Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Otros Modelos en IA
J. Aguilar
Profesor: Jose Aguilar
Contacto: jlaguilarc@eafit.edu.co,
J. Aguilar 4
Cuestionario
https://forms.gle/DLi9ByQ9iERecTnE7
5
Dinámicas del Curso
Producto
Orienta Tecnológico
encamina
Plasma
conocimiento
Paradigma
Define Coadyuva
Pedagógico Apropiarse
aspectos
Posibilita de los mismo
Adquirir
Sinergia Capacitacion
De conocimiento
Genera destreza
Da la habilidad
Técnica,
cognitiva
habilidades
práctica
J. Aguilar
Conocimiento de base
• Agentes inteligentes.
• Razonamiento:
• Lógica difusa
• Mapas Cognitivos
• Inteligencia Colectiva
• Sistemas Emergentes
• Colonias de Hormigas 9
J. Aguilar
BIBLIOGRAFIA
S. Russell, P. Norvig, Artificial Intelligence: A Modern Approach”
Prentice Hall, New York, USA, 1995.
N. Nilsson, "Artificial Intelligence: a new synthesis", Morgan Haufmann
Publishers, 1998.
G. Weiss, "Multi- agent System: a modern approach to distributed
artificial intelligence", MIT Press, 1999.
S. Fernández; J. González, y J. Mira, Problemas Resueltos De
Inteligencia Artificial: Búsqueda y Representación. Addison-Wesley.
España, 1998.
J. Mira, A. Delgado, J. Boticario, y J. Díez, Aspectos Básicos de la
Inteligencia Artificial. Sanz y Torres. Madrid, 1995.
E. Rich, y K. Knight, Inteligencia Artificial. McGraw Hill, Madrid 1994.
G. Pajares, M.Santos, “Inteligencia Artificial e Ingeniería del
Conocimiento”, Alfaomega, México, 2006
http://aima.cs.berkeley.edu/. con casi 900 enlaces a páginas
relacionadas con el campo de la Inteligencia Artificial
10
Bibliografía
Computación Inteligente
Sistemas Emergentes
Sistemas Multia-agentes
http://www.ing.ula.ve/~aguilar/publicaciones/libros.html
11
Sinergias
• Sinergia Desarrollo de Productos (SDP):
Definición y caracterización de un producto (obra) sobre el cual
se ira plasmando el conocimiento adquirido
Construcción progresiva (desarrollo ágil)
El producto (obra) al final debe contener todo el contenido
adquirido en el curso inmerso en él
¿Cómo se trabaja?:
• Metodología Ágil para la gestión y construcción del proyecto
• 1-2 personas por proyecto
• Se debe dar cuenta del recorrido del desarrollo del producto durante las
sesiones de clase (entregan informe de avance)
Recorrido Sinergia Desarrollo de Productos
• Se seguirá metodología yPBL y Metodología para
Desarrollar Sistemas Inteligentes
• yPBL:
– Ramas de: diseño (funcional y técnico) y desarrollo
– Iterativo (ágil)
– Fases de análisis, diseño, implementación y pruebas
• Se usarán otras Metodologías del área de Sistemas
Inteligentes
– Especificación del Sistema Inteligente
– Escogencias de las Técnicas de Computación Inteligente a usar
• Cada día se avanzará en diseño y desarrollo mostrando:
• Reutilización de componentes,
• Herramientas de desarrollo, etc.
• Prototipos ,informes de Avances, informes de iteraciones
Metodologías para
desarrollar proyectos
de IA, AdD, …
Por que Metodologías especifícas para
problemas especifícos
MISA, EMERGO, …
Agente
Razonamiento
Software Aspectos
• Requerimientos
Software Plataforma
• Análisis
• Diseño Modelos
Rama Desarrollo
• Implementación Codigo
• Pruebas tests
• Liberación Disposición
MASINA
J Aguilar
Bases de la Inteligencia Artificial
Resolución de Problemas usando Agentes
Capacidad de representar conocimiento y de razonar de un agente Concepto de Base: Agentes
Metodologías de desarrollo de SMA
Conceptos básicos en Sistemas MultiAgentes
Fases
Conceptualización
• Casos de uso (descripción de acciones necesarias para producir un
resultado útil)
• Actores (roles desempeñados por alguna persona, una pieza de
software, u otro sistema)
Análisis y Diseño
• Modelos para describir los agentes del sistema, sus tareas, su
organización y los medios de comunicación.
• Diseño técnico del sistema (modelo de implementación).
Codificación y prueba
Integración
Operación y mantenimiento
MASINA
Fase de Conceptualización
26
30
MASINA
Fase de Conceptualización
• El producto de esta fase es un documento de
conceptualización:
– La descripción de los componentes (potenciales agentes) del
sistema,
– La especificación de los servicios y de las actividades para
prestar los servicios ofrecidos por cada componente del sistema
– La descripción general de las relaciones entre los componentes
del sistema.
• Para eso se usan: casos de uso y diagramas de actividades
27
31
MASINA
Fase de Conceptualización
uso
Capturar datos
Usuario Agente Generador de Inteligencia (AGI)
J. Aguilar
Agente Generador de Código (AGC)
MASINA
Fase de Análisis:
Modelos de MASINA
J. Aguilar
MASINA
Fase de
Análisis
MASINA
Fase de Análisis
• El producto de esta fase es un documento de
análisis contentivo de:
– Modelo de agentes,
– Modelo de tareas,
– Tabla relación Agentes-Tareas
– Modelo de inteligencia
– Modelo de Coordinación/conversación
– Diagrama de Interacción
– Modelo de comunicación.
31
35
MASINA
Modelo de Agente
32
36
MASINA
Métodos
Nombre
usa
Descripción
Tarea Técnica/Tipo
Nombre
Modelo de Objetivo
Descripción
Precondición realizada en
Entorno
Normas
Estructura de
Tareas control
Tiempo-ejecución
Frecuencia Entrada/salida
Restricciones
Sistemas
Tipo de
descomposición
requiere Ingrediente
Nombre
Capacidades Contenido
Habilidades
Lenguaje RC
Leng. de Com.
33
37
MASINA
Modelo de Inteligencia individual de MASINA
Modelo de
Agente
Mecanismo de
Aprendizaje
Modelo de
Coordinación
Mecanismo de Conocimiento
Experiencia
Razonamiento Estratégico
Problema
Conocimiento Conocimiento de específico-
de Dominio Tareas Ambiente
Ontología
Nombre.
Representación.
Vocabulario.
Percepción Descripción.
