Agentes Reactivos y Aplicaciones Distribuidas

Ana Lilia Laureano-Cruces Universidad Autnoma Metropolitana - Azcapotzalco

AgReacApliDist : Ana Laureano / UAM-A

Inteligencia Artificial Distribuida

Resolucin Distribuida de Problemas

Se divide entre mdulos que cooperan El conocimiento acerca del problema y acerca del desarrollo de la solucin

Esta dividido y/o compartido entre los diferentes mdulos.

AgReacApliDist : Ana Laureano / UAM-A

Sistemas MultiAgente

Comportamiento inteligente coordinado entre una coleccin de agentes autnomos e inteligentes. Coordinan sus: conocimientos, objetivos, habilidades y planes Para ejecutar una accin o resolver un problema Todos los agentes persiguen un conjunto comn de objetivos pretendiendo aumentar el rendimiento total del sistema.

AgReacApliDist : Ana Laureano / UAM-A

En funcin de las diferentes formas de comunicacin de los agentes tenemos sistemas:

Fuertemente acoplados: la comunicacin se desarrolla a travs de una memoria compartida Dbilmente acoplados: la comunicacin es a travs del paso de mensajes.

AgReacApliDist : Ana Laureano / UAM-A

Memoria compartida

Arquitectura de pizarra:

Cuenta con una serie de fuentes de conocimiento (FCs) que funciona como un par condicin - accin; que se activa cuando el estado de la pizarra satisface ciertas condiciones. El resultado es una accin que consiste en:

Generacin de una nueva hiptesis. Modificacin de una hiptesis ya existente.

AgReacApliDist : Ana Laureano / UAM-A

Cada modificacin a la pizarra puede provocar la activacin de nuevas FCs. Desencadenndose as un conjunto de actividades asncronas. Estas actividades son producto de:

Interpretaciones locales y parciales sobre los datos contenidos en la pizarra.

AgReacApliDist : Ana Laureano / UAM-A

Planificador: en cada paso las condiciones se emparejan con el estado de la pizarra, dando como resultado la insercin de nuevas entradas en una cola de FCs. El acceso a la pizarra es secuencial El planificador manejar esta cola dirigiendo la atencin del sistema a la alternativa ms prometedora.
AgReacApliDist : Ana Laureano / UAM-A

Las prioridades dentro de la cola se calculan teniendo en cuenta: la credibilidad de las hiptesis de las diferentes FCs, los efectos esperados de la ejecucin y una estimacin de su utilidad con respecto al foco de atencin del sistema en ese momento. Esta combinacin de procesamiento dirigido por los datos y por el objetivo tiene como resultado la formacin incremental de la solucin, y se le conoce resolucin oprtunista de problemas
AgReacApliDist : Ana Laureano / UAM-A

Comunicacin a travs de mensajes

Se identifican cuatro grupos de sistemas que utilizan este tipo de comunicacin:

Coherencia a travs de cooperacin o compromiso a travs de negociacin. Tratamiento de inconsistencias. Problemas de jerarqua y organizacin. Compromiso entre computacin y comunicacin.
AgReacApliDist : Ana Laureano / UAM-A

Coherencia a travs de cooperacin o compromiso a travs de negociacin

Definen: estrategias de cooperacin con el fin de asegurar que una comunidad de agentes trabaje en conjunto, con el fin de optimizar algunos criterios globales.

AgReacApliDist : Ana Laureano / UAM-A

Tratamiento de inconsistencias

En algunos casos los agentes tienen que razonar con una visin incompleta del mundo; lo que implica una visin inconsistente del mundo.

Los agentes deben revisar sus creencias con respecto acerca del estado actual del mundo. Se debe contar con criterios para reconocer evidencias lo suficientemente convincentes que obliguen a esta revisin.
AgReacApliDist : Ana Laureano / UAM-A

Problemas de jerarqua y organizacin

Existen tres factores que influyen en la eleccin de una determinada organizacin:

La complejidad del problema (nmero de agentes) La imprecisin e incertidumbre La existencia eventual de una descomposicin del problema
AgReacApliDist : Ana Laureano / UAM-A

La imprecisin e incertidumbre

Cuando hablamos de datos nos referimos a imprecisin, esta aparece generalmente por falta de datos apropiados o por autenticidad con respecto a las fuentes de donde se tomaron esos datos. Cuando la incompletes viene por la parte del conocimiento se le conoce como incertidumbre, estas son debidas a una falta de certeza en las piezas de conocimiento. Tcnicas para manejar la incompletes de los datos y del conocimiento.

Estocsticos Fuzzy (lgica, conjuntos, MCD) Redes de certeza (modelos probabilsticos)

AgReacApliDist : Ana Laureano / UAM-A

Organizaciones estticas y dinmicas La dinmica: es la habilidad de los agentes para seleccionar una organizacin que alcance ciertos objetivos; este tipo debe ayudar a suplir la prdida de un agente. Parcialmente pre-definidas y a la vez permitir algn tipo de refinamiento durante el proceso de resolucin del problema.

AgReacApliDist : Ana Laureano / UAM-A

La existencia eventual de una descomposicin del problema

La naturaleza del problema puede ser un factor que influya en la organizacin de los agentes.

