Sampaio

(2)

AGENTES

Elementos principais:  Percepções  Ações Como é o processo de decisão?

(3)

IA SIMBÓLICA

Paradigma da IA que propõe criar sistemas assim:  Identificar o conhecimento do mundo

 Representar o conhecimento

 Criar um mecanismo de raciocínio, para concluir as (melhores?) ações

Este paradigma já foi o dominante, mas a área de aprendizagem de máquina tem dominado...

(4)

1. AGENTES

LÓGICOS

(5)

AGENTES LÓGICOS

Eles possuem uma base de conhecimento do mundo  Contém tudo o que o agente sabe

Representada por uma linguagem de representação do conhecimento

 Baseada em lógica

 Declarativa

Motor de inferência

 Atua na base de conhecimento para descobrir novos fatos ou escolher a ação

(6)

BASE DE CONHECIMENTO

Conjunto de sentenças (fórmulas) lógicas Guarda conhecimento do mundo

 Obtido por um especialista

Novas percepções

 Viram novos fatos na base (representado por sentenças lógicas)

O motor de inferência pode tirar novas conclusões  Viram novos fatos na base

(7)

MUNDO DE

WUMPUS

Desempenho  ouro +1000, morte-1000  passo -1 , flecha -10 Ambiente

 quadrados próximos ao wumpus fedem

 próximos ao poço: brisa  _{quadrado do ouro: brilho}  _{uma flecha somente}

 _{atirar mata wumpus se em frente}  _{Pegar ouro no quad., deixa ouro}

no quad. Sensores:

[fedor, brisa, brilho, impacto, grito]

Atuadores: esquerda, direita, pegar, deixar, atirar

(8)

EXPLORANDO O MUNDO

DE WUMPUS

Primeira percepção: [nada, nada, nada, nada, nada]

(9)

EXPLORANDO O MUNDO

DE WUMPUS

(10)

EXPLORANDO O MUNDO

DE WUMPUS

Dedução: poço em [3,1] ou [2,2]

quadrado vazio em [2,1]

(11)

EXPLORANDO O MUNDO

DE WUMPUS

Nova percepção: [fedor , nada , nada , nada , nada]

Nova dedução: wumpus em [1,3]

(12)

EXPLORANDO O MUNDO

DE WUMPUS

Nova dedução: wumpus em [1,3] e poço em [3,1]

(pois não havia fedor em [2,1], nem brisa em [1,2])

(13)

LINGUAGENS DE

REPRESENTAÇÃO DO

CONHECIMENTO

Veremos exemplos baseados em:  Lógica proposicional

 Lógica de primeira ordem

(14)

LÓGICA PROPOSICIONAL:

EXEMPLOS DE SENTENÇAS

P Verdadeiro P ∧ Q (P ∨ Q) ⇒ S (P ∧ Q) ∨ R ⇒ S ¬(P ∨ Q) ¬(P ∨ Q) ⇒ R ∧ S

(15)

LÓGICA

PROPOSICIONAL:

(16)

NO MUNDO DE WUMPUS

Base de Conhecimento:

R1: ¬P

_1,1

R2: B

_1,1

⇔ (P

_1,2

∨ P

_2,1

)

R3: B

_2,1

⇔ (P

_1,1

∨ P

_2,2

∨ P

_3,1

)

R4: ¬B

_1,1

R5: B

_2,1

Um quadrado tem uma brisa se e somente se existe um poço em um quadrado vizinho (todos os

quadrados devem ser declarados). Não há poço em [1,1].

Percepções adquiridas pelo agente do mundo em que ele se encontra.

