際際滷

際際滷Share a Scribd company logo

Agenti intelligenti

Mario Gentili
Mario Gentili

Intelligenza Artificiale: un approccio moderno. Gli agenti intelligenti

1 of 15
Download to read offline
Agenti intelligenti Credit Articial Intelligence, A Modern Approach. Stuart Russell and Peter Norvig. Third Edition. Pearson Education. http://aima.cs.berkeley.edu/
un agente 竪 sistema che percepisce l'ambiente esterno (il suo mondo) tramite dei sensori e agisce su di esso tramite degli attuatori La scelta dell'azione di un agente in un qualsiasi istante 竪 funzione della sequenza percettiva (percept sequence) che l'agente ha accumulato attraverso i sensori e mai potr dipendere da qualcosa che non ha mai percepito. Internamente, la funzione agente di un agente 竪 implementata da un programma agente. Un programma agente esegue il ciclo: Agente = architettura + programma agente Agente: chi era costui?
Esempio aspirapolvere A B Sequenza percettiva Azione [A, pulito] Destra [A, Sporco] Aspira [B, pulito] Sinistra [B, Sporco] Aspira [A, pulito] [A, pulito] Destra [B, pulito] [B, pulito] Sinistra La sequenza percettiva e la conseguente azione attuata dall'agente si pu嘆, in genere esprimere attraverso una tabella che da una parte evidenzia la sequenza percettiva e dall'altra contiene l'azione deliberata.
Esempio Agenti umani Sensori: occhi, orecchie, altri sensi Attuatori: mani, braccia, gambe, altre parti del corpo Agenti meccanici Sensori: videocamera, sensoristica di varia natura Attuatori: ingranaggi meccanici, motori, etc. Gli agenti sono ovunque Termostato Cellulari Aspirapolvere Robot Alexa Echo Macchine Uomini Etc.
Concetto di razionalit Regola generale necessario progettare le misure di prestazione di un agente in base all'effetto che si desidera ottenere sull'ambiente e non su come si pensa dovrebbe comportare l'agente In un dato momento, ci嘆 che 竪 razionale dipende da quattro fattori: 1. la soglia di prestazione che determina il successo di un'azione, 2. la conoscenza pregressa dell'agente dell'ambiente in cui 竪 inserito, 3. le azioni che l'agente pu嘆 effettuare 4. la sequenza percettiva che l'agente possiede per l'ambiente in cui 竪 inserito Per ogni possibile sequenza percettiva un agente razionale 竪 quello che sceglie l'azione che massimizzi il valore di prestazione, ovvero il successo dell'azione, in base alla sua conoscenza pregressa, alla sequenza percettiva dell'ambiente in cui 竪 inserito e alle azioni a sua disposizione
Agent task environment Regola generale Progettare le misure di prestazione di un agente in base all'affetto che si desidera ottenere sull'ambiente e non su come si pensa dovrebbe comportarsi l'agente Quando si parla di un agente razionale, si deve ragionare in termini di task environment, ovvero del PEAS dell'agente: 1. Performance = misura di prestazione, 2. Environment = ambiente, 3. Actuators = attuatori, 4. Sensors = sensori Agente Performance Environment Actuators Sensors Veicolo a guida autonoma Sicurezza, Velocit, Comfort, Codice della strada Strada, Altri veicoli, Traffico, Pedoni Sterzo, Acceleratore, Freni, Frecce, Clacson, Schermo interfaccia Telecamere, GPS, Sensori stato motore, tastiera Aspirapolvere Efficacia, Percorrenza minima, Battery life, Sicurezza Stanza, Tavoli e sedie, Tappeti, Ostacoli Ruote, Spazzole di pulitura Camera, Sensori ostacoli, Sensori per la polvere, Etc. Tutor interattivo lingue Risultati test studente Studenti, Tutors Visore per esercizi, Suggerimenti, Correzioni Tastiera Robot selezionatore parti meccaniche % pezzi inseriti nei contenitori giusti Parti meccaniche su nastro trasportatore, contenitori Braccio meccanico Telecamere, Sensori di posizionamento braccio meccanico
Tipi di ambienti Completamente osservabile (vs Parzialmente osservabile): i sensori di un agente gli danno accesso allo stato completo dell'ambiente in ogni momento. Agente singolo (vs multi-agente): un agente che opera da solo in un ambiente. Deterministico (vs stocastico): lo stato successivo dell'ambiente 竪 Completamente determinato dallo stato corrente e dall'azione eseguita dall'agente. (Se l'ambiente 竪 deterministico ad eccezione delle azioni di altri agenti, allora l'ambiente 竪 strategico) Episodico (vs. sequenziale): l'esperienza dell'agente 竪 divisa in "episodi" atomici (ciascun episodio consiste nell'eseguire una singola azione), e la scelta dell'azione in ciascun episodio dipende solo dall'episodio stesso. Statico (vs dinamico): l'ambiente 竪 invariato mentre un agente sta deliberando. (L'ambiente 竪 semi-dinamico se l'ambiente stesso non cambia con il passare del tempo ma il punteggio delle prestazioni dell'agente lo fa). Discreto (vs Continuo): un numero limitato di percezioni e azioni distinte, chiaramente definite. Ad esempio, la dama 竪 un esempio di un ambiente Discreto, mentre l'auto a guida autonoma si evolve in modo Continuo. Noto (vs Ignoto): il progettista dell'agente pu嘆 avere o meno conoscenza delle leggi fisiche ambientali. Se l'ambiente 竪 sconosciuto, l'agente dovr sapere come funziona per decidere.
