INTELIGÊNCIA ARTIFICIAL

INTELIGÊNCIA ARTIFICIAL

Eugénio Oliveira

Ana Paula Rocha

Henrique Lopes Cardoso

Think

INTELIGÊNCIA ARTIFICIAL

Eugénio Oliveira / FEUP

Incursão em um novo “continente” do saber ! 3 Palavras chave:

* CONHECIMENTO (mais além do que Dados)

* LÓGICA e outros paradigmas (mais que algoritmia) * ENGENHARIA (além de Ciência)

INTELIGÊNCIA ARTIFICIAL

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 resolver Problemas

INTELIGÊNCIA ARTIFICIAL

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 e outros ramos da Engenharia.

Eugénio Oliveira / FEUP

INTELIGÊNCIA ARTIFICIAL

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

INTELIGÊNCIA ARTIFICIAL

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"

Eugénio Oliveira / FEUP

INTELIGÊNCIA ARTIFICIAL

Definições

Research priorities for robust and beneficial artificial intelligence

(S.Russel et al. Jan2015)

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

"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.

INTELIGÊNCIA ARTIFICIAL

Comentário:> polémico. A IA desviou-se, durante algum tempo deste paradigma para se tornar mais realista, mais independente do funcionamento da mente humana.

Eugénio Oliveira / FEUP

"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.

INTELIGÊNCIA ARTIFICIAL

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

Eugénio Oliveira / FEUP

•  EVOLUÇÃO:

Ciência da Cognição + Ciência da Computação Inteligência Artificial Engenharia do Conhecimento Agentes Autónomos “Data Science” Robótica

INTELIGÊNCIA ARTIFICIAL

Técnicas de Inteligência Artificial para:

i) problemas complexos requerendo aplicação ou extração de Conhecimento ii) Modelação do raciocínio e tomada de Decisão

Fazer as máquinas

raciocinar…

Modelos

Computacionais para o

estudo

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

INTELIGÊNCIA ARTIFICIAL

racionalidade

humanos

pensar

INTELIGÊNCIA ARTIFICIAL

INTELIGÊNCIA ARTIFICIAL : SINÓPSE CRONOLÓGICA

"Pré-História" ₁₉₅₆ Clássico ₁₉₆₂ Romântico 1974 Pragmático _{1982 Difusão/Integração} Refundação Antropomorfi. 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 divulgados SOAR - Newell Aprendizagem Automática ML 1ª Conf. em. AGs

2000 Agentes Emocionais KISMET Agentes Robóticos Inteligência Social /Redes Data & Text Mining 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 MIT Robô humanóide (R.Brooks) Ni ck Je nnings 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 S

uperhuman Reasoning to C

omputers

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”)

Eugénio Oliveira / FEUP

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:

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

Eugénio Oliveira / FEUP

VI INTRODUÇÃO À LINGUAGEM NATURAL COMPUTACIONAL

VII APRENDIZAGEM AUTOMÁTICA (“ML- Symbolists”)

VIII INTRODUÇÃO ÀS REDES NEURONAIS (“ML- Connectionists”)

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

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 concreto

Aprendizagem Indutiva: Algoritmos ID3 e C4.5 Exemplos de Aplicação

Princípios básicos

Acompanhamento dos Exercícios em Prolog e trabalhos 1 2 3 4 5 6 7 8 9 10 11 12 Intr. IA Noções Básicas Representação

Conhecimento LinguagemNatural SPeric

iais Aprendizagem _{Simb. Automática} RNA 13

Agentes, pesquisa, minimax, AG, optimização

14 15 16 17 18 19 20 21 22 23 24 25 Repres. Conhec;SP Pesq.Sistem. 26 Lançamento trabalhos

PROGRAMA

Eugénio Oliveira / FEUP

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 • "ARTIFICIAL INTELLIGENCE" E. Rich; K. Knight, 2nd Ed., MacGraw-Hill, 1991

• “C4.5-Programs for Machine Learning" Ross Quinlan,Morgan Kaufmann,1993 • "THE ART OF PROLOG" Sterling and Shapiro, MIT Press, 1986

•  “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"

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

Eugénio Oliveira / FEUP

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

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

TRABALHOS

E. Algoritmos de Aprendizagem e Redes Neuronais

Usar WEKA ou RapidMiner sobre Data Sets como: spam/ no spam; NIST;20NEwsGroup DS

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

Eugénio Oliveira / FEUP

•  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 doTrabalho 40% “

»  Relatório Final 15% “

Eugénio Oliveira / FEUP

-

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:

-Vantagem:

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: apren

der com exp

eriência

EXEMPLOS SIMPLISTAS e intuitivos da abordagem “orientada IA” (GOFAI):

Exemplo B: Representação do conhecimento

Reconhecimento de Letras

TÉCNICAS

- Uma alternativa:

- Contar o nº de 1s em cada sub-área

- 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:

Eugénio Oliveira / FEUP

- 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 méto

dos expeditos

incluem us

o de redes n

Exemplo C: Extração de Conhecimento a partir de Dados

TÉCNICAS

-  Dados:

-  Linhas em Tabelas de Bases de Dados -  Símbolos alfanuméricos em ficheiros

-  Palavras em textos (notícias, mensagens ...)

