Capítulo 2 Agentes inteligentes Diabositivas de C H v d Becke con notas del profesor Mobasher FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Temas principales del Capítulo 2 Glóbulos Vivos Finitos DIAPOSITIVAS 12 - 13 PaMA Percepciones acción Meta Ambiente DIAPOSITIVAS 18 A 21 Demo de AHP (gestión de multiobjetivos) DIAPOSITIVA 22 Funciones y Programas de Agentes DIAPOSITIVA 23 Tipos de Ambientes. FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

SECCIÓN 1 Introducción FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Monigote para mostrar un agente inteligente FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

SECCIÓN 2 Agentes inteligentes racionales autónomos FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Qué es un agente inteligente Un agente inteligente es cualquier cosa que pueda percibir un mundo perceptual en que esté anidado (“ambiente”) mediante SENSORES y actuar sobre ese mundo mediante EFECTORES (o actuadores) sinónimo de ambiente es “espacio de problema” sinónimo de agente inteligente es “operador que transforma un input en output dentro del espacio de problema” META de la IA - Diseñar un agente inteligente/racional que opere o actúe adecuadamente en sus ambientes. Discusión sobre “adecuadamente” Fijar alguna medida del buen éxito Tener en cuenta el PRR de Herbert Simon FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Qué es un agente racional Pensante racionalmente Captura de un proceso racional correcto Proceso “ Irrefutable” Metodología Desarrollar un modelo formal - LÓGICA FORMAL - que siempre conduzca a la respuesta correcta Implementar ese modelo Cómo sabemos si lo hicimos bien cuando podemos probar que el razonamiento programado fue correcto la lógica de primer orden fue completa Actuante racionalmente Actuar de forma de lograr las metas deseadas “El enfoque del agente racional” - a ser encarado en esta disciplina. Imagine usted mismo como se hacen las decisiones correctas a veces pensando racionalmente (enfoque europeo) otras teniendo reflejos racionales (enfoque truqués) FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Qué es un agente racional El que actúa maximizando el valor esperado de la medida de buen éxito en el logro de su meta esta no es la definición habitual de racionalidad ideal basada en la lógica teórica Racional no es omnisciente Racional no es clarividente Racional ideal entra en conflicto con el PRR diapositivo 14 FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Racionalidad Depende de LA SECUENCIA DE PERCEPCIONES - TODO LO QUE EL AGENTE HA PERCIBIDO HASTA AHORA (GESTIÓN DE LA MEMORIA) LA MEDIDA DE BUEN ÉXITO ELEGIDA CUÁNTO CONOCE EL AGENTE DEL AMBIENTE EN QUE OPERA LAS ACCIONES QUE EL AGENTE ESTÉ EN CONDICIONES DE REALIZAR FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

AGENTE INTELIGENTE IDEAL El agente inteligente ideal es el que, para cualquier secuencia arbitraria de percepciones, logre con su ACCION maximizar la medida de su buen éxito. Para ello usa su secuencia de percepciones su conocimiento internalizado FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Mapeo ideal percepciones ===> acciones El diseño o mapeo ideal especifica qué acciones debe encarar el agente ideal en respuesta a cualquier secuencia arbitraria de percepciones Se concreta con una tabla real o virtual FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Programa con tabla y ejemplo Table (Percept Sequence,Action) Action := Function(Percept Sequence) If (Percept Sequence) then do Action Ejemplo - Glóbulos vivos finitos predictores - de Dewdney - ingresar iterativamente 010011010011010011 Contrajemplo : ingresar 011000010110 Cita bibliogr. - Inv y Ciencia, ene 1986, p94 FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

