Documentos de Académico
Documentos de Profesional
Documentos de Cultura
IA Agentes
IA Agentes
Inteligencia Artificial
Introducción a la IA
Agentes inteligentes
2
3
Un agente inteligente
Procesos INTERNOS
ENTRADAS
Conoce
Sensor del ambiente Comprensión/
intencionalidad
Vé
Oye Razona
Toca
Gusta
Huele
Comportamiento
SALIDAS
4
Tipificando a un agente inteligente
SENSORES
PERCEPCIONES
?
AMBIENTE
AGENTE
ACCIONES
EFECTORES
5
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”
6
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
justo la 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.
7
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 (a través del análisis de medios y fines)
8
Agentes Racionales
Racionalidad e Inteligencia
Qué es un agente racional
El que actúa maximizando el valor
esperado de la medida de buen éxito
(función de utilidad) en el logro de su meta
Racional no es omnisciente
Racional no es clarividente
Racional ideal en conflicto con el PRR
10
Racionalidad
Satisfacción de restricciones
Depende de
LA SECUENCIA DE PERCEPCIONES - TODO LO QUE EL
AGENTE HA PERCIBIDO HASTA AHORA (GESTIÓN DE LA
MEMORIA).
No se puede criticar a un agente por no saber lo que nunca supo
LA MEDIDA DE BUEN ÉXITO ELEGIDA
Función de utilidad
CUÁNTO CONOCE EL AGENTE DEL AMBIENTE EN QUE
OPERA
Lista de hipótesis de cómo es el mundo
LAS ACCIONES QUE EL AGENTE ESTÉ EN CONDICIONES DE
REALIZAR
11
Grado de Racionalidad - Nivel
de Conocimiento - Newell
Grado de racionalidad grado con el cual el
agente racional maximiza su medida de buen
éxito en lograr una meta,
sujeta a su disponibilidad de
sensores, efectores, potencia de cómputo y conocimiento
internalizado.
Allen Newell define el nivel de conocimiento por el
número de reglas usadas respecto de su
disponibilidad total de reglas. Ningun robot es
responsable por no usar reglas que no conoce.
…a un termostato le han dado dos reglas y las usa…
12
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
conocimiento interiorizado
secuencia de percepciones
13
Agentes autónomos
14
Agentes Racionales y problemas
Complejidad y racionalidad
P, NP, NP completo, NP duro
P. Son problemas que se pueden resolver en tiempo polinómico (lo
cual significa rápido). Son muy frecuentes. Son P los que tienen
tiempos de ejecución O(n) y O(log n)
NP. Un problema es NP si se puede verificar rapidamente (esto es, en
tiempo polinómico) que la solución hallada es correcta (aunque haya
sido complicadísimo hallar dicha solución). NP se refiere a “tiempo
polinomial no-determinístico” donde la voz “no-determinístico”
significa en la práctica “obtenida por adivinación”. Si alguien adivina
alguna solución, es rápido verificar si es correcta como solución.
No se ha podido probar que un arbitrario problema NP se pueda
reducir a P, lo cual lleva al tema de la clase de problemas NP-duros.
La subclase “de problemas NP-completos” se interpretan como que
la voz “completo” indica el ejemplo más difícil de resolver dentro del
tipo de problema.
16
Teoría de la completitud NP
Problemas NP-duros. Si fuesen polinómicos se verificaría P =
NP. Algunos problemas, como quizás el clásico del viajante de
comercio, es probable que sean imposibles de resolver en
cualquier computadora arbitraria (se trata de un problema NP-
duro, hasta donde se conoce). Se lo debe resolver, p. ej., de
forma aproximada y no exacta, o usando heurísticas.
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.
17
Agentes Racionales
Percepciones y acciones
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
Ejercicio de la racionalidad
Sandwich
Percepciones Razonamiento Acciones
19
Cometido de la IA
El cometido de la IA es el diseño de un Programa
de agente : una función que permita implantar el
mapeo del agente para pasar de percepciones
a acciones. Este programa se ejecutará en
algún tipo de dispositivo de cómputo, al que se
denominará arquitectura (puede ser una
computadora sencilla o hardware especial). En
alguno ámbitos se utilizan agentes de software
(o robots de software o softbots).