Task environment Osservabile Agenti Deterministico Episodico Statico Discreto cruciverba Completamente Singolo Deterministico Sequenziale Statico Discreto Scacchi Completamente Multi Deterministico Sequenziale Semi Discreto Poker Parzialmente Multi Stocastico Sequenziale Statico Discreto Veicolo guida autonoma Parzialmente Multi Stocastico Sequenziale Dinamico Continuo Tutor interattivo lingue Parzialmente Multi Stocastico Sequenziale Dinamico Discreto Robot selezione parti meccaniche Parzialmente Singolo Stocastico Episodico Dinamico Continuo Tipi di ambienti: esempi
Tipi di Agenti Agenti reattivi semplici Agenti reattivi basati su modelli Agenti basati su obiettivi Agenti basati sull'utilit Tutti questi tipi di Agenti si possono ricondurre alla categoria dei learning agents (agenti capaci di apprendere), che possono migliorare la loro performance e attuare migliori azioni attraverso l'apprendimento.
Agenti reattivi semplici Selezionano un'azione, in base alla percezione corrente ignorando tutta la storia percettiva pregressa (es. aspirapolvere) Semplici ma limitati Possono lavorare solo quando l'ambiente (il suo mondo) 竪 completamente osservabile Rispondono alla regola condizione-azione (if la-macchina-davanti-frena then inizia-a- frenare) ambiente/mondo agente attuatori sensori aspetto corrente del mondo azione da eseguire adesso Regole di condizione-azione
Agenti reattivi basati su modello Evoluzione degli agenti semplici: Devono sapere come evolve il mondo indipendentemente dalle loro azioni Devono conoscere l'effetto delle loro azioni sul mondo Un agente basato su modello tiene traccia dello stato corrente del mondo mediante un suo stato interno (che aggiorna dinamicamente) e sceglie l'azione da eseguire come un normale agente reattivo (regole di condizione-azione) ambiente/mondo agente attuatori sensori aspetto corrente del mondo azione da eseguire adesso Regole di condizione-azione Cosa fanno le mie azioni? Come evolve il mondo? Aggiorna stato
Agenti reattivi basati su obiettivi (goal) Evoluzione degli agenti su modello: Un agente basato su obiettivi, tiene traccia dello stato dell'ambiente e memorizza un insieme di obiettivi, quindi sceglie un'azione che lo porter, prima o poi, a soddisfarli. ambiente/mondo agente attuatori sensori aspetto corrente del mondo azione da eseguire adesso Obiettivi Cosa fanno le mie azioni? Come evolve il mondo? Aggiorna stato Come cambier il mondo se eseguo l'azione A
Agenti reattivi basati sull'utilit Evoluzione degli agenti su obiettivo: Un agente basato su utilit, oltre a tener traccia dello stato dell'ambiente impiega una funzione di utilit che misura le preferenze tra i vari stati del mondo. L'azione prescelta 竪 quella che massimizza l'utilit attesa, calcolata come media pesata dei valori di utilit dei diversi stati possibili per la rispettiva probabilit di verificarsi. ambiente/mondo agente attuatori sensori aspetto corrente del mondo azione da eseguire adesso utilit Cosa fanno le mie azioni? Come evolve il mondo? Aggiorna stato Come cambier il mondo se eseguo l'azione A Quanto sar嘆 contento in uno stato simile