PRR (Herbert Simon) El Principio de la Racionalidad Restringida alega que la racionalidad óptima ideal NO es el buen éxito perfecto. Ningun ser humano apela a una mayor racionalidad que la justo necesaria para sus fines prácticos. Las limitaciones de un agente con los SENSORES que tiene con los EFECTORES que tiene y con la POTENCIA COMPUTACIONAL disponible y (en algunos casos) óptima económica conducen a que la racionalidad ideal sea imposible e impráctica. FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Algo más (Herbert Simon) La razón es solamente un instrumento porque no nos puede predecir hacia donde ir - no nos propone metas a lo sumo nos ayuda a decidirnos cómo llegar a una meta FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Algo más (Randall Beer) Los navegantes europeos aplican la planificación a su derrotero - lo trazan en el mapa y se sujetan a él, corrigiendo los desvíos. Los navegantes truqueses aplican toda su atención a todos los detalles de las olas, los vientos, las aves y las corrientes de cada momento y llegan a su destino de una manera práctica. A la hora de explicar por qué hicimos lo que hicimos, ¿no seremos truqueses disfrazados de europeos? Los agentes racionales suelen mostrar inteligencia académica, pero hay otra inteligencia mucho más adaptiva, mostrada por los agentes autónomos, que los ayuda en la meta de sobrevivir. FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Teoría de la completitud NP La completitud NP se refiere a algoritmos polinómicos no determinísticos. Algunos problemas, como quizás el clásico del viajante de comercio, es probable que sean imposibles de resolver en cualquier computadora arbitraria De ello se deduce que ya sea la inteligencia natural o la inteligencia artificial NO son ilimitadas en sus capacidades. De ello se vuelve a deducir que la racionalidad práctica resulta estar restringida. Nadie debe esmerarse por aplicar la racionalidad más allá de sus necesidades prácticas. (PRR) Caso límite - el termóstato con sus dos reglas - Alto nivel de conocimiento. FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Grado de Racionalidad - Nivel de Conocimiento - Newell Grado de racionalidad ==> grado con el cual el agente pensante y actuante maximiza su medida de buen éxito en lograr su meta, sujeta a sus sensores disponibles sus efectores disponibles su potencia de cómputo disponible y su conocimiento internalizado. Newell define el nivel de conocimiento por el número de reglas usadas respecto del total FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Agentes autónomos La “parábola” de los navegantes Europeos y los Truqueses (ver texto de Randall Beer) Unos aplican su inteligencia a planear por adelantado toda su conducta futura y corregir cualquier defecto en el rumbo planeado En el otro caso, aplican su inteligencia a PERCIBIR atentamente todo lo que está pasando y aplicarla a tender hacia la meta adaptándola a las contingencias cuidadosamente correlacionadas.. ¿Todos somos truqueses que nos disfrazamos de europeos a la hora de dar explicaciones de nuestra conducta? Son agentes autónomos los que no se guían por reglamento externo impuesto alguno. Dos tipos CONDUCTA DETERMINADA POR SU PROPIA EXPERIENCIA CONDUCTA AUTOORGANIZADA A PARTIR DE SU RED NEURAL (caso del Periplaneta computatrix de Beer) FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

a = f(datos) a = f(P,M,A) PaMA En el diseño de un agente inteligente la primera tarea es ubicarnos en el panorama a = f(datos) a = f(P,M,A) Ejemplo - Tachero new age: piloto automático (taximetrero reemplazado por un agente inteligente ) Percepciones ?? acciones ?? Metas ?? Ambiente ?? FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Tachero new age: piloto automático Percepciones video acelerómetro, instrumental del tablero sensores del motor teclado acciones gestión del volante acelerar y frenar bocina hablar/graficar Metas seguridad, llegar a destino, maximizar ganancias, obedecer las leyes, satisfacción del cliente Ambiente calles urbanas, avenidas, tráfico, peatones, clima, tipo de cliente FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

PaMA Para identificar a un agente debemos analizar su PaMA: Ejemplos de descripciones PaMA de un dado agente ttípico P-percepción a-acción M-meta A-ambiente FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Análisis PaMA La meta de la IA es la construcción de agentes inteligentes: En cualquier algoritmo aplicado a un tema de IA debemos reconocer cómo cada parte contribuye a dicha meta. Analicemos las máquinas (limitadas) de la IA como agentes inteligentes. La meta planteada por la medida del buen éxito de ese agente suele ser combinación de varias submetas. Las técnicas para combinar submetas o multiobjetivos tienen un EJEMPLO muy instructivo en el APH de Thomas Saaty. El análisis PaMA es un ejemplo de la estrategia general de la ingeniería de “dividir para conquistar” ==>P+a+M+A cada sumando es más fácil que la suma ponderada. La aplicación del ANÁLISIS DE REQUISITOS , que resuelve un problema analizando qué es obtenible como input y qué es deseado como output. Otro Ejemplo: al analizar un sistema de imágenes satelitales, percepciones: pixels de intensidad y longitud de onda variables acciones: mover la cámara, cambiar el filtro, imprimir letreros como ”tanque82" metas: identificación cercana a la realidad de todos los objetos de la imagen ambiente: imágenes distorsionadas provenientes de una cámara satelital FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