20
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 el componente principal 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
El programa de agente trata de implementar la función de
agente en forma concisa (ejemplo: cálculo de la raiz cuadrada en
una calculadora de bolsillo)
Un programa de agente toma una percepción singular como
input y mantiene el estado interno
21
PaMA
Estrategia de “divide y vencerás”
a = f(datos)
a = f(P,M,A)
Ejemplo - Piloto automático (taxista reemplazado por
un agente inteligente )
Percepciones ??
acciones ??
Metas ??
Ambiente ??
22
PaMA
Para identificar a un agente debemos analizar su PaMA:
Ejemplos de
descripciones
PaMA de un
dado agente
típico
P-percepción
a-acción
M-meta
A-ambiente
23
Análisis PaMA
En cualquier algoritmo aplicado a la 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.
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 por satelite,
percepciones: pixels de intensidad y longitud de onda variables
acciones: mover la cámara, cambiar el filtro, imprimir información
metas: identificación cercana a la realidad de todos los objetos de la imagen
ambiente: imágenes distorsionadas provenientes de una cámara de satelite.
24
Taxista Robotpiloto automático
Percepciones
– video
– acelerómetro, instrumental del tablero
– sensores del motor
– teclado
acciones
– gestión del volante
– acelerar y frenar
– bocina
– hablar/dibujar
Metas
– seguridad, llegar a destino, maximizar ganancias, obedecer las leyes,
satisfacción del cliente
Ambiente
– calles urbanas, avenidas, tráfico, peatones, clima, tipo de cliente
25
Estructura de un agente inteligente
ESQUEMA GENÉRICO DE UN AGENTE:
function
functionSkeleton-Agent(percept)
Skeleton-Agent(percept)returns
returnsaction
action
static:
static:memory,
memory,the
theagent's
agent'smemory
memoryofofthe
theworld
world
memory
memory Update-Memory(memory,
Update-Memory(memory,percept)
percept)
action Choose-Best-Action(memory)
action Choose-Best-Action(memory)
memory
memory Update-Memory(memory,
Update-Memory(memory,action)
action)
return
returnaction
action
26
Estructura de los Agentes
Racionales
Tipos de Agentes
Tipos de Agentes
Agentes sin información actualizada de su mundo
Tabla
encontrar la acción siguiente usar una tabla en memoria del tipo “secuencia de
percepciones/acción”. Sería una tabla demasiado voluminosa para repetir la acción ya
experimentada antes.
28
Lo más sencillo:
DISPONER DE UNA TABLA
function
functionTable-Driven-Agent(percept)
Table-Driven-Agent(percept)returns
returnsaction
action
static:
static:percepts,
percepts,aasequence,
sequence,initially
initiallyempty
empty
table,
table,aatable
tableindexed
indexedbybypercept
perceptsequences,
sequences,initially
initiallyfully
fullyspecified
specified
append
appendpercept
percepttotothe
theend
endofofpercepts
percepts
action LookUp(percepts, table)
action LookUp(percepts, table)
return
returnaction
action
29
Agente reactivo simple
Agente
Sensores
Ambiente
cambios Qué acción debo
Reglas Si-
hacer en este
Entonces momento
conocimiento
Efectores
30
¿Qué es un agente reactivo simple?
Las reglas condición-acción
permiten establecer la conexión
entre percepción y acción.
Se indica el estado interno, único
en un momento dado del proceso
de decisión.
Se indica la base de conocimiento
en forma de reglas de
producción.
31
Tipos de Agentes
Bien informados de lo que pasa en su mundo
32
¿Qué es un agente bien informado?
Agente
Estado
Sensores
Ambiente
Qué acción debo
Reglas Si
hacer en este
- Entonces
momento
conocimiento
Efectores
33
Agentes bien informados
Ambiente
mis acciones? ¿Qué sucedería si
emprendo la acción A?