Modelo de
Estado inicial. Tareas
Representación de la
percepción
Modelo de Inteligencia
Mecanismo de
Aprendizaje
Mecanismo de
Razonamiento
Experiencias Ontología
individuales Individual
Modelo de
Problema
Tareas
Modelo de Inteligencia
Mecanismo de Aprendizaje
Nombre Nombre del mecanismo de aprendizaje
Tipo Supervisado, no supervisado, reforzamiento
Técnica de representación Redes neuronales, Arboles de decisión, reglas,
clasificación, redes bayesianas, minería de datos,
etc.
Fuente de aprendizaje Origen de la información que se usa para
aprender. la misma normalmente se divide en
una parte para entrenar y otra para probar
Mecanismo de actualización hebbiano, corrección de error, etc.
Mecanismo de Razonamiento
Fuente de información Origen de la información utilizada para el proceso
de razonamiento.
Fuente de alimentación Tareas que requieren el proceso de razonamiento.
Técnica de inferencia Lógica difusa, reglas, lógica de predicados, etc.
Lenguaje de representación de conocimiento OWL, RDF, etc.
Relación tarea-inferencia Relación que existe entre la tarea que activo el
(Resultado esperado) proceso de razonamiento y el resultado obtenido.
Estrategias de razonamiento Deductivo, inductivo, abductivo
36
40
Modelo de Inteligencia
Experiencias (ontología histórica)
Descripción La experiencia en si del agente
Caracterización
Conceptos, relaciones, propiedades, etc
Fuente Basada en casos, empírico, imitación, sus
actividades, etc.
Valores por omisión (para cada concepto) Valor inicial
Valores max y min Valores máximos y mínimos que puede tomar la
variable, rangos o bandas.
Momento (tiempo) Manera como cambia en el tiempo.
37
41
Modelo de Inteligencia
Ontología de contextualización o situacional: está compuesto por dos tipos de
conocimiento
Conocimiento estratégico
Valor del conocimiento Pasos a seguir para resolver un problema,
característica especificas de un ambiente, etc.
Agente o ambiente que lo produce Agente que produce el conocimiento.
Proceso que lo genero (cuando sea el caso) Proceso que genero el conocimiento.
Grado de confiabilidad Nivel de certitud del conocimiento adquirido
Caracterización Conceptos, relaciones, propiedades, etc.
Valores por omisión (para cada concepto) Valor inicial
Valores max y min Valores máximos y mínimos que puede tomar la
variable, rangos o bandas.
Conocimiento de tareas
Nombre de la tarea Nombre de la tarea a realizar.
Agente que la realiza Agente que origina la tarea a realizar.
Resuelv
e
Mecanismos de Aprendizaje Usa
Colectivo
Describe
Estrategia de aprendizaje.
Representación (tipo de Usa Actualiza
lenguaje). Conocimiento Colectivo Ontología Colectiva
Fuente de aprendizaje.
Mecanismo de Valor del conocimiento. Nombre.
actualización Agente que lo produce. Representación.
Proceso que lo genera. Agentes que lo
Usa Grado de confiabilidad. conocen.
Vocabulario.
Mecanismos de Descripción.
Razonamiento Colectivo
Mecanismo de
Aprendizaje Conocimiento Conocimiento de
Colectivo normativo/social dominio
Modelo
Modelo de Inteligencia
Tareas Individual
Modelo de Inteligencia
Colectiva
Mecanismo de Aprendizaje Colectivo
Nombre Nombre del mecanismo de aprendizaje
Tipo Supervisado, no supervisado, reforzamiento
Técnica de representación Redes neuronales, Arboles de decisión, reglas,
clasificación, redes bayesianas, minería de datos,
etc.
Fuente de aprendizaje Origen de la información que se usa para
aprender. la misma normalmente se divide en
una parte para entrenar y otra para probar
Mecanismo de actualización hebbiano, corrección de error, etc.
41
45
Modelo de Inteligencia
Colectiva
Ontología situacional colectiva
Descripción Conocimiento colectivo
Caracterización Conceptos, relaciones, propiedades, etc
Fuente Quien la genera, quien la actualiza, en el SMA
Grado de confiabilidad Nivel de certitud del conocimiento adquirido
Caracterización Conceptos, relaciones, propiedades, etc.
Valores por omisión (para cada concepto) Valor inicial
Valores max y min Valores máximos y mínimos que puede tomar la
variable, rangos o bandas.
42
46
Problema de Coordinación
Emergente
puede ser
Planificación
puede ser
Metalenguaje
usa Predefinido
(centrales y
se basa distribuidos)
tiene
Comunicación requiere
Ontología Directa
Esquema de Coordinación
usa
Comunicación requiere
Estímulos Indirecta tiene
se basa Estrategia
de Resolución
de Conflictos
J Aguilar
Modelo de Coordinación
44
48
Modelo de Coordinación y
Comunicación
Acto de Habla
Conversación Objetivo
Tipo
Nombre Agentes Participantes
Tipo Comunicación
Objetivo Emisor
Agentes Receptor
Conversación
Iniciador
Servicio
Servicio Datos Intercambiados
Actos de Habla Descripción
Descripción Precondición
Precondición Condición de Terminación
Condición de Terminación Performativa
Medio de Comunicación
45
49
Diagrama Interacción: Protocolo de interacción FIPA
Metascheduler Protocol
1 request-1 1
1 request-2 n 1 request-3 m
X m=1
inform-2 1 cfp-1
X
1 inform-1 m>=2
inform-3
X
X
inform-4
cfp-2
inform-5
propose-1
inform-6 propose-2
reject-prpposal-1
X
accept-prpposal-1
accept-proposal-2
X inform-7
cfp-3
reject-prpposal-2 X
inform-8
inform-9
request-4
inform-10
request-5
46 J. Aguilar
MASINA
Fase de diseño
47
51
MASINA
Fase de diseño
• El producto de esta fase es un documento que
especifica:
– El universo de clases del sistema.
– Para cada una de las clases descritas en el
universo de clases su especificación formal.
– Para cada uno de los métodos que componen las
clases su especificación formal.
48
52
MASINA
Modelo de Diseño Instalación
1..n
Consecuencia
Función
1..n
1
1..n Prueba
1..n 1
1
Falla
Acción
1
1..n
1
1..n
Síntoma
MASINA
Diagrama de clases del Agente de Negocio
J Aguilar
MASINA
Fase de
Codificación
Y pruebas
J. Aguilar
MASINA
• Entornos de desarorllo
• EDIMAS
• VMAS modeller
MIDANO
54
MIDANO
• Desarrollo
del ciclo
autonómico
Fase 1: Conocimiento de la Organización
Caracterizar
objetivos
estratégicos
Caracterizar
ciclos
autonómicos
Etapa 1: Conocimiento de la Organización
2. Protocolo de la Fase:
60
Etapa 2: Caracterización detallada de los
procesos de la organización
• Conocer los procesos sobre los cuales se puede
1. Objetivo
enfocar el proyecto de AdD.