Agenti capaci di apprendere (learning agents) L'apprendimento presenta il vantaggio di permettere agli agenti di operare in ambienti inizialmente sconosciuti diventando col tempo pi湛 competitivi. Un agente capace di apprendere ha quattro componenti astratte: 1. Elemento di apprendimento (learning element): 竪 responsabile del miglioramento delle azioni esterne. quello che abbiamo considerato fin qui come se costituisse l'intero Agente. 2. Elemento esecutivo (performance element): 竪 responsabile della selezione delle azioni esterne 3. Elemento critico (critic element): 竪 quello che a partire dalle prestazioni correnti dell'agente, determina se e come modificare l'elemento esecutivo affinch辿 in futuro si comporti meglio 4. Generatore di problemi (problem generator): suggerisce azioni che portino ad esperienze nuove ed esplorative ambiente/mondo Learning agent attuatori sensori Generatore di problemi elemento di apprendimento elemento critico elemento esecutivo conoscenza cambiamenti feedback obiettivi di apprendimento standard di prestazione
Rappresentazione di stati e transizioni Esistono tre modi in cui i componenti di un agente possono rappresentare l'ambiente abitato dall'agente stesso. Rappresentazione atomica Uno stato 竪 una scatola nera priva di struttura interna. Ad esempio, trovare un percorso di guida: ogni stato 竪 una citt. Algoritmi AI: ricerca, giochi, processi decisionali di Markov, modelli Markov nascosti, ecc. Rappresentazione fattorizzata Uno stato 竪 un vettore di attributi. Ad esempio, posizione GPS, quantit di gas nel serbatoio. Algoritmi AI: soddisfacimento dei vincoli e reti bayesiane. Rappresentazione strutturata Uno stato include oggetti, ognuno dei quali pu嘆 avere attributi propri oltre a relazioni con altri oggetti. Algoritmi AI: logica del primo ordine, apprendimento basato sulla conoscenza, comprensione del linguaggio naturale.

More Related Content

Agenti intelligenti

  • 1. Agenti intelligenti Credit Articial Intelligence, A Modern Approach. Stuart Russell and Peter Norvig. Third Edition. Pearson Education. http://aima.cs.berkeley.edu/
  • 2. un agente 竪 sistema che percepisce l'ambiente esterno (il suo mondo) tramite dei sensori e agisce su di esso tramite degli attuatori La scelta dell'azione di un agente in un qualsiasi istante 竪 funzione della sequenza percettiva (percept sequence) che l'agente ha accumulato attraverso i sensori e mai potr dipendere da qualcosa che non ha mai percepito. Internamente, la funzione agente di un agente 竪 implementata da un programma agente. Un programma agente esegue il ciclo: Agente = architettura + programma agente Agente: chi era costui?
  • 3. Esempio aspirapolvere A B Sequenza percettiva Azione [A, pulito] Destra [A, Sporco] Aspira [B, pulito] Sinistra [B, Sporco] Aspira [A, pulito] [A, pulito] Destra [B, pulito] [B, pulito] Sinistra La sequenza percettiva e la conseguente azione attuata dall'agente si pu嘆, in genere esprimere attraverso una tabella che da una parte evidenzia la sequenza percettiva e dall'altra contiene l'azione deliberata.
  • 4. Esempio Agenti umani Sensori: occhi, orecchie, altri sensi Attuatori: mani, braccia, gambe, altre parti del corpo Agenti meccanici Sensori: videocamera, sensoristica di varia natura Attuatori: ingranaggi meccanici, motori, etc. Gli agenti sono ovunque Termostato Cellulari Aspirapolvere Robot Alexa Echo Macchine Uomini Etc.