AHP analytical hierarchy process Thomas Saaty, que además de ser talentoso programador es un humorista con muchos libros de buen humor publicados, ha salpimentado su demo que presenta su contribución matemática para la resolución de problemas multiobjetivos, tan frecuentes con los agentes inteligentes meta-intensivos.. El demo está en Internet en nuestro portal (Teclas) Razonando sobre el demo, los costos tienen una importancia del 50 % en la metodología usada. FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

SECCIÓN 3 Estructura de los Agentes Inteligentes FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Funciones y programas de agentes El agente queda completamente especificado con la función del agente que mapea lo que describe la ecuación a = f (P,M,A) sobre todo a = f (P) en principio uno puede suministrar cualquier secuencia perceptual posible para ver qué sucede - una tabla que resuma esa información podría ser inmensa donde la función del agente es “f” una función de agente es racional aplicar al glóbulo vivo finito de Dewdney El programa de agente trata de implementar la función de agente en forma concisa Un programa de agente toma una percepción singular como input y mantiene el estado interno: FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Estructura de un agente inteligente Como todos los agentes tienen una estructura básica o mínima o esquelética igual, se puede investigar cuál es ella. Resulta así un AGENTE ESQUELÉTICO: OBSERVACIONES: no es necesario en forma estricta que el agente guarde en su memoria las percepciones entrantes - depende del dominio. Un dominio es un fragmento del mundo acerca del que deseamos adquirir conocimiento. El agente esquelético no incorpora la medida de buen éxito en su meta - se entiende que está siendo aplicado externamente. function Skeleton-Agent(percept) returns action static: memory, the agent's memory of the world memory ¬ Update-Memory(memory, percept) action ¬ Choose-Best-Action(memory) memory ¬ Update-Memory(memory, action) return action FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

código en Lisp del agente esquelético \code{\func{Skeleton-Agent}{{\ts}\var{percept}}{action} \firststatic{memory}{the agent's memory of the world} \bodysep \setq{\var{memory}}{\prog{Update-Memory}(\var{memory{\ac}percept})} \setq{\var{action}}{\prog{Choose-Best-Action}(\var{memory})} \setq{\var{memory}}{\prog{Update-Memory}(\var{memory{\ac}action})} \key{return} \var{action}} FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