2. Protocolo de la Fase:
2. Protocolo de la Fase:
2. Protocolo de la Fase:
• Descripción de los escenarios actuales de los procesos seleccionadas en la
institución/empresa.
• Especificación de los objetivos estratégicos a alcanzar en esos procesos, y
posibles escenarios futuros detrás de ellos.
• Especificación de los indicadores (modelos de conocimiento, medidas
estadísticas, etc.) para el análisis e interpretación de los objetivos estratégicos
• Especificación de los requerimientos para los posibles escenarios futuros
(donde se puedan aplicar tarea(s) de AdD)
• Elaboración de los casos de uso para los requerimientos funcionales
Etapa 4: Análisis para caracterizar los
objetivos estratégicos a alcanzar
Confidencialidad de la información
68
Etapa 5: Caracterización de los ciclos
autonómicos de AdD para cada Objetivo
Estratégico
2. Protocolo de la Fase:
• Determinación de las tareas de AdD que deben caracterizar a c/ciclo por sus
roles
Tareas de monitoreo
Tareas de análisis
Tareas de toma de decisión
• Especificación de las relaciones entre ellas
• Especificación general de las fuentes de datos requeridas por cada tarea
Especificación del Ciclo Autonómico
Procedimiento General
2. Protocolo de la Fase:
• Selección y descripción de los actores y componentes necesarios para hacer
cada tarea de AdD.
• Especificación de los requerimientos de c/tarea de AdD: tecnológicos, de datos,
organizacionales, etc.
• Especificación de las fuentes de datos requeridas por cada tarea
Etapa 6: Especificación de las tareas de AdD
Tabla para describir tareas de AdD
Nombre de la tarea <nombre de la tarea>
Descripción <La finalidad de esta tarea>
Fuente de datos <BD, historicos>
Tipo de tarea de analítica <Asociacion, Agrupamiento, Clasificacion, Predicción, reglas de
de datos asociación, etc.>
Técnicas de analítica de <Define las posibles tecnicas a usar, por ejemplo: regresión,
datos redes neuronales artificiales, algoritmo K-NN, etc.>
Tipo de Modelo de <modelo descriptivo, modelo prescriptivo, modelo de
Conocimiento optimizacion, modelo predictivo, etc.>
Tareas relacionadas de <Con que otras tareas de AdD se relaciona>
analítica de datos
Tipo de tarea del ciclo <Pueden ser para observar, analizar/interpretar, o actuar sobre
autonómico (rol) el proceso> 73
Etapa 6: Especificación de las tareas de AdD
b. Protocolo de la etapa
Comprender la fuente de datos de entrada
Generar la VMC y la VMO inicial
Integración de los datos de entrada
Generar las tablas del modelo de datos multidimensional de
cada CA
Etapa 1: Definición del modelo de datos
VMC
Variable Descripción Procedencia Observaciones
c. Productos principales
a. Objetivos
Identificación de las variables en la VMC con las operaciones
de:
(E)xtracción, (T)ransformación y Carga (L), para el caso
de datos organizacionales
(C)olección, (C)uración y (A)nálisis para el caso de datos
externos
Instanciación/Alimentación de las tablas (Cargar los datos)
b. Protocolo de la etapa
Integración de los datos de entrada en el DW
c. Productos principales
Tablas ETL y CCA
80
Etapa 2: Caracterización de los datos
del dominio de la aplicación
Variable Extracción Transformación Carga
Nombre de la De que fuente Especificación del proceso A que Tabla ETL
variable de datos de pre-procesamiento de los dimensión del
organizacional datos (estudios de modelo de
se extraerá dependencia, limpieza, datos irá
cambio de formatos, etc.)
b. Protocolo de la etapa
Limpieza
Transformación
Reducción
Cálculos …
c. Productos principales
VMO depurada
DW implementada funcionalmente
Documento descriptivo de los tratamientos realizados
usando tablas descriptivas con información pertinente.
82
Fase 3: Desarrollo de las tareas de AdD
Especificación
tecnológica del CA
de Tareas de AdD
83
Etapa 1: Especificación detallada de los
requerimientos de la herramienta computacional
a. Objetivos
captar los requerimientos no funcionales.
b. Protocolo de la etapa
• Requisitos de interfaz de usuario,
• Interfaces de software,
• Requerimientos de desempeño,
• Adicionalmente se pueden mencionar: de portabilidad, costos,
rendimiento, accesibilidad, entre otros.
c. Productos principales
Informe de requerimiento no funcionales
Etapa 2: Especificación tecnológica del ciclo
autonómico de Tareas de AdD
a. Objetivos
Caracterización la implementación tecnológica del ciclo
autonómico de tareas de AdD.
b. Protocolo de la etapa
• Escoger las técnicas de AdD para las tareas en el CA.
• Selección del Software para realizar c/tarea de AdD
• Definir cuáles son los datos de entrenamiento y de prueba
contenidos en el DW a usar
• Definir las interfaces entre las tareas del CA
• Definir una estrategia para la validación de las técnicas
seleccionada (cruzada, etc.).
c. Productos principales
Documento con la especificación tecnológica del ciclo
Etapa 2: Especificación tecnológica del
ciclo autonómico de Tareas de AdD
Tabla para especificación técnica de las tareas de AdD
Macro-Algoritmo Especificar Tipo de Tarea de Minería Herramienta
<paso a paso del código> < Debe indicarse de manera concreta <Instrumento tecnológico a
la tarea a realizar> usar a utilizar para dicho
calculo >
… Por ejemplo, calcular una medida de Por ejemplo, Netgraph o
centralidad de minería de grafo, Netlogo para minería de
realizar un agrupamiento de tales grafo, o k-means para
datos según tales criterios de agrupamiento (indicando
similitud, etc.) valor de k)
…
b. Protocolo de la etapa
• Construcción del modelo de conocimiento generado por cada tarea de
AdD
• Repetir el procedimiento de ser necesario, hasta que el modelo cumpla
los errores de entrenamiento establecidos
• Integrar las tareas de AdD en el CA
87
En esta etapa, se puede usar cualquier
c. Productos principales
Prototipo del CA metodología de desarrollo de tareas de MD,
para desarrollar las tareas de AdD.
Etapa 3: Desarrollo del ciclo autonómico de AdD
Desarrollo de las tareas de AdD
SEMMA
• Orientado a la parte técnica
• Carece de un análisis del problema.