Algoritmos estatísticos que reconheçam Padrões relevantes

Eugénio Oliveira / FEUP

ALGUNS DOMÍNIOS DE INVESTIGAÇÃO E APLICAÇÃO 1 Compreensão Computacional da Linguagem Natural

compreender ≡ traduzir

Domínios para a INTELIGÊNCIA ARTIFICIAL

F --> SN SV SN --> Qt SN1

SN --> SN1

SN1 --> N FADJ Gramática elementar FADJ--> nil | FADJ ADJ

SV --> V SN N --> João | bola |…

ADJ --> branca | … Qt --> a | o | … V --> atira

Nova abordagem: basea

da em frequência e cooco

rrências

• Tratamento superficial : Análise Lexical (Ex: Eliza )

• Análise em profundidade implica: Sintática, Semântica, Pragmática Frase: João atira a bola branca

• 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).

• A Ação é a produção da resposta às questões aqui definidas (objetivos).

Domínios para a INTELIGÊNCIA ARTIFICIAL

Outras situações também requerendo análise semântica:

O político mentiu sobre o assunto X à opinião negativa sobre o político Análise

mais expedita

Eugénio Oliveira / FEUP

SISTEMAS PERICIAIS ("EXPERT SYSTEMS") ESPECÍFICO VS GERAL

Conhecimento Vs "Inteligência"

Domínios para a INTELIGÊNCIA ARTIFICIAL

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

ROBÓTICA

- ARQUITETURAS: Cognitivas e Reativas; Híbridas - PERCEÇÃO: Fusão sensorial e Interpretação de Cenas - DECISÃO: Geração Automática de Planos

• "Frame Problem" - Linguagens: Nível Tarefa - Visão + Interpretação

- COORDENAÇÃO de Equipas

Eugénio Oliveira / FEUP

- analogia; exemplos; explicações

* “Data e Text Mining”

- Representação e Criação de novo Conhecimento;

- Reconhecimento de padrões (texto, imagem, música, PERFIS)

* Adaptação progressiva à melhor solução (Alg. Evolucionários)

Classificação e agrupamento de itens; previsões:consumos, finanças…. NOVAS LÓGICAS para o Racicinio Automático

Domínios para a INTELIGÊNCIA ARTIFICIAL

- de ordem n

- Modais e Intencionais - temporais

- não-monótonas

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, contratos) - Instituições Eletrónicas (Empresas Virtuais,

Negociação, contratação)

- Agentes “Emocionais”

- Simulação de eco-sistemas, tráfego, desastres, ...

Domínios para a INTELIGÊNCIA ARTIFICIAL

ARQUITETURAS CONETIVISTAS E NEURONAIS - Informação sub-simbólica:

•  Previsão

•  Controlo adaptativo (de Robôs)

•  Reconhecimento de padrões (imagens, texto,…)

Eugénio Oliveira / FEUP

Representação de Conhecimento do domínio,

Estratégias Pedagógicas de Ensino (Itinerários de formação adaptativos)

Estratégias de Adaptação/Classificação e constituição de perfis

Domínios para a INTELIGÊNCIA ARTIFICIAL

SIMULAÇÃO DE COMPORTAMENTOS Humanos

Arquiteturas “mentalistas” e baseadas em “Emoções” 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

Eugénio Oliveira / FEUP

[Perceções, Ações, "Goals" (objetivos), "Environment" (ambiente)]

Agora (PEAS- Performance measures, Environment, Actuators, Sensors)

Introdução aos Agentes

Exemplos de Agentes

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

•  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

Eugénio Oliveira / FEUP

perceção

ação

estática:

memória

memória

memória, perceção

ação

memória

memória

memória, ação

ação

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

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

* agente mais elementar: agente_tabela

função agente_tabela (

perceção

ação

estática: memória /* a memória do mundo do agente

memória <---- atualiza_mem (memoria, perceção)

ação <---- seleciona_melhor (memoria)

memória <---- atualiza_mem (memoria, ação)

retorna ação

Arquiteturas básicas

Eugénio Oliveira / FEUP

* 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 E N AGENTE mundo Sensores ação ? Efetuadores Regras:Condições->ação A M B I E N T E

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 )

Eugénio Oliveira / FEUP

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 Regras:Condições->ação A M B I E N T E

Diagrama esquemático de um Agente com estado interno Modelando o Mundo estado

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

resultados das ações

Objetivos

evolução do mundo se executar ação A

Eugénio Oliveira / FEUP

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

Diagrama esquemático de um Agente baseado em Utilidades estado

evolução do mundo resultados das ações

Arquiteturas

5) Agentes Adaptativos

(na disciplina de AIAD)

AGENTE Crítico Sensores agente executor Efectuadores A M B I E N T E

Diagrama esquemático de um Agente Adaptativo