IDEAL: DISPONER DE UNA TABLA Lo básico de un agente tabla-intensivo: ¿Por qué fracasa el ideal de disponer de una tabla de consulta? Esta arquitectura adolece de tamaño excesivo (no factible) falta de adaptación. ¿Qué tamaño tendría que tener la tabla? (Caso límite, el termóstato) El agente ¿podría aprender de sus errores? ¿De dónde podría provenir dicha table en primera instancia? function Table-Driven-Agent(percept) returns action static: percepts, a sequence, initially empty table, a table indexed by percept sequences, initially fully specified append percept to the end of percepts action ¬ LookUp(percepts, table) return action FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Tipos de Agentes Tabla-intensivos para encontrar la acción siguiente, usar una tabla en memoria del tipo “secuencia de percepciones”/acción. Se trata de una tabla bastante voluminosa para repetir la acción ya experimentada antes. Agentes reflejos con un único estado (simples) se basan en reglas condición/acción y se implementan con un sistema de PRODUCCIÓN. Carecen de memoria referente a estados pasados del mundo. Bien informados de lo que pasa Agentes con memoria con un estado interno usado para seguirle la pista a los estados pasados del mundo. Agentes meta-intensivos además de disponer de información sobre el estado, tienen una clase de información sobre la meta que describe situaciones deseables. Agentes de este tipo tienen bajo consideración eventos del futuro. Utilidad-intensivos basan su decisión en la teoría axiomática clásica de la utilidad para actuar racionalmente. FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Un agente reflejo con un único estado Las reglas condición-acción permiten establecer la conexión entre percepción y acción. Los rectángulos sse usan para indicar el estado interno en un momento dado del proceso decisional. Los óvalos son información de base a utilizar. El sencillo programa del agente aparece más abajo Interpret-input genera una descripción abstracta del estado mostrado por la percepción Rule-match produce una regla del conjunto que satisface la percepción There are three phases inside the loop here: figure out how the environment has changed, figure out what is the best action, figure out how this action changes the environment. The key advantage of this architecture is that the "interpret" function identifies "equivalence classes" of percepts: many different percepts correspond to the SAME environmental situation, from the point of view of what the agent should DO. Therefore the table of rules can be much smaller than the lookup table above. It is not rational for an agent to pay attention to EVERY aspect of the environment. function Simple-Reflex-Agent(percept) returns action static: rules, a set of condition-action rules state ¬ Interpret-Input(percept) rule ¬ Rule-Match(state, rules) action ¬ Rule-Action[rule] return action FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Agentes bien informados de lo que pasa La actualización del estado interno requiere dos tipos de conocimiento codificado conocimiento acerca de la forma como el mundo cambia - independiente de las acciones del agente. conocimiento acerca de la forma en que el mundo cambia con motivo de la acción del agente Pero el conocimiento del estado interno no siempre es suficiente para elegir entre rutas decisionales alternativas(en una intersección ¿doblar o no doblar el volante del coche?) pues se requiere conocer la meta a lograr function Reflex-Agent-With-State(percept) returns action static: rules, a set of condition-action rules state, a description of the current world state ¬ Update-State(state, percept) rule ¬ Rule-Match(state, rules) action ¬ Rule-Action[rule] state ¬ Update-State(state, action) return action LEARNING IN INTELLIGENT AGENTS With the reflex architecture, if the table of rules prescribes the wrong action, and the agent discovers this and changes the table, it has automatically generalized from its specific experience. Generalization is a key phenomenon in learning. Generalization always requires previous "background" knowledge to direct it. All complex intelligent agents will have a lot of background knowledge preprogrammed, because they do not have the time to receive enough experience and feedback from the environment to allow them to learn to behave correctly starting from scratch. In linguistics this is called the "poverty of stimulus" argument. If you calculate how many sentences a young child hears before it starts to speak correct English, the number is too few to allow it to "guess" the grammar of English. Therefore the baby must have a so-called universal natural language grammar preprogrammed into it by its genes. This argument is controversial, but there is scientific agreement that background knowledge of some sort (often very hidden and implicit) is necessary for learning in humans and AI systems. FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Agentes Meta-Intensivos Razonando acerca de acciones un agente reflejo solo actúa basado en conocimientos precomputados (reglas) la búsqueda y la planificación ayudan a razonar acerca de cuál acción logra la meta el agente es menos eficiente pero más adaptativo y flexible Qué argumentar acerca de acciones alternativas que llegan a la meta hay que maximizar la utilidad de las acciones, esto es, elegir aquélla que logra la meta mejor que otras. FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Arquitectura General de Agentes Meta-Intensivos Input percept state ¬ Update-State(state, percept) goal ¬ Formulate-Goal(state, perf-measure) search-space ¬ Formulate-Problem (state, goal) plan ¬ Search(search-space , goal) while (plan not empty) do action ¬ Recommendation(plan, state) plan ¬ Remainder(plan, state) output action end Los agentes simples no tienen acceso a su medida de buen éxito En ese caso el diseñador elige la meta y la incorpora por diseño a su agente Similarmente, los agentes tontos no pueden formular su propio problema en cuyo caso dicha formulación tambien se debe incorporar al diseño El bucle “while” (mientras) - ver arriba - es la fase de ejecución de la conducta de este tipo de agentes Nótese que en esta arquitectura se sobreentiende que para la fase de ejecución no importa monitorear el ambiente. GOALS AND GOAL FORMULATION Often the first step in problem-solving is to simplify the performance measure that the agent is trying to maximize. Formally, a "goal" is a set of desirable world-states. "Goal formulation" means ignoring all other aspects of the current state and the performance measure, and choosing a goal. Example: if you are in Arad (Romania) and your visa will expire tomorrow, your goal is to reach Bucharest airport. FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Agentes Utilidad-Intensivos Función Utilidad es un mapeo de estados bajo la forma de números reales lleva a decisiones racionales en dos tipos de situaciones evaluación de trueques entre metas en conflicto evaluación de metas en conflicto FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