Se puede usar cualquier metodología de
desarrollo de MD
para esta fase de desarrollo de tareas de
AdD,
CATALYST
CRISP-DM • Estructura en “boxes”
• Primer Modelo: Analiza el
• Proceso continuo y progresivo problema.
del proceso de creación
• Segundo Modelo: Solución en
• Más utilizado por empresas
el aspecto técnico.
que trabajan con DM
88
Fase 3: Desarrollo de herramientas de MD
• Objetivos y criterios de
CRISP-DM • Análisis inicial de datos
éxito del negocio y de la • Recolección
MD • Descripción
Cubiertas en detalle por
• Plan del Proyecto. MIDANO • Identificación de
problemas
• Verificación de calidad
2- Comprensión
1- Comprensión de los Datos
del Negocio
• Selección de técnica de
• Evaluar el modelo
modelado
• Decisión sobre el
• Obtener el modelo.
modelo.
Etapa 3: Desarrollo del ciclo autonómico de AdD
Desarrollo de las tareas de AdD
Flujo de trabajo de análisis de datos:
· Fase de preparación
· Fase de análisis
· Fase de reflexión
· Fase de difusión.
# 1: Etapa de preparación
Antes de analizar sus datos, debe adquirir los datos y reformatearlos de
una manera que sea adecuada para el cálculo. Se pueden adquirir datos
desde:
• Archivos de datos de repositorios en línea como los sitios web públicos.
• Archivos de datos transmitidos bajo demanda a través de APIs. Por ejemplo,
el flujo de datos de twiters.
• Aparatos físicos como un equipo de laboratorio científico que se ha conectado
a las computadoras.
• Datos de software informático, como archivos de registro del servidor web.
• Ingresando manualmente los datos en archivos de hoja de cálculo.
Etapa 3: Desarrollo del ciclo autonómico de AdD
Desarrollo de las tareas de AdD
# 2: Fase de análisis
En el núcleo de cualquier actividad de analítica de datos está el análisis. Esto
implica escribir programas de computadora o scripts que analizan los datos para
obtener información útil de ellos. Puede utilizar lenguajes de programación como
Python, Perl, R.
# 3: Fase de reflexión
Con frecuencia alternará entre las etapas de análisis y reflexión, a medida que
trabaja en sus datos para obtener la información necesaria. Si bien la fase de
análisis es un proceso puramente de programación, la fase de reflexión requiere
pensamiento crítico y comunicación con sus clientes sobre los resultados
obtenidos.
# 4: Fase de difusión.
La difusión es la fase final del flujo de trabajo de analítica de datos. Puede
presentar sus resultados utilizando informes escritos, como notas internas,
presentaciones de PowerPoint o documentos informativos empresariales,
dashboard.
Etapa 4: Validación/Interpretación
a. Objetivos
Validar la herramienta de toma de decisiones.
b. Protocolo de la etapa
• Validar el modelo de conocimiento generado por cada tarea de AdD
usando los datos de prueba, y siguiendo la estrategia de validación
establecida (aplicarla y observar el rendimiento).
• Realizar las correcciones necesarias
• Repetir el procedimiento de ser necesario, hasta que el modelo cumpla
los errores de prueba establecidos 92
• Validar el comportamiento del CA, usando los criterios definidos en la
etapa 1.5
• Validar el comportamiento del CA, en el sistema de toma de decisión
organizacional
Tipos de validación
• Validación interna
– Es en la que se aprende, clasifica y valida con los
datos de un mismo conjunto
• Validación externa
– Se aprende un modelo con un conjunto de datos,
y se valida con unos datos que no han sido
empleados en el aprendizaje
Hold-out
96
MeSI ANALISIS DEL PROBLEMA
REDISENO
ANALISIS DE PROPIEDADES
IMPLEMENTACION
REFINAMIENTO
VALIDACION
MANTENIMIENTO 97
Metodología para Desarrollar
Sistemas Inteligentes
• ANALISIS DEL PROBLEMA
– IDENTIFICAR LAS DIFERENTES TAREAS DEL PROBLEMA
– IDENTIFICAR PROPIEDADES DEL PROBLEMA Y DE LAS TAREAS
• ANALISIS DE PROPIEDADES
– QUE TECNICAS INTELIGENTES MEJOR SE ADAPTAN
Metodología para Desarrollar
Sistemas Inteligentes
• SELECCIÓN DE TECNICA
– SON NECESARIOS DIFERENTES TI?
– EXISTE UNA TECNICA QUE CUBRA TODO?
– SE SOLAPAN TAREAS?
– ...
• IMPLEMENTACION
– PARADIGMA DE PROGRAMACION (POO)
– AMBIENTES Y HERRAMIENTAS
Metodología para Desarrollar
Sistemas Inteligentes
• VALIDACION
– PRUEBAS
– VERIFICACION DE FUNCIONAMIENTO
• MANTENIMIENTO
– COMPONENTES ADAPTATIVOS
– AMBIENTES CAMBIANTES
Técnicas Inteligentes
• CADA TECNICA INTELIGENTE
• TIENE UNA PROPIEDAD COMPUTACIONAL
• ES MAS SUSCEPTIBLE PARA CIERTOS PROBLEMAS
• TIENE CIERTAS LIMITACIONES
J. AGUILAR 102
SISTEMAS HIBRIDOS INTELIGENTES
• ADQUISICION DE CONOCIMIENTO
• ELITESCO
• INTERPRETATIVO
• REPRESENTATIVO
• NIVEL DE RAZONAMIENTO
• TAREAS DE INFERENCIA=>COGNITIVAS
• RECONOCIMIENTO=>ASOCIACIONES MENTALES
• EXPLICACION
• ACEPTACION DE LA INFORMACION
• ENTENDIMIENTO DEL PROCESO DE
RAZONAMIENTO
SISTEMAS HIBRIDOS INTELIGENTES
TECNICA ADQUIS. ROBUST. RAZON. EXPLIC.
CONOCIM
SISTEMAS BAJO BAJO ALTO ALTO
EXPERTOS
LOGICA BAJO ALTO ALTO ALTO
DIFUSA
RED ALTO ALTO MEDIO BAJO
NEURONAL
COMPUTAC. ALTO MEDIO MEDIO MEDIO
EVOLUTIVA
SISTEMA MEDIO ALTO ALTO ALTO
CLASIFIC.