Efectores
35
Agentes basados en Metas
36
Arquitectura General de Agentes basados en Metas
Input
Inputpercept
percept
state
state Update-State(state,
Update-State(state,percept)
percept)
goal
goal Formulate-Goal(state,
Formulate-Goal(state,perf-measure)
perf-measure)
search-space
search-space Formulate-Problem(state,
Formulate-Problem (state,goal)
goal)
plan Search(search-space , goal)
plan Search(search-space , goal)
while
while(plan
(plannot
notempty)
empty)do
do
action
action Recommendation(plan,
Recommendation(plan,state)
state)
plan Remainder(plan, state)
plan Remainder(plan, state)
output
outputaction
action
end
end
37
¿Qué es un agente basado en
utilidad?
Agente
Estado Sensores
Ambiente
mis acciones? ¿Qué sucedería si
emprendo la acción A?
Efectores
38
Agentes basados en Utilidad
Función Utilidad
es un mapeo de estados bajo la forma de números reales
lleva a decisiones racionales en dos tipos de situaciones
evaluación de compromisos entre metas en conflicto
evaluación de metas en conflicto
39
Agentes basados en utilidad
Las metas no bastan para generar una conducta de alta
calidad.
Utilidad
Función que caracteriza el grado de satisfacción
En temas venideros se mencionará frecuentemente el
PRINCIPIO DE MAXIMA UTILIDAD ESPERADA
40
Ambientes
Características y tipos
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 actualizado 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 permite al agente que no se preocupe por la planificación de lo
que pueda ocurrir.
42
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 monitorizar
el mundo mientras piensa. El tiempo carece de valor mientras se computa una
buena estrategia. En otro caso será dinámico.
Discreto/Continuo
Discreto - con escaso número de percepciones y acciones en el ambiente.
Continuo - en otro caso.
Sin adversario/con adversarios racionales
Sin adversario - ausencia de otros agentes racionales adversarios: la
consecuencia es que el agente se libera de competir con 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).
43
Tipos de ambientes y sus características
Solitario
Taxi
Accesible ??
Determinístico ??
Episódico ??
Estático ??
Discreto ??
44
Tipos de ambientes y sus características
Solitario sí - sí - no - sí - sí
Taxi no - no -no - no - no
Accesible
Determinístico
Episódico
Estático
Discreto
45
Ambientes en Internet
e_mail
Grupos de noticias
WWW
FTP
Juegos en línea
Foros
Buscadores con diversos agentes
Ambiente apto para minería de datos
Bibliotecas virtuales (p.ej., de IA)
46
Tipos de ambientes y sus
características
47
An Agent Portfolio
34
49
Simulador de ambiente al tanto de las
medidas de buen éxito de los agentes
function
functionRun-Eval-Environment(state,
Run-Eval-Environment(state,Update-Fn,
Update-Fn,agents,
agents,
termination,
termination,Performance-Fn)
Performance-Fn)returns
returnsscores
scores
local
local: :scores,
scores,aavector
vectorthe
thesame
samesize
sizeasasagents,
agents,initially
initiallyall
all00
repeat
repeat
for
foreach
eachagent
agentininagents
agentsdo
do
Percept[agent]
Percept[agent] Get-Percept(agent,state)
Get-Percept(agent, state)
end
end
for
foreach
eachagent
agentininagents
agentsdo
do
Action[agent]
Action[agent] Program[agent](Percept[agent])
Program[agent](Percept[agent])
end
end
state
state Update-Fn(actions,
Update-Fn(actions,agents,
agents,state)
state)
scores
scores Performance-Fn(scores, agents,state)
Performance-Fn(scores, agents, state)
until termination(state)
until termination(state)
return
returnscores
scores
50
Resumen
Tema I
Resumen
Los principales contenidos del tema I son:
Un agente percibe y actúa en un cierto ambiente, posee una
arquitectura dada y está implementado a través de un programa
de agente.
Un agente ideal (omnisciente) siempre elige aquella acción
mediante la cual se maximiza su logro esperado, sujeta a la
secuencia de percepciones recibida hasta ese momento.
Un agente autónomo usa su experiencia propia en lugar de usar
conocimiento incorporado por su diseñador referente al
ambiente.
Un programa de agente mapea la ruta entre percepción y acción
y actualiza el estado interno de dicho agente.
Un agente reflejo (o reactivo) responde de inmediato a las
percepciones según la regla acción/percepción. (jugador de ping
pong).
52
Resumen
53
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 que no
tenían relación con otros enfoques (caso de la robótica y la visión).
54