  • 5. Concetto di razionalit Regola generale necessario progettare le misure di prestazione di un agente in base all'effetto che si desidera ottenere sull'ambiente e non su come si pensa dovrebbe comportare l'agente In un dato momento, ci嘆 che 竪 razionale dipende da quattro fattori: 1. la soglia di prestazione che determina il successo di un'azione, 2. la conoscenza pregressa dell'agente dell'ambiente in cui 竪 inserito, 3. le azioni che l'agente pu嘆 effettuare 4. la sequenza percettiva che l'agente possiede per l'ambiente in cui 竪 inserito Per ogni possibile sequenza percettiva un agente razionale 竪 quello che sceglie l'azione che massimizzi il valore di prestazione, ovvero il successo dell'azione, in base alla sua conoscenza pregressa, alla sequenza percettiva dell'ambiente in cui 竪 inserito e alle azioni a sua disposizione
  • 6. Agent task environment Regola generale Progettare le misure di prestazione di un agente in base all'affetto che si desidera ottenere sull'ambiente e non su come si pensa dovrebbe comportarsi l'agente Quando si parla di un agente razionale, si deve ragionare in termini di task environment, ovvero del PEAS dell'agente: 1. Performance = misura di prestazione, 2. Environment = ambiente, 3. Actuators = attuatori, 4. Sensors = sensori Agente Performance Environment Actuators Sensors Veicolo a guida autonoma Sicurezza, Velocit, Comfort, Codice della strada Strada, Altri veicoli, Traffico, Pedoni Sterzo, Acceleratore, Freni, Frecce, Clacson, Schermo interfaccia Telecamere, GPS, Sensori stato motore, tastiera Aspirapolvere Efficacia, Percorrenza minima, Battery life, Sicurezza Stanza, Tavoli e sedie, Tappeti, Ostacoli Ruote, Spazzole di pulitura Camera, Sensori ostacoli, Sensori per la polvere, Etc. Tutor interattivo lingue Risultati test studente Studenti, Tutors Visore per esercizi, Suggerimenti, Correzioni Tastiera Robot selezionatore parti meccaniche % pezzi inseriti nei contenitori giusti Parti meccaniche su nastro trasportatore, contenitori Braccio meccanico Telecamere, Sensori di posizionamento braccio meccanico
  • 7. Tipi di ambienti Completamente osservabile (vs Parzialmente osservabile): i sensori di un agente gli danno accesso allo stato completo dell'ambiente in ogni momento. Agente singolo (vs multi-agente): un agente che opera da solo in un ambiente. Deterministico (vs stocastico): lo stato successivo dell'ambiente 竪 Completamente determinato dallo stato corrente e dall'azione eseguita dall'agente. (Se l'ambiente 竪 deterministico ad eccezione delle azioni di altri agenti, allora l'ambiente 竪 strategico) Episodico (vs. sequenziale): l'esperienza dell'agente 竪 divisa in "episodi" atomici (ciascun episodio consiste nell'eseguire una singola azione), e la scelta dell'azione in ciascun episodio dipende solo dall'episodio stesso. Statico (vs dinamico): l'ambiente 竪 invariato mentre un agente sta deliberando. (L'ambiente 竪 semi-dinamico se l'ambiente stesso non cambia con il passare del tempo ma il punteggio delle prestazioni dell'agente lo fa). Discreto (vs Continuo): un numero limitato di percezioni e azioni distinte, chiaramente definite. Ad esempio, la dama 竪 un esempio di un ambiente Discreto, mentre l'auto a guida autonoma si evolve in modo Continuo. Noto (vs Ignoto): il progettista dell'agente pu嘆 avere o meno conoscenza delle leggi fisiche ambientali. Se l'ambiente 竪 sconosciuto, l'agente dovr sapere come funziona per decidere.
  • 8. Task environment Osservabile Agenti Deterministico Episodico Statico Discreto cruciverba Completamente Singolo Deterministico Sequenziale Statico Discreto Scacchi Completamente Multi Deterministico Sequenziale Semi Discreto Poker Parzialmente Multi Stocastico Sequenziale Statico Discreto Veicolo guida autonoma Parzialmente Multi Stocastico Sequenziale Dinamico Continuo Tutor interattivo lingue Parzialmente Multi Stocastico Sequenziale Dinamico Discreto Robot selezione parti meccaniche Parzialmente Singolo Stocastico Episodico Dinamico Continuo Tipi di ambienti: esempi
  • 9. Tipi di Agenti Agenti reattivi semplici Agenti reattivi basati su modelli Agenti basati su obiettivi Agenti basati sull'utilit Tutti questi tipi di Agenti si possono ricondurre alla categoria dei learning agents (agenti capaci di apprendere), che possono migliorare la loro performance e attuare migliori azioni attraverso l'apprendimento.
