1 Agentes Inteligentes

2

3 Outline Agentes y entornos RacionalidadPEAS (Medida de performance , entorno, actuadores, sensores) Tipos de entornos Tipos de agentes

4 Agentes Un agente es cualquier cosa que puede verse, como percibir su entorno a través de sensores y actuar sobre ese entorno a través de actuadores. Agente humano: ojos, oídos y otros órganos para sensores; manos, Piernas, boca y otras partes del cuerpo para actuadores Agente robótico: cámaras y detectores infrarrojos para sensores; Varios motores para actuadores.

5 Un agente inteligente es más que un simple sistema de búsqueda de información. El agente puede operar sin la intervención del usuario aun si éste está desconectado. Los agentes inteligentes incorporan funciones procedentes de la inteligencia artificial.

6 Agentes y entornos La función del agente mapea la historia de las percepciones a acciones: [f: P* → A]

7 Cómo trabaja un agente inteligente?

8

9 Agentes Racionales Medida de performance o desempeño: criterio objetivo para el éxito del comportamiento de un agente. Por ejemplo, la medida de rendimiento de un agente limpiador podría ser la cantidad de suciedad limpiada, la cantidad de tiempo consumido, la cantidad de electricidad consumida, la cantidad de ruido generado, etc.

10 Agentes racionales Rational Agent:Para cada posible secuencia percibida, un agente racional debe seleccionar una acción que se espera maximice su medida de rendimiento, dada la evidencia proporcionada por la secuencia percibida y cualquier conocimiento incorporado que el agente tenga.

11 Agentes Racionales Los agentes pueden realizar acciones para modificar percepciones futuras para obtener información útil (recolección de información, exploración) Un agente es autónomo si su comportamiento está determinado por su propia experiencia (con capacidad de aprender y adaptarse)

12 PEAS PEAS: Performance measure, Environment, Actuators, Sensors.Debe especificar primero la configuración para el diseño de agente inteligente. Consideremos, por ejemplo, la tarea de diseñar un taxista automatizado: Medida de rendimiento Ambiente Actuadores Sensores

13 Self Driving Car

14 Google Driverless Car Program

15 PEAS Debe especificar primero la configuración para el diseño de agente inteligente Consideremos, por ejemplo, la tarea de diseñar un taxista automatizado (SELF DRIVING CAR): Medida de rendimiento: seguro, rápido, legal, viaje cómodo, maximizar los beneficios Medio ambiente: Carreteras, otros tráficos, peatones, clientes Actuadores: Volante, acelerador, freno, señal, bocina Sensores: Cámaras, sonar, velocímetro, GPS, odómetro, sensores del motor, teclado, etc…

16 PEAS (Performance measure, Environment, Actuators, Sensors)Agente: Sistema de diagnóstico médico Medida de desempeño: Paciente saludable, minimizar costos, pleitos Medio ambiente: Paciente, hospital, personal Actuadores: Pantalla (preguntas, pruebas, diagnósticos, tratamientos, referencias) Sensores: Teclado (entrada de síntomas, hallazgos, respuestas del paciente)

17 PEAS (Performance measure, Environment, Actuators, Sensors)Agente: robot de recogida parcial Medida de rendimiento: Porcentaje de piezas en bandejas correctas Medio ambiente: Cinta transportadora con piezas, contenedores Actuadores: Brazo articulado y mano Sensores: Cámara, sensores de ángulo articular

18 PEAS Agente: Interactive English tutorMedida de rendimiento: Maximizar la puntuación del estudiante en la prueba Ambiente: Conjunto de estudiantes Actuadores: Pantalla (ejercicios, sugerencias, correcciones) Sensores: Teclado

19 Intelligent Virtual Agent Vendor

20

21 Tipos de entorno Determinista (vs. estocástico): El siguiente estado del entorno está completamente determinado por el estado actual y la acción ejecutada por el agente. (Si el medio ambiente es determinista excepto por las acciones de otros agentes, entonces el ambiente es estratégico) La experiencia del agente se divide en "episodios" atómicos (cada episodio consiste en que el agente percibe y luego realiza una sola acción), y la elección de la acción en cada episodio depende solamente del episodio en sí.

22 Environment types Estático (vs. dinámico): El entorno no cambia mientras un agente está deliberando. (El medio ambiente es semidinámico si el entorno en sí no cambia con el paso del tiempo, pero la puntuación de rendimiento del agente sí) Discreto (vs. continuo): Un número limitado de percepciones y acciones claramente definidas. Agente único (frente a multiagente): Un agente que opera por sí mismo en un entorno.

23 Tipos de entorno Chess with Chess without Taxi driving a clock a clockFully observable Yes Yes No Deterministic Strategic Strategic No Episodic No No No Static Semi Yes No Discrete Yes Yes No Single agent No No No El tipo de entorno determina en gran medida el diseño del agente. El mundo real es parcialmente observable, estocástico secuencial, dinámico, continuo, multi-agente

24 Función de agente y programasUn agente es completamente especificado por la función de agente de mapeo percept secuencias de acciones. Una función de agente (o una pequeña clase de equivalencia) es racional Objetivo: encontrar una manera de implementar la función del agente racional de forma concisa

25 Table-lookup agent Inconvenientes: Mesa enorme. Mucho tiempo para construir la mesa Sin autonomía. Incluso con el aprendizaje, se necesita mucho tiempo para aprender las entradas de la tabla.

26 vacuum-cleaner agent  input{tables/vacuum-agent-function-table} 

27 Mundo del aspirador (vacuum-cleaner agent)Percepciones: ubicación y contenido, [A,Dirty] Acciones: Left, Right, Suck, NoOp

28 Agent program for a vacuum-cleaner agentinput{algorithms/reflex-vacuum-agent-algorithm}

29 Tipos de agente Cuatro tipos básicos en orden de generalidad creciente: Agente simple reflejo Agente reflejo con estado Agentes orientado a metas Agentes basados en utilidad

30 EVALUACION DE UN SISTEMA DE IATEST DE TURING (www.turing.org.uk/turing/) Comportarse como humano El ambiente plantea muchos desafíos (el diálogo es totalmente libre) que resulta difícil para un sistema igualar a la contraparte humana EL SISTEMA DEBERIA SER CAPAZ DE Procesar lenguaje natural Representar el conocimiento Razonar automáticamente Aprendizaje automático (Visión - Robótica)

31 Simple reflex agents

32 Model-based reflex agents

33 Goal-based agents

34 Utility-based agents

35 Learning agents