Académique Documents
Professionnel Documents
Culture Documents
Captulo I
Introduccin a la IA
Agentes inteligentes
Un agente inteligente
Procesos INTERNOS
ENTRADAS
Sensor del ambiente
V
Oye
Toca
Gusta
Huele
Conoce
Comprensin/
intencionalidad
Razona
Comportamiento
SALIDAS
?
AMBIENTE
AGENTE
ACCIONES
EFECTORES
Qu es un agente inteligente
Un agente inteligente es cualquier cosa que pueda
percibir un mundo perceptual en que est anidado (ambiente)
mediante SENSORES y
actuar sobre ese mundo mediante EFECTORES (o actuadores)
sinnimo de ambiente es espacio de problema
sinnimo de agente inteligente es operador que transforma un input en
output dentro del espacio de problema
La razn es solamente un
instrumento porque
no nos puede predecir hacia donde ir - no nos
propone metas
a lo sumo nos ayuda a decidirnos cmo llegar a
una meta (a travs del anlisis de medios y fines)
Agentes Racionales
Racionalidad e Inteligencia
Qu es un agente racional
El que acta maximizando el valor
esperado de la medida de buen xito
(funcin 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
Satisfaccin de restricciones
Depende de
LA SECUENCIA DE PERCEPCIONES - TODO LO QUE EL
AGENTE HA PERCIBIDO HASTA AHORA (GESTIN DE LA
MEMORIA).
No se puede criticar a un agente por no saber lo que nunca supo
11
12
13
Agentes autnomos
Son agentes autnomos los que no se guan
por reglamento externo alguno.
14
16
Teora de la completitud NP
Problemas NP-duros. Si fuesen polinmicos se verificara P =
NP. Algunos problemas, como quizs el clsico del viajante de
comercio, es probable que sean imposibles de resolver en
cualquier computadora arbitraria (se trata de un problema NPduro, hasta donde se conoce). Se lo debe resolver, p. ej., de forma
aproximada y no exacta, o usando heursticas.
De ello se deduce que
ya sea la inteligencia natural
o la inteligencia artificial
17
Agentes Racionales
Percepciones y acciones
Mapeo ideal
percepciones acciones
El diseo o mapeo ideal especifica qu
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
19
Cometido de la IA
El cometido de la IA es el diseo de un Programa
de agente : una funcin que permita implantar el
mapeo del agente para pasar de percepciones
a acciones.
a = f (P,M,A)
21
PaMA
a = f(datos)
a = f(P,M,A)
Ejemplo - Piloto automtico (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
tpico
P-percepcin
a-accin
M-meta
A-ambiente
23
Anlisis PaMA
En cualquier algoritmo aplicado a la IA debemos reconocer cmo cada parte
contribuye a dicha meta.
Analicemos las mquinas (limitadas) de la IA como agentes inteligentes.
La meta planteada por la medida del buen xito de ese agente suele ser
combinacin de varias submetas.
24
video
acelermetro, instrumental del tablero
sensores del motor
teclado
acciones
Metas
seguridad, llegar a destino, maximizar ganancias, obedecer las leyes,
satisfaccin del cliente
Ambiente
calles urbanas, avenidas, trfico, peatones, clima, tipo de cliente
25
Choose-Best-Action(memory)
action Choose-Best-Action(memory)
memory
memory
Update-Memory(memory,
Update-Memory(memory,action)
action)
return
returnaction
action
26
Tipos de Agentes
Agentes sin informacin actualizada de su mundo
Tabla
encontrar la accin siguiente usar una tabla en memoria del tipo secuencia de
percepciones/accin. Sera una tabla demasiado voluminosa para repetir la accin ya
experimentada antes.
28
Lo ms 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
indexedby
bypercept
perceptsequences,
sequences,initially
initiallyfully
fullyspecified
specified
append
appendpercept
percepttotothe
theend
endofofpercepts
percepts
action
action
LookUp(percepts,
LookUp(percepts,table)
table)
return
action
return action
29
Qu accin debo
hacer en este
momento
Ambiente
Reglas SiEntonces
Efectores
30
function
functionSimple-Reflex-Agent(percept)
Simple-Reflex-Agent(percept)returns
returnsaction
action
static:
rules,
a
set
of
condition-action
rules
static: rules, a set of condition-action rules
state
state
Interpret-Input(percept)
Interpret-Input(percept)
rule
Rule-Match(state,
rule Rule-Match(state,rules)
rules)
action
action
Rule-Action[rule]
Rule-Action[rule]
return
returnaction
action
31
Tipos de Agentes
Bien informados de lo que pasa en su mundo
Agentes con memoria
con un estado interno que sirve para seguirle la pista a los estados pasados de su mundo.