SISTEMAS HIBRIDOS INTELIGENTES
• CLASIFICACION DE LOS SIH (SEGÚN FUNCIONALIDAD,
ARQUITECTURA Y REQUER. COMUNIC)
• REEMPLAZO DE FUNCIONES
• INTERCOMUNICACION
• REEMPLAZO DE FUNCIONES
• AUMENTAR EFICIENCIA
• AUMENTAR VELOCIDAD
• INTERCOMUNICACION
• INDEPENDENCIA MODULAR
• INTERCAMBIO DE INFORMACION
• MECANISMO DE CONTROL
SISTEMAS HIBRIDOS INTELIGENTES
107
yPBL, MASINA y MIDANO para el
desarrollo de las Obras
• Metodología de base: yPBL
• AdD
• Fase análisis de la Rama Funcional de yPBL se basa en las fases de
conceptualización y de análisis de MASINA y fase 1 de MIDANO
• Fase de diseño de yPBL se basa en MASINA y fases 1-2 de MIDANO
• Fase de desarrollo de yPBL se basa en fase 3 de MIDANO y
eventualmente MeSI
R2
R3
R4
AmI basado en SMA Requerimientos Técnicos
T1.1 JADE=>
CookBook
Requerimientos Funcionales
T1-2. Librerias=> cookbooK
Req1. Características T2-1 FIPA => cookbook
Agentes T3-1. ontologías =>Protege
cookbook
Req2. Interacción y T3-2 EDIMAS => … cookbook
Coordinación. T4-1. …=> … cookbook
Comunicación R1
Req3. Confianza y R2
Reputación
R3
Req4. Aprendizaje y
Emergencia R4
Contexto de la IA
¿Qué es Inteligencia …?
112
112
IA
J. AGUILAR 114
COMPUTACIÓN INTELIGENTE
Estimulos Salida
Entrada Comportamiento
Sensor o Captor
Inteligente
Datos
Razonar,
Modelo del Mundo
Predecir,
(datos información y
Optimizar, etc.
conocimiento)
Reaccion
– REDES NEURONALES
– COMPUTACION EVOLUTIVA
– LOGICA DIFUSA
J. AGUILAR 116
IA
Aspectos y Características de la
Inteligencia Artificial
Envuelve entender cómo el conocimiento es
adquirido, representado y almacenado; cómo el
comportamiento inteligente es generado y
aprendido; cómo motivos, emociones, y prioridades
son desarrolladas y usadas; cómo señales
sensoriales son transformadas en símbolos; cómo
los símbolos son manipulados para actuar
lógicamente, razonar, planear; y cómo los
mecanismo de inteligencia producen fenómenos de
ilusión, creencia, esperanza, temor y sueños
J Aguilar 117
¿Qué es Inteligencia Artificial?
Tomado de https://goo.gl/5MYY7F /
118 118
Objetivos de la Inteligencia Artificial
119
119
Retos
razonen racionalmente
Hacer aprendan y descubran
programas
que jueguen
se comuniquen naturalmente con los humanos
120
120
Áreas
Inteligencia Artificial
Teoría de agentes
Sistemas multiagentes (Inteligencia Artificial Distribuidas)
Inteligencia Colectica:
Emular el comportamiento de
122 Colonias de Hormigas, Colonias de Abejas, …
122/64
Áreas
Computación Inteligente
Computación Emergente
SACI ACO
RNA CE LD
123
123
Aplicaciones
Es inimaginable
125
Ejercicio 1
3. Familiarización con los ambientes computacionales donde se encuentran los datos a ser utilizados en cada proceso explicado
¿Dónde se encuentra los datos almacenados del proceso en cuestión?
¿Cómo se almacenan los datos del proceso?
¿Qué variables son observadas del proceso?
¿Cuáles son las variables más importancia de esos datos para la organización?
126
Ejercicio 1
127
Agentes
Concepto de Base: Agentes
Caracterizado por:
–SU ESTRUCTURA (ARQUITECTURA)
–SUS ACCIONES (COMPORTAMIENTO)
Arquitectura+programa
129
129
Concepto de Base: Agentes
J Aguilar
Concepto de Base: Agentes
Procedimiento de base:
1. Percibo (Actualiza Memoria)
2. Decido (Escoge Acción )
3. Actúo (Actualiza Memoria)
resolver un problema
planificar sus actividades /tareas
Go, 2011
el conocimiento
Mecanismos para/de razonamiento
aprendizaje
percepción
comunicarse
AAl, 2012
132
132
Concepto de Base: Agentes
Propiedades de un agente
Movilidad
Flexibilidad
Autonomía
Sociabilidad
Proactividad
Reactividad Racionalidad
J Aguilar 133
Concepto de Base: Agentes
Arquitectura de un Agente
Inteligencia
Competencias, aprendizaje,
Razonamiento, planificación
Actuadores/Sensores
Aspecto Social Comunicación Ambiente
Rol del agente, cooperación Protocolos, lenguajes, ontologías
Individualidad
Objetivos, creencias, modelos
Compromisos
J Aguilar 134
Agentes vs. Objetos
• Un Agente puede ser autónomo
• Un Agente es capaz de generar
comportamientos flexibles (reactivos,
proactivos)
• Un Agente puede convivir en una
comunidad de ellos de forma racional
(social)
• Desde el punto de vista de implantación,
cada agente es un elemento activo (al
menos un hilo de ejecución).
J. Aguilar 135
Tipos de Agentes
Muchas clasificaciones
J. Aguilar 136
Tipos de Agente
Dimensiones
Autonomía,
Relación entre
Movilidad Pro actividad Aprendizaje y Tipo de Aplicación
percepción y Acciones
Cooperación
Agente de
Agentes Agentes Agentes Agentes
Interfaz o
Móviles Proactivos Interfaz Reflejo Simple
Usuario
Agentes
Agentes Agente de
Basados en
Colaborativos Monitoreo
Metas
Agentes Agentes
Agente de
Colaborativos Basados en
con Aprendizaje Filtrado
Utilidad
J. Aguilar
Concepto de Base: Agentes
Arquitecturas Híbridas
Combinan lo mejor de las
arquitecturas deliberativas y reactivas.
Puede estructurar en capas
Concepto de Base: Agentes
Agente sensores
Cómo es el mundo
ahora ambiente
Seleccionan las acciones sobe la base de las percepciones
actuales,
Por ejemplo:
Si el vehículo de delante frena y sus luces de freno se
encienden
Entonces el agente taxista deberá advertirlo y frenar también
Qué acciones
Reglas Condición - Acción
Debería hacer ahora
Se almacena de la forma:
Si vehículo delante frena entonces empezar a frenar
actuadores
J. Aguilar Los humanos tenemos muchas de estas asociaciones:
Reflejos innatos
Respuestas aprendidas
Concepto de Base: Agentes
sensores
Estado
Cómo es el mundo
Como evoluciona el mundo
ahora
ambiente
ambiente
Cuáles son mis acciones Que pasa si
y sus efectos en el mundo
Por ejemplo:
Hago acción A
El destino del pasajero
ambiente
ahora Por ejemplo:
Cuales son mis acciones y Qué pasa si Diferentes secuencias de acciones
s sus efectos en el mundo Hago acción A pueden llevar al destino que el pasajero
desea, pero algunas son más rápidas,
Que tan feliz
Utilidad
Seré en ese edo. seguras o baratas que otras.