  • 10. Agenti reattivi semplici Selezionano un'azione, in base alla percezione corrente ignorando tutta la storia percettiva pregressa (es. aspirapolvere) Semplici ma limitati Possono lavorare solo quando l'ambiente (il suo mondo) 竪 completamente osservabile Rispondono alla regola condizione-azione (if la-macchina-davanti-frena then inizia-a- frenare) ambiente/mondo agente attuatori sensori aspetto corrente del mondo azione da eseguire adesso Regole di condizione-azione
  • 11. Agenti reattivi basati su modello Evoluzione degli agenti semplici: Devono sapere come evolve il mondo indipendentemente dalle loro azioni Devono conoscere l'effetto delle loro azioni sul mondo Un agente basato su modello tiene traccia dello stato corrente del mondo mediante un suo stato interno (che aggiorna dinamicamente) e sceglie l'azione da eseguire come un normale agente reattivo (regole di condizione-azione) ambiente/mondo agente attuatori sensori aspetto corrente del mondo azione da eseguire adesso Regole di condizione-azione Cosa fanno le mie azioni? Come evolve il mondo? Aggiorna stato
  • 12. Agenti reattivi basati su obiettivi (goal) Evoluzione degli agenti su modello: Un agente basato su obiettivi, tiene traccia dello stato dell'ambiente e memorizza un insieme di obiettivi, quindi sceglie un'azione che lo porter, prima o poi, a soddisfarli. ambiente/mondo agente attuatori sensori aspetto corrente del mondo azione da eseguire adesso Obiettivi Cosa fanno le mie azioni? Come evolve il mondo? Aggiorna stato Come cambier il mondo se eseguo l'azione A
  • 13. Agenti reattivi basati sull'utilit Evoluzione degli agenti su obiettivo: Un agente basato su utilit, oltre a tener traccia dello stato dell'ambiente impiega una funzione di utilit che misura le preferenze tra i vari stati del mondo. L'azione prescelta 竪 quella che massimizza l'utilit attesa, calcolata come media pesata dei valori di utilit dei diversi stati possibili per la rispettiva probabilit di verificarsi. ambiente/mondo agente attuatori sensori aspetto corrente del mondo azione da eseguire adesso utilit Cosa fanno le mie azioni? Come evolve il mondo? Aggiorna stato Come cambier il mondo se eseguo l'azione A Quanto sar嘆 contento in uno stato simile
  • 14. Agenti capaci di apprendere (learning agents) L'apprendimento presenta il vantaggio di permettere agli agenti di operare in ambienti inizialmente sconosciuti diventando col tempo pi湛 competitivi. Un agente capace di apprendere ha quattro componenti astratte: 1. Elemento di apprendimento (learning element): 竪 responsabile del miglioramento delle azioni esterne. quello che abbiamo considerato fin qui come se costituisse l'intero Agente. 2. Elemento esecutivo (performance element): 竪 responsabile della selezione delle azioni esterne 3. Elemento critico (critic element): 竪 quello che a partire dalle prestazioni correnti dell'agente, determina se e come modificare l'elemento esecutivo affinch辿 in futuro si comporti meglio 4. Generatore di problemi (problem generator): suggerisce azioni che portino ad esperienze nuove ed esplorative ambiente/mondo Learning agent attuatori sensori Generatore di problemi elemento di apprendimento elemento critico elemento esecutivo conoscenza cambiamenti feedback obiettivi di apprendimento standard di prestazione
  • 15. Rappresentazione di stati e transizioni Esistono tre modi in cui i componenti di un agente possono rappresentare l'ambiente abitato dall'agente stesso. Rappresentazione atomica Uno stato 竪 una scatola nera priva di struttura interna. Ad esempio, trovare un percorso di guida: ogni stato 竪 una citt. Algoritmi AI: ricerca, giochi, processi decisionali di Markov, modelli Markov nascosti, ecc. Rappresentazione fattorizzata Uno stato 竪 un vettore di attributi. Ad esempio, posizione GPS, quantit di gas nel serbatoio. Algoritmi AI: soddisfacimento dei vincoli e reti bayesiane. Rappresentazione strutturata Uno stato include oggetti, ognuno dei quali pu嘆 avere attributi propri oltre a relazioni con altri oggetti. Algoritmi AI: logica del primo ordine, apprendimento basato sulla conoscenza, comprensione del linguaggio naturale.