SECCIÓN 4 AMBIENTES FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Propiedades de los Ambientes Accesible/Inaccesible Si los sensores proporcionan todo lo que hay que saber sobre el estado completo del ambiente - necesario para elegir una acción - entonces el ambiente es accesible al agente. Esos ambiente resultan convenientes, ya que liberan al agente de la tarea de mantener actuallizado su inventario del mundo. Determinístico/No-determinístico (estocástico) Si el estado siguiente del ambiente está determinado plenamente por el estado presente del mismo, y por la acción del agente - se trata de un ambiente determinístico. Así el agente escapa de la incertidumbre. Episódico/No-episódico Un ambiente episódico implica que los episodios siguientes no dependen de las acciones que ocurrían en episodios previos (como en las clásicas cadenas de Markov). Esto le autoriza al agente que no se deba preocupar por la planificación de lo que puede ocurrir. FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Propiedades de los Ambientes (2) Estático/Dinámico Será estático todo ambiente que no cambie mientras el agente está pensando. No tiene importancia el tiempo que se usa en pensar y no necesita monitorear el mundo mientras piensa. El tiempo carece de valor mientras se computa una buena estrategia. Discreto/Continuo Discreto - con escaso número de percepciones y acciones en el ambiente. Continuo - el otro caso. Sin adversario/con adversarios racionales Sin adversario - ausencia de otros agentes racionales adversarios: la consecuencia es que el agente se libera de la preocupación de la estrategia de dichos adversarios en el mismo juego. Los ambientes ingenieriles suelen ser sin adversario. Los ambientes sociales y económicos aumentan en su complejidad por la presencia de interacciones entre uno o más adversarios (por ejemplo en la Bolsa). FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Tipos de ambientes y sus características Solitario Chaquette o backgammon Taxi Accesible ?? Determinístico ?? Episódico ?? Estático ?? Discreto ?? FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Tipos de ambientes y sus características Solitario sí - sí - no - sí - sí Chaquette o backgammon sí - no - no -semi -sí Taxi no - no -no - no - no Accesible Determinístico Episódico Estático Discreto FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Tipos de ambientes y sus características FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Programa básico para el ambiente procedure Run-Environment(state, Update-Fn, agents, termination) input: state, the initial state of the environment Update-Fn, function to modify the environment agents, a set of agents termination, a predicate to test when we are done repeat for each agent in agents do Percept[agent] ¬ Get-Percept(agent, state) end Action[agent] ¬ Program[agent](Percept[agent]) state ¬ Update-Fn(actions, agents, state) until termination(state) Programa básico simulador ambiental proporciona las percepciones a los agentes anidados en ese ambiente absorbe una acción de cada agente en la unidad de tiempo actualiza el ambiente para cada unidad de tiempo FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Simulador de ambiente al tanto de las medidas de buen éxito de los agentes function Run-Eval-Environment(state, Update-Fn, agents, termination, Performance-Fn) returns scores local : scores, a vector the same size as agents, initially all 0 repeat for each agent in agents do Percept[agent] ¬ Get-Percept(agent, state) end Action[agent] ¬ Program[agent](Percept[agent]) state ¬ Update-Fn(actions, agents, state) scores ¬ Performance-Fn(scores, agents, state) until termination(state) return scores Casi siempre, los agentes se han diseñado para satisfacer una cierta clase de ambiente medición de buen éxito en ese ambiente, definido por un estado inicial singular y una función de actualización particular. FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

SECCIÓN 5 resumen FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Resumen y conclusiones razonadas La inteligencia artificial se ha presentado como la tecnología de la construcción de agentes inteligentes, con lo cual se unifican temas misceláneos (en otros enfoques) como lo eran la robótica y la visión. Quedó evidente que el hilo conductor es el de ir complicando gradualmente los programas de agente, las funciones de agente y los programas de ambiente. Los glóbulos vivos finitos muestran toda la riqueza del análisis PaMA, una medida del buen éxito bien sencilla, la facilidad de operar en ambientes periódicos con períodos tendiendo a ser reducidos la dificultad que aparece apenas se escapa de esos tranquilos ambientes, la inesperada virtud de un algoritmo genético para mejorar la medida del buen éxito en algún raro caso la falla básica de la postura conductista (behaviorista) de la psicología enseñoreada hace algunas décadas atrás FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Temas principales del Capítulo 2 Glóbulos Vivos Finitos DIAPOSITIVAS 12 - 13 PaMA Percepciones acción Meta Ambiente DIAPOSITIVAS 18 A 21 Demo de AHP (gestión de multiobjetivos) DIAPOSITIVA 22 Funciones y Programas de Agentes DIAPOSITIVA 23 Tipos de Ambientes. FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence

Algoritmos faltantes Buscar en TECLAS simple_reflex_a.tex......Para figura 2.8 de Russell y Norwig reflex_with_s.tex ........ Para figura 2.10 de Russell y Norvig run_eval_env.tex ........ Para Figura 2.15 de Russell y Norvig glov2.jpg .....................Para glóbulos vivos finitos como .jpg glov4.gif.......................Idem como .gif FASTA - IA1 - Clase 4 - Foundations of Artificial Intelligence