Critica sensores
retroalimentación
ambiente
cambios
Elemento de Componente
Aprendizaje de Actuación
Generador de
alernativas
Agente actuadores
J. Aguilar 144
Sistemas MultiAgentes
Sistemas MultiAgentes
147
Sistemas MultiAgentes
222
SMA
• Son sistemas compuestos por múltiples componentes
autónomos que poseen las siguientes características:
• Cada agente tiene ciertas capacidades.
• Necesitan de formas de coordinarse
• Los datos no están centralizados
• La computación es asíncrona.
• No hay un sistema global que los controla
• Pueden incorporarse dinámicamente nuevos tipos de
entidades en el sistema
Temas en los Sistemas
Multiagentes
1. Metodologías de desarrollo de SMA
3. Comunicación
6. Plataformas de Despliegue
• Autonomía de diseño:
Plataforma – Protocolo de interacción – Lenguaje
• Arquitectura interna:
– Infraestructura de comunicación: Memoria compartida
(blackboard), Conexión basada en mensajes (punto a punto,
multicast o broadcast), sincronización o no
– Servicio de directorio: páginas blancas, páginas amarillas
– Protocolos: FIPA, KQML, CORBA, etc.
– Servicios de mediación: Basado en ontologías,
Transacciones
– Servicios de seguridad: autenticación, anonimato
– Soporte de operaciones: Almacenamiento, Redundancia,
Restauración, Contabilidad, Timestamp
Sistemas MultiAgentes
Interacciones
Una situación de interacción se produce cuando dos o más
agentes, por medio de una serie de acciones recíprocas
confluyen en una relación dinámica. Estas acciones, las
influencias que unos ejercen sobre los otros, las
obligaciones y compromisos que establecen, hacen de los
agentes entidades sociales.
Situaciones de
Medios objetivos
Interacción
disponibles
Recursos
Disponibles 152
INTERACCIONES
OBJETIVOS RECURSOS CAPACIDADES TIPO CATEGORIA
COMPATIBLES SUFICIENTES SUFICIENTES INDEPEND. INDIFERENTE
(PERS. CAMINA ACERA)
COMPATIBLES SUFICIENTES INSUFICIENTES COLABOR. SIMPLE COOPERACION
(ASIGNACION DE TAREAS)
224
Sistemas MultiAgentes
COOPERACION
proceso por el que ciertos agentes participantes generan
deberes mutuamente dependientes para actividades
conjuntas (planes).
COOPERACION
ALGUNOS METODOS DE COOPERACION
• TIPO PIZARRA
• VOTACIÓN.
• EMERGENTES: ESPECIALIZACION
227
Sistemas MultiAgentes
REPARTICION DE TAREAS
Repartir tareas, recursos e información implica:
Descomposición de Tareas
J Aguilar
Sistemas MultiAgentes
REPARTICION DE TAREAS
2 Petición
Seleccionar un agente Aceptar la petición
para realizar una tarea
3
5 Resultados Resultados
1
4
Detectar la necesidad
Realización de la
de compartir una tarea
tarea
Fuente Receptor
228
Sistemas MultiAgentes
REPARTICION DE TAREAS
• ROLES
CLIENTES O DEMANDADORES
PROVEEDORES O SERVIDORES
MEDIADORES
• FORMAS DE ASIGNACION
PREDEFINIDA
CENTRALIZADA - JERARQUICO=> IMPUESTA
- IGUALITARIO => MEDIADOR
DISTRIBUIDA - RED DE CONTACTOS: directa o delegar
EMERGENTE
Sistemas MultiAgentes
Asignación de Recursos
Centralizada clásica.
Centralizada con mediador.
Por redes de amistades.
Emergente
J Aguilar
Sistemas MultiAgentes
ASIGNACION EMERGENTE
• ASIGNACION REACTIVA
• SENALES
UMBRAL DE RESPUESTA
Sistemas MultiAgentes
COORDINACION DE ACCIONES
CONJUNTO DE ACTIVIDADES SUPLEMENTARIAS QUE
SE DEBEN REALIZAR EN UN SMA
COORDINACION DE ACCIONES
• Centralización
– Un agente coordinador especial es el responsable de
detectar las interdependencias entre las actividades de los
agentes locales.
• Descentralización
– Los agentes interactúan entre sí. Poseen el conocimiento
para descubrir inconsistencias entre sus acciones previstas y
adaptar mutuamente sus decisiones locales.
Sistemas MultiAgentes
Planificación
Planificación centralizado para
planes distribuidos
Planificación distribuida de un
plan centralizado
Jerarquización de planes.
Planificación reactiva,
Sistemas MultiAgentes
Negociación
• Objetivo:
determinar (las condiciones de)
un acuerdo entre, al menos,
dos agentes
• Ejemplos de negociación
– Red de Contratos
• Adjudicar productos y tareas
a través de un “mercado”
• n participantes, transacción
entre 2
– Regateo
• Llegar a un acuerdo entre
todos los participantes
– Argumentación
• Resolver (supuestos)
conflictos a través del debate
243
Sistemas MultiAgentes
Subastas
• Las subastas suelen establecer un contrato entre
dos agentes (el subastador y el que gana la
subasta).
Subasta
Protocolos comunes:
Subasta inglesa
Subasta holandesa
Subasta sellada:
.
Subasta de Vickrey
…
J Aguilar
Sistemas MultiAgentes
Subasta inglesa
• Inicio:
– el subastador ofrece un producto a un precio inicial
(usualmente por debajo de un precio mínimo privado)
• Apuestas:
– los subasteros van ofertando precios (ninguna, una, o varias
veces)
– cada oferta tiene que superar todas las anteriores
– el ciclo de apuestas termina cuando no hay más ofertas
• Adjudicación:
– si la última oferta alcanza el precio mínimo (privado) del
subastador, el producto es adjudicado al subastero de la oferta
más alta
– de lo contrario no se vende el producto (el subastador tiene la
última palabra!!!)