(17)

LÓGICA DE 1ª ORDEM

Mais poderosa, permite generalizar múltiplas fórmulas proposicionais com:  “para todo”  “existe”  objetos  funções  relações

Tem regras de inferência próprias, que estendem as da Lógica Proposicional

Vantagens: mais sucinta e modular

 Por exemplo: se mudar as dimensões do mundo do Wumpus

(18)

18

LÓGICA DE 1ª ORDEM

Exemplos de sentenças, para o mundo do Wumpus:

" f,v,c,g,t Percepção([f,v, Brilho,c,g], t) Þ Perto-Ouro(Pegar, t) " v,b,c,g,t Percepção([Fedor,v,b,c,g], t) Þ Fedor (t) " f,b,c,g,t Percepção([f,Vento,b,c,g], t) Þ Vento (t) " f,v,c,g,t Percepção([f,v,Brilho,c,g], t) Þ Junto-do-Ouro (t) " t Perto-Ouro (t) Þ Ação(Pegar, t)

(19)

OUTRAS OPÇÕES –

RESUMO

Alguns dos formalismos que podem ser usados para raciocínio:

(20)

AGENTE BASEADO EM

CONHECIMENTO

Agente genérico baseado em conhecimento:

function KB-AGENT(percept) returns an action static: KB, a knowledge base

t, a counter, initially 0, indicating time

TELL(KB, MAKE-PERCEPT-SENTENCE(percept, t)) action ← ASK(KB,MAKE-ACTION-QUERY(t)) TELL(KB,MAKE-ACTION-SENTENCE(action, t)) tt + 1 return action end

(21)

AGENTE BASEADO EM

CONHECIMENTO

Processo de execução:

 (1) Informa à base de conhecimento as percepções

 (2) Pergunta à base de conhecimento qual a próxima ação

que deve ser executada

 um extensivo processo de raciocínio lógico é realizada sobre a base para decidir

 (3) Realiza a ação escolhida e informa a base de

(22)

ALGORITMOS DE

INFERÊNCIA

Duas estratégias principais:

 Encadeamento para a frente: parte da base, produz novos fatos

sucessivamente

 Encadeamento para trás: parte do objetivo, encontra as condições para

atingi-lo, e tenta satisfazer cada uma delas

Inferência é um tipo de busca

Para responder uma pergunta (próxima ação) são, pelo menos, exponenciais, no pior caso...

(23)

EXEMPLO –

ENCADEAMENTO PARA

TRÁS

Base de conhecimento inicial

Fritz coacha

Fritz come mosca

_{Se X tem pena e canta, então é um canário} _{Se X coacha e come mosca, então é um sapo} Se X é um sapo, então a cor de X é verde

Se X é um canário, então a cor de X é amarela

(24)

EXEMPLO –

ENCADEAMENTO PARA

TRÁS

Duas regras podem levar a conclusões:  Se X é um sapo, então a cor de X é verde

 Se X é um canário, então a cor de X é amarela

Vamos tentar provar pela primeira delas

Para isso, precisamos saber: Fritz é um sapo? Somente esta regra permite provar isto:

(25)

EXEMPLO –

ENCADEAMENTO PARA

TRÁS

Fritz coacha e come mosca? Na base tem:

 Fritz coacha (ok)

 Fritz come mosca (ok)

(26)

CASO ESPECIAL:

SISTEMAS ESPECIALISTAS

São agentes “incompletos”  desacoplados do ambiente da tarefa

 sistemas de consulta, baseado em regras (lógica e afins)

Sucesso até os anos 1980

 Dois terços das empresas da lista “Fortune 500” aplicavam esta tecnologia

 DENDRAL (1969) – infere a estrutura molecular a partir de um espectômetro de massa

 MYCIN (anos 70) – diagnóstico de infecção de sangue

 SID (1982) – ajudou no design do computador VAX 9000

(27)

(28)

PLANEJAMENTO

Tarefa de encontrar uma sequência de ações para alcançar um objetivo

Também segue a abordagem simbólica para IA  Representação explícita do conhecimento do mundo

 Processo de raciocínio antes de agir

Diferença em relação aos agentes baseados em lógica  Computa todas as ações antes de agir

(29)

EXEMPLO

(30)

REPRESENTAÇÃO DO

CONHECIMENTO

Estados

 Exemplo: Livre(B) ^ Sobre(C,A) ^ Sobre(A,Mesa)

Objetivos

 Exemplo: Sobre(A,B) ^ Sobre(B,C)