32
Sensores
Estado
Cmo evoluciona el mundo
Reglas Si
- Entonces
conocimiento
Ambiente
Qu accin debo
hacer en este
momento
Efectores
33
function
functionReflex-Agent-With-State(percept)
Reflex-Agent-With-State(percept)returns
returnsaction
action
al elegir entre dos rutas alternativas
static:
rules,
a
set
of
condition-action
rules
(en una interseccin girar o no girar
static: rules, a set of condition-action rules
state,
el volante del coche?) no se alcanzar
state,aadescription
descriptionofofthe
thecurrent
currentworld
world
el objetivo final
state
state
Update-State(state,
Update-State(state,percept)
percept)
pues se requiere conocer la meta a
rule
Rule-Match(state,
rules)
rule Rule-Match(state, rules)
lograr para finalizar la tarea con xito action Rule-Action[rule]
action Rule-Action[rule]
state
state
Update-State(state,
Update-State(state,action)
action)
return
returnaction
action
34
Qu es un agente orientado a
metas?
Agente
Sensores
Estado
Ambiente
Qu producen
mis acciones?
Qu sucedera si
emprendo la accin A?
Reglas Si
- Entonces
conocimiento
Qu accin debo
hacer en este
momento
Efectores
35
hay que maximizar la utilidad de las acciones, esto es, elegir aquella que logra la meta mejor
de todas.
36
Formulate-Problem
search-space Formulate-Problem(state,
(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
Qu es un agente basado en
utilidad?
Agente
Sensores
Estado
Ambiente
Qu producen
mis acciones?
UTILIDAD
Qu hago ahora?
conocimiento
Efectores
38
Funcin Utilidad
es un mapeo de estados bajo la forma de nmeros reales
lleva a decisiones racionales en dos tipos de situaciones
evaluacin de compromisos entre metas en conflicto
evaluacin de metas en conflicto
39
alta
calidad.
Las metas permiten establecer una distincin entre estados
felices e infelices.
Si se prefiere un estado en lugar de otro, se dice que ese estado
ofrece mayor utilidad al agente.
Utilidad
Funcin que caracteriza el grado de satisfaccin
En temas venideros se mencionar frecuentemente
PRINCIPIO DE MAXIMA UTILIDAD ESPERADA
el
40
Ambientes
Caractersticas y tipos
Determinstico/No-determinstico (estocstico)
Si el estado siguiente del ambiente est determinado plenamente por el estado
presente del mismo, y por la accin del agente - se trata de un ambiente
determinstico. As el agente escapa de la incertidumbre.
Episdico/No-episdico
Un ambiente episdico implica que los episodios siguientes no dependen de las
acciones que ocurran en episodios previos (como en las clsicas cadenas de
Markov). Esto permite al agente que no se preocupe por la planificacin de lo
que pueda ocurrir.
42
Discreto/Continuo
Discreto - con escaso nmero de percepciones y acciones en el ambiente.
Continuo - en otro caso.
43
Accesible ??
Determinstico ??
Episdico ??
Esttico ??
Discreto ??
44
s - s - no - s - s
no - no -no - no - no
Accesible
Determinstico
Episdico
Esttico
Discreto
45
Ambientes en Internet
e_mail
Grupos de noticias
WWW
FTP
Juegos en lnea
Foros
Buscadores con diversos agentes
Ambiente apto para minera de datos
Bibliotecas virtuales (p.ej., de IA)
46
47
An Agent Portfolio
34
48
Program[agent](Percept[agent])
Action[agent] Program[agent](Percept[agent])
end
end
state
state
Update-Fn(actions,
Update-Fn(actions,agents,
agents,state)
state)
until
termination(state)
until termination(state)
49
Get-Percept(agent,
Percept[agent] Get-Percept(agent,state)
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
Performance-Fn(scores,
agents,
scores Performance-Fn(scores, agents,state)
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 acta en un cierto ambiente, posee una
arquitectura dada y est implementado a travs de un programa
de agente.
Un agente ideal (omnisciente) siempre elige aquella accin
mediante la cual se maximiza su logro esperado, sujeta a la
secuencia de percepciones recibida hasta ese momento.
Un agente autnomo usa su experiencia propia en lugar de usar
conocimiento incorporado por su diseador referente al
ambiente.
Un programa de agente mapea la ruta entre percepcin y accin y
actualiza el estado interno de dicho agente.
Un agente reflejo (o reactivo) responde de inmediato a las
percepciones segn la regla accin/percepcin. (jugador de ping
pong).
52
Resumen
Un agente basado en metas acta de tal manera que pueda
obtener el logro de la meta programada.
Un agente basado en utilidad maximiza su propia funcin de
utilidad.
Poder representar el conocimiento (y a veces lograr que ese
conocimiento pueda ser legible por el humano) es importante
para que el diseo tenga buen xito.
No todos los ambientes son iguales para el agente. Hay unos que
son ms difciles que otros. Los ms difciles son los ambientes
inaccesibles, no-determinsticos, no-episdicos, dinmicos y
continuos.
Uno fcil sera el de un robot encargado de hacer tostadas.
53
54