Sistemas MultiAgentes
Comunicación
Es la intención de intercambiar información a
través de la producción y percepción de
signos en un sistema compartido de signos
convencionales
• Entendimiento mutuo:
– Traducción entre lenguajes de representación
– Compartir el contenido semántico
Comunicación de Agentes
ACTOS DE HABLA
251
Sistemas MultiAgentes
ACTOS DE HABLA
• ASPECTOS
- LOCUCION (LOCUTION)
- PERFOMATIVA (ILLOCUTION)
- EFECTO (PERLOCUTION)
• TIPOS - INFORMATIVAS
- DIRECTRICES O COMANDOS
- PROMESAS U OFERTAS
- PREGUNTAS Y RESPUESTAS
- RECONOCIMIENTO
- COMPARTIR
Sistemas MultiAgentes
J Aguilar
Sistemas MultiAgentes
CONVERSACIONES
• Patrón para el intercambio de mensajes entre dos o más
agentes que acuerdan comunicarse entre si
CONVERSACIONES
J Aguilar
Sistemas MultiAgentes
• Componentes de base
– Vocabulario
– Lenguaje “interno”: KIF
– Lenguaje “externo”: KQML
KQML
• KQML es un lenguaje y protocolo basado en
mensajes para comunicación entre agentes.
• Los mensajes KQML no sólo comunican frases en
algún lenguaje sino que mas bien comunican una
actitud sobre el contenido
• Las primitivas del lenguaje reciben el nombre de
“performatives”
• Así, cada mensaje posee
– Performativa
– Parámetros
Sistemas MultiAgentes
KQML
• Tres capas
– Contenido (KIF)
– Mensaje (Performativas)
– Comunicación
• Performativas
– De discurso: para intercambio de información y
conocimiento (ask, tell)
– De intervención y conversación: para intervenir en
una conversación (sorry, next, ready)
– De red: no son estrictamente actos de habla, pero
permiten a los agentes encontrar otros agentes
(recruit, register)
Sistemas MultiAgentes
• Mensajes en KQML
( Perfomativa
: content (<Contenido a transm.>)
: receiver <destino>
: language <lenguaje del contenido>
: ontology <ontologia usada>
)
• Ejemplo
( ask-one
:content (PRICE IBM ?price)
:receiver -stock-server
:language LPROLOG
:ontology NYSE-TICKS
)
Sistemas MultiAgentes
Conversacion
Lenguaje de Contenido
ACL
Infraestructura de red
FIPA
Sistemas MultiAgentes
Agentes: FIPA
• Las especificaciones están divididas en 5 grupos:
– Aplicaciones:
• FIPA Nomadic Application Support Specificacion
• FIPA Quality of Service Specificacion
• FIPA Personal Travel Assistance Specification
• FIPA Audio-Visual Entertainment and Broadcasting Specification
• FIPA Network Management and provisioning Specification
• FIPA Personal Assistant Specification
• FIPA Message Buffering Service Specification
– Arquitectura Abstracta
• FIPA Abstract Architecture Specification
• FIPA Domains and Policies Specification
Sistemas MultiAgentes
Agentes: FIPA
• Lenguajes de comunicación
– Protocolos de interacción
• FIPA Request Interaction Protocol Specification
• FIPA Query Interaction Protocol Specification
• …
• FIPA Brokering Interaction Protocol Specification
• FIPA Recruiting Interaction Protocol Specification
• FIPA English Auction Interaction Protocol Specification
• FIPA Dutch Auction Interaction Protocol Specification
– Actos comunicativos
• FIPA Communicative Act Library Specification
– Lenguajes de contenido
• FIPA SL Content Language Specification
• FIPA CCL Content Language Specification
• FIPA KIF Content Language Specification
• FIPA RDF Content Language Specification
Sistemas MultiAgentes
Agentes: FIPA
• Gestión de agentes
– FIPA Agent Management Specification
– FIPA Agent Discovery Service Specification
– FIPA JXTA Discovery Middleware Specification
• Transporte de mensajes
– Representaciones de ACL
• FIPA ACL Message Representation in Bit-EfficientSpecification
• FIPA ACL Message Representation in String Specification
• FIPA ACL Message Representation in XML Specification
– Representaciones de envoltorios
• FIPA Agent Message Transport Envelope Representation in XML Specification
• FIPA Agent Message Transport Envelope Representation in Bit Efficient Specification
– Protocolos de transporte
• FIPA Agent Message Transport Protocol for IIOP Specification
• FIPA Agent Message Transport Protocol for HTTP Specification
Sistemas MultiAgentes
Agentes: FIPA
Estándar de plataforma
de servicios
Canal Comunicación
Agentes
Plataforma Agente
Sistema Gestión Directorio Canal Comunicación
Agentes Facilitador Agente
Agente
J Aguilar
Sistemas MultiAgentes
• JADE https://jade.tilab.com/
• JIAC
• JACK
• Zeus
• Fipa-OS
• MGS
J Aguilar
Sistemas MultiAgentes
JADE
• JADE (Java Agent DEvelopment Framework) es un
software para desarrollar aplicaciones basadas en
agentes que sigue las especificaciones de FIPA,
• El objetivo de JADE es simplificar el desarrollo de
agentes, garantizando seguir los estándares establecidos
por la FIPA:
– Plataforma para la gestión de los agentes y
– Un IDE (Integrated Development Environment) para el
desarrollo de agentes.
– Paquete basado en Java para desarrollar agentes.
– Varias extensiones para ejecutarse en dispositivos con
aplicaciones especificas (PDA, teléfonos inteligentes, etc.).
Sistemas MultiAgentes
JADE
JADE tiene un contenedor principal que tiene dos agentes
especiales:
• DF (Directory Facilitator):
• AMS (Agent Management System): register() takedown(), y
• deregister() del AMS.
JADE
• El “comportamiento” de un agente define las acciones a realizar
bajo un determinado evento y hereda de la clase agentes los
métodos: addBehaviour, removeBehaviour.
• Los diferentes comportamientos que el agente adopta se definen
a partir de la clase abstracta Behaviour, para lo cual usa el
método action(), done(), reset(),
• JADE incluye prototipos de comportamientos listos para
utilizarse, tales como los protocolos de interacción FIPA, despertar
bajo una cierta condición, etc.
JADE
Sistemas MultiAgentes
JADE
• El agente dummy es una herramienta para la inspección de los
intercambios de mensajes entre los agentes. Este agente facilita la
prueba y validación de la interfaz de los agentes antes de su
integración en un SMA.
J Aguilar
Sistemas MultiAgentes
Propiedades básicas
Aula inteligente
SaCI
• Caracterización de un aula inteligente teniendo en cuenta
diferentes aspectos vinculados a la educación virtual y presencial,
utilizando el paradigma de los sistemas multiagentes.