AgReacApliDist : Ana Laureano / UAM-A

Compromiso entre computacin y comunicacin

Ancho de banda es crtico Los agentes deben moderar la comunicacin; suplen esta falta con otro tipo de computacin:

Mantener modelos acerca de las creencias y deseos de otros agentes Reconocer los planes de otros agentes Determinar cual es la informacin relevante y que debe ser comunicada a otro agente

En estos casos es importante precisar cunto tiempo hay que dedicar a comunicacin y computacin de acuerdo al costo relativo.
AgReacApliDist : Ana Laureano / UAM-A

Por qu utilizar IAD

Los problemas complejos estn fsicamente distribuidos El conocimiento del problema esta distribuido y es funcionalmente heterogneo; nadie conoce todo acerca de un problema o cuenta con el suficiente conocimiento requerido para crear un sistema (edificio inteligente, un coche de carreras). La complejidad del problema demanda puntos de vista locales; cuando el problema es muy grande para ser tratado como un todo; la solucin se basa en vistas locales que permiten rapidez (control de trfico areo)

AgReacApliDist : Ana Laureano / UAM-A

Vista Local

El diseo basado en una vista local constituye un aspecto prometedor para resolver problemas complejos; es simple obtener resultados evitando las dificultades al tratar de resolver un problema como un todo. (los resultados emergen producto de las interacciones locales)
AgReacApliDist : Ana Laureano / UAM-A

Los sistemas deben ser capaces de adaptarse a entornos dinmicos. En los contextos de los sistemas MultiAgente debido a la distribucin inherente, se asume que el razonamiento es siempre local; permitiendo aparecer y desaparecer a los agentes durante la ejecucin.

AgReacApliDist : Ana Laureano / UAM-A

Un sistema MultiAgente

Es aquel que contiene dos o ms agentes. Debido a que los objetivos no pueden existir sin ser generados por un agente autnomo, es imposible para los agentes existir sin autonoma y as decimos que un sistema es considerado como MultiAgente si cuenta con:

Dos o ms agentes Al menos un agente es autnomo Al menos existe una relacin entre estos dos agentes; donde uno satisface los objetivos del otro
AgReacApliDist : Ana Laureano / UAM-A

Agentes reactivos

El diseo de esas arquitecturas esta influenciada por el la teora de la psicologa del comportamiento. Brooks, Chapman and Agree, Kelabling, Maes, Ferber, Arkin Esta clase de agentes tambin es conocida como:

Basdos en el comportamiento Ubicados (inmersos) reactivos

AgReacApliDist : Ana Laureano / UAM-A

La dinmica de la seleccin-accin para este tipo de sistemas emerge con base en dos aspectos bsicos:

Las condiciones del entorno Objetivos internos de cada agente Interaccin dinmica con el entorno Mecanismos internos que permiten trabajar con recursos limitados e informacin incompleta

Sus principales caractersticas son:

AgReacApliDist : Ana Laureano / UAM-A

El diseo de estas arquitecturas reactivas esta guiado parcialmente por la hiptesis de Simon:

La complejidad del comportamiento de un agente, puede ser reflejo de la complejidad del entorno, ms que que de un comportamiento complejo.

AgReacApliDist : Ana Laureano / UAM-A

Brooks considera que el mejor modelo para razonar es el mundo. ... Y construir sistemas reactivos basados en la percepcin accin (essence of intelligence)

Una vez que la esencia del ser y la reaccin estn disponibles, la solucin a probelmas como: comportamiento, lenguaje, concimiento experto y su aplicacin, y razonamiento, se vuelve simple.
AgReacApliDist : Ana Laureano / UAM-A

Funcionalidad Vs. Comportamiento

Desde una perspectiva funcional, la IA clsica ve a un sistema inteligente como un conjunto independiente de procesadores de informacin. La arquitectura incluida (subsumption) proporciona una descomposicin orientada a la actividad; de esta forma un conjunto de actividades (comportamientos) puede ser identificado. Los comportamientos trabajan en paralelo, y estn conectados al mundo real a travs de percepciones y acciones.
AgReacApliDist : Ana Laureano / UAM-A

Fundamentan su conducta en

El mundo real (Brooks, 1991) y aqu se hace un contraste entre los sistemas fsicos de smbolos y los sistemas fundamentados en el mundo real En este caso el sistema, tiene el comportamiento dividido en varios mdulos que interactan con el entorno para producir un comportamiento complejo, sin utilizar modelos centralizados.

AgReacApliDist : Ana Laureano / UAM-A

Comportamiento Emergente

La capacidad de percibir el entorno en estos sistemas, los dota de un comportamiento emergente que en palabras de (Maes) se explica de la siguiente manera:

AgReacApliDist : Ana Laureano / UAM-A

La funcionalidad de un agente es vista como una propiedad emergente a raz de la intensa interaccin del sistema con el entorno dinmico. La especificacin del comportamiento de un solo agente no explica la funcionalidad que se observa cuando el agente esta en funcionamiento.

AgReacApliDist : Ana Laureano / UAM-A

La funcionalidad del agente en un alto porcentaje depende de los eventos que se presentan en el entrono dinmico. El entorno no es el nico factor que se toma en cuneta para el diseo, pero sus caractersticas dinmicas son las que disparan el funcionamiento del sistema.

AgReacApliDist : Ana Laureano / UAM-A

Ejemplos de esta escuela son

Modelos Biolgicos:

Algoritmos genticos Redes neuronales

Otros modelos bottom-up estn inspirados en:

Teora de control (Beer) Anlisis de sistema dinmicos

AgReacApliDist : Ana Laureano / UAM-A

Sin embargo una conclusin es que el anlisis y diseo de los sistemas inteligentes necesitan ambos enfoques una propuesta de modelo es la realizada por Kealbling y Rosenschein (1990), en 1995 crean un lenguaje para especificar el comportamiento deseado del agente y un compilador que produce las acciones y que se parece a los circuitos.
(Laureano, 2000 http://delfosis.uam.mx/~ana/)

AgReacApliDist : Ana Laureano / UAM-A

FIN

AgReacApliDist : Ana Laureano / UAM-A