Ações

 Exemplo: Ação Empilhar(bloco,origem,destino)

 Pre-Condição: Sobre(bloco,origem) ^ Livre(bloco) ^ Livre(destino),

(31)

LINGUAGENS DE

PLANEJAMENTO

Usadas para descrever o estado do mundo, as ações (com suas pré-condições e efeitos) e os objetivos

STRIPS ADL

PDDL (Planning Domain Definition Language)

 Tentativa de padronizar linguagens de planejamento

(32)

(33)

(34)

ALGORITMOS

Planejamento é uma busca com estados e ações representados logicamente

 Estado: conjunto de fórmulas lógicas

Algoritmos de busca (como A*) adaptados para a linguagem

se aplicam de vária formas

 Busca para frente – do estado inicial para o objetivo

 Busca para trás (regressão) - tem analogia com o encadeamento regressivo

 Ações relevantes: que adicionam um elemento do objetivo, sem negar nenhum outro

(35)

ALGORITMOS

Como toda busca: exponencial

(36)

ALGORITMOS

Há várias outras abordagens  Busca em grafos de planejamento

 Algoritmos baseados em satisfatibilidade booleana, etc

International Planning Competition: disputa a cada 2, 3

ou 4 anos entre algoritmos

Planejamento é PSPACE-difícil !!!

“Planejamento é um exercício de controle de explosão combinatória” (Russel e Norvig)

(37)

PLANEJAMENTO

MULTIAGENTE

Genericamente, há três formas de abordar:

1. Planejador central, execução distribuída

 Um agente “mestre” planeja e distribui aos “escravos”

 Agentes representados como objetos do mundo

 Ação tem o agente como parâmetro

2. Planejador distribuído, execução central

 Vários planejam, mas um só executa

 Adequado para agentes “especialistas” em partes distintas do plano

(38)

PLANEJAMENTO

MULTIAGENTE

3. Planejador distribuído, execução distribuída

 Agentes cooperam para criar planos separados para cada um

 Eles podem ser self-interested – podem surgir conflitos entre os planos

 Caso mais difícil

Passo central nas abordagens 2 e 3 – plan merging

 Necessita analisar interações entre as ações dos agentes e resolver os casos problemáticos (criando formas de sincronização, etc)

(39)

BUSCA CLÁSSICA X

PLANEJAMENTO

Ambas acham “planos”

A diferença é que, na busca clássica, o estado, os operadores e as heurísticas são implementados de forma específica

 Dependentes de domínio

No planejamento, são usadas representações e heurísticas “gerais” Obs.: Busca pode ser usada para múltiplos agentes também

 Na descrição do estado do mundo, incluir os agentes

 Cada ação é uma combinação (tupla) das ações dos agentes

(40)

DECLÍNIO DA ÁREA (?)

“In the mid 1980s, Chapman established some theoretical results which indicate that even […] refined techniques will ultimately turn out to be unusable in any time-constrained system [Chapman, 1987]. These results have had a

profound influence on subsequent AI planning research; perhaps more than any other, they have caused some researchers to question the whole symbolic AI paradigm”

 http://

www.cs.ox.ac.uk/people/michael.wooldridge/pubs/ker95/subsubsectionsta r3_3_1_1.html

Apesar disso, trabalhos importantes ainda foram propostos depois e têm sido propostos, hoje em dia

(41)

(42)

IA SIMBÓLICA

Vimos duas técnicas tradicionais da IA simbólica para o desenvolvimento de agentes

Hoje, existem muitas extensões, inclusive para lidar com agentes...

Foram “mainstream” até os anos 80  Mas não morreram

(43)

REFERÊNCIAS

Aula de “Agentes Lógicos”, prof. Edirlei, PUC-RIO

Livro “Inteligência Artificial”, 3 ed., S. Russel e P. Norvig Livro “An Introduction to Multiagent Systems”, M.

Wooldridge

(44)

“Feliz o homem constante no temor de Deus; mas o

que endurece o coração, cairá no mal.”