241
Sistemas MultiAgentes
Especificación de SaCI
Componentes de un aula inteligente
objetos
Inteligentes Otros
objetos
VLE, Sistemas
Recomendadores,
Sistemas Conscientes
del Contexto, etc.
Reconocimiento
Facial, Modelos de
Aprendizaje , Grupos
de estudiantes, etc.
Otros
objetos
Conexión a
Dispositivos
Sistemas MultiAgentes
Middleware de SaCI
AmI Logical Management Layer (ILL) AmI Physical
Management Layer (IPL)
SPA CA TA CEA
Context Awareness
CMA DA
Meta
MAP
MAS Management Layer (MMAL) Services Management Layer (SML)
Security
E
Sensors Effectors Intelligent Objects Other Objects
244
Sistemas MultiAgentes
J Aguilar
Sistemas MultiAgentes
Agentes de SaCI
Agentes del nivel Físico
Interaction with
Intelligent
Device Tasks Components other components
Capabilities
of SaCI
Smart Display learning contents Touch support, Display Adapt educational LVE
board high-resolution contents to context Student Board
Allow students - processor, wifi, Smart cameras
educational contents Bluetooth Interactive desk
interaction
Social Recognize emotional Vision System; Adapt to the context Smartboard
Robot states in the environment Recognition System of surrounding it LVE
Face, Gesture and
Motivate and arouse Speech; Music Player;
interest in activities to Object Tracking;
learn Obstacle Detection;
etc.
…. … … …. ….
Sistemas MultiAgentes
Agentes de SaCI
Agentes del nivel lógico
Software Tasks Components Intelligent Interaction with
Capabilities other components
of SaCI
Virtual Manage educational Courses Adapting to the Smartboard
Learning contents user profile
Environment Educational Smart cameras
(VLE) Store information about resources Learning the
the user's profile user's learning Interactive desks
Interactive tools style and adapt
Enable tutors and students instruction to
to exchange messages it.
with other participants,
teamwork, download
educational resources,
consult the teacher, etc.
… … … … …
Sistemas MultiAgentes
Algunas conversaciones en SaCI
Proceso de tutoría en línea
Procesos de retroalimentación
248
Sistemas MultiAgentes
El ventilador
se activa a
partir de los
27 °C
Sistemas MultiAgentes
Agente basado en
un API a Merlot
o Serendipity
Comunidad de agentes
gestores de recursos de
aprendizaje
256
Ejercicio 2
• MASINA:
– Modelo de agentes,
– Modelo de tareas,
– Tabla relación Agentes-Tareas
Modelo de agentes
219
Ejercicio 2
Capacidades Contenido
Habilidades
Lenguaje RC
Leng. de Com.
220
Sistemas MultiAgentes
Automatización Industrial
J Aguilar
Sistemas MultiAgentes
SADIA
• Modelar la arquitectura de automatización como
SMA
• 3 niveles de abstracción
– Objetos de Negocio
– Actividades de Automatización
– Funciones
222
Sistemas MultiAgentes
SADIA
Primer Nivel de Abstracción
Agente Pozo
SMA
Primer Nivel
Agente Estación de Flujo Agente MLAG
SADIA
Segundo Nivel de Abstracción
Agente de Control
SMA
de Procesos
Segundo Nivel
Agente de
Ingeniería de
Mantenimiento
Agente de
Manejo de Situaciones
Anormales
Sistemas MultiAgentes
SADIA
Tercer Nivel de Abstracción
•Modela las funciones vinculadas con cada actividad del segundo nivel
Agente
Coordinador
Agente Agente
Controlador Especializado
Agente Agente
de Observación de Actuación
Instrumentos SCADA
Infraestructura Operadores
Mantenimiento
PROCESO
Ing. Optimización
S.H.A. J Aplicaciones
Sistemas MultiAgentes
SCDIA
Sistemas MultiAgentes
J. Aguilar 228
Sistemas MultiAgentes
SCDIA
Sistemas de Control Distribuido Inteligentes Basados en
Agentes
• Características:
– Sistema descentralizado más que centralizado,
– Emergente más que planificado,
– Autónomo más que controlado,
– Concurrente más que secuencial.
• Habilidades
– Aprendizaje
– Búsqueda
– Inferencia y predicción.
– Representación de fuentes de conocimiento
– Evolutivas.
Sistemas MultiAgentes
SCDIA
• Cinco agentes de control
– Agente de observación/medición
– Agente de Actuación
– Agente Controlador
– Agente Coordinador
– Agente Especializado
• Sistema de Gestión de Servicios
– Agente Administrador de Agentes
– Agente Gestor de Recursos
– Agente Gestor de Aplicaciones
– Agente de Base de Datos
– Agente de Control de Comunicaciones
Sistemas MultiAgentes
Agente
Controlador
Agente de Agente de
Medición Actuación
233
Automatización
Industrial
Algunas Conversaciones
Agente Manejo de Situaciones
Anormales
• Detectar Fallas
• Manejar la Falla
• Diagnosticar la Falla
• Reconocer la Falla
J.J Aguilar
Aguilar
Sistemas MultiAgentes
Solicitud de Prueba:
Resultados:
Orden de Ejecución:
Sistemas MultiAgentes
288
EDISMA
Entorno de Desarrollo
Integrado para la
construcción de SMA.
Servicios EDISMA
• Crear un SMA. En el contexto de la IGU, se asocia un SMA con un
proyecto de software.
• Crear un agente.
• Crear un modelo de tarea a un agente.
• Crear un modelo de conversación entre agentes.
• Crear un modelo de comunicación entre agentes.
• Abrir un SMA elaborado creado previamente.
• Crear los archivos que permiten la implantación de los agentes en
el MGS.
• Editar los archivos creados por EDISMA.
Creaci´on de un SMA con EDISMA.
EDISMA
Modelo de agentes
Modelo de tareas
Sistemas MultiAgentes
EDISMA
Modelo de
conversación
EDISMA
Sistemas Multiagente:
Temas de investigación
• Heterogeneidad:
• Agent communication languages (ACLs)
• Semántica: ontologies, service directories, matchmaking
• Coordinación:
– Alcanzar consenso resolviendo conflictos de intertés:
• Coalition formation, Negotiation, Trust, …
– Regular agreement mechanisms :
• Virtual Organisations, Norms, Incentive Engineering, …
– Hacer que la información esté disponible:
• MA Planning, MA Optimisation, POMDPs, …
• AOSE: SOC, OOP, Grid, AOP
– Plataformas,middleware, herramientas
– Metodologías AOP
• Interacción Humano-Computadora
– Avatares, agentes emocionales, …
244