agentes reactivos y aplicaciones distribuidas - uam...
TRANSCRIPT
AgReacApliDist : Ana Laureano /
UAM-A
Agentes Reactivos y
Aplicaciones
DistribuidasAna Lila Laureano-Cruces
Universidad Autónoma
Metropolitana - Azcapotzalco
AgReacApliDist : Ana Laureano /
UAM-A
Inteligencia Artificial
Distribuida Resolución Distribuida de Problemas
Se divide entre módulos que cooperan
El conocimiento acerca del problema y acerca
del desarrollo de la solución
Esta dividido y/o compartido entre los diferentes
módulos.
AgReacApliDist : Ana Laureano /
UAM-A
Sistemas MultiAgente
Comportamiento inteligente coordinado entre una
colección de agentes autónomos e inteligentes.
Coordinan sus: conocimientos, objetivos, habilidades
y planes
Para ejecutar una acción o resolver un problema
Todos los agentes persiguen un conjunto común de
objetivos pretendiendo aumentar el rendimiento total
del sistema.
AgReacApliDist : Ana Laureano /
UAM-A
En función de las diferentes formas de
comunicación de los agentes tenemos
sistemas:
Fuertemente acoplados: la comunicación se
desarrolla a través de una memoria compartida
Débilmente acoplados: la comunicación es a
través 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 condición - acción; que se activa cuando
el estado de la pizarra satisface ciertas
condiciones.
El resultado es una acción que consiste en:
Generación de una nueva hipótesis.
Modificación de una hipótesis ya existente.
AgReacApliDist : Ana Laureano /
UAM-A
Cada modificación a la pizarra puede
provocar la activación de nuevas FCs.
Desencadenándose así un conjunto de
actividades asíncronas.
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 inserción de
nuevas entradas en una cola de FCs.
El acceso a la pizarra es secuencial
El planificador manejará esta cola
dirigiendo la atención del sistema a la
alternativa más prometedora.
AgReacApliDist : Ana Laureano /
UAM-A
Las prioridades dentro de la cola se calculan
teniendo en cuenta: la credibilidad de las
hipótesis de las diferentes FCs, los efectos
esperados de la ejecución y una estimación de
su utilidad con respecto al foco de atención del
sistema en ese momento.
Esta combinación de procesamiento dirigido por
los datos y por el objetivo tiene como resultado
la formación incremental de la solución, y se le
conoce ‘resolución oprtunista de problemas’
AgReacApliDist : Ana Laureano /
UAM-A
Comunicación a través de
mensajes Se identifican cuatro grupos de sistemas
que utilizan este tipo de comunicación:
Coherencia a través de cooperación o
compromiso a través de negociación.
Tratamiento de inconsistencias.
Problemas de jerarquía y organización.
Compromiso entre computación y
comunicación.
AgReacApliDist : Ana Laureano /
UAM-A
Coherencia a través de cooperación o
compromiso a través de negociación
Definen: estrategias de cooperación 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 visión incompleta del
mundo; lo que implica una visión
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 revisión.
AgReacApliDist : Ana Laureano /
UAM-A
Problemas de jerarquía y
organización
Existen tres factores que influyen en la
elección de una determinada
organización:
La complejidad del problema (número de
agentes)
La imprecisión e incertidumbre
La existencia eventual de una
descomposición del problema
AgReacApliDist : Ana Laureano /
UAM-A
La imprecisión e incertidumbre
Cuando hablamos de datos nos referimos a imprecisión, 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.
Técnicas para manejar la incompletes de los datos y del conocimiento. Estocásticos
Fuzzy (lógica, conjuntos, MCD)
Redes de certeza (modelos probabilísticos)
AgReacApliDist : Ana Laureano /
UAM-A
Organizaciones estáticas y dinámicas
La dinámica: es la habilidad de los agentes para
seleccionar una organización que alcance
ciertos objetivos; este tipo debe ayudar a suplir
la pérdida de un agente.
Parcialmente pre-definidas y a la vez permitir
algún tipo de refinamiento durante el proceso de
resolución del problema.
AgReacApliDist : Ana Laureano /
UAM-A
La existencia eventual de una
descomposición del problema
La naturaleza del problema puede ser un
factor que influya en la organización de los
agentes.
AgReacApliDist : Ana Laureano /
UAM-A
Compromiso entre computación
y comunicación
Ancho de banda es crítico
Los agentes deben moderar la comunicación; suplen esta falta con otro tipo de computación: Mantener modelos acerca de las creencias y deseos
de otros agentes
Reconocer los planes de otros agentes
Determinar cual es la información relevante y que debe ser comunicada a otro agente
En estos casos es importante precisar cuánto tiempo hay que dedicar a comunicación y computación de acuerdo al costo relativo.
AgReacApliDist : Ana Laureano /
UAM-A
Por qué utilizar IAD
Los problemas complejos están físicamente distribuidos
El conocimiento del problema esta distribuido y es
funcionalmente heterogéneo; 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 solución se basa en vistas
locales que permiten rapidez (control de tráfico aéreo)
AgReacApliDist : Ana Laureano /
UAM-A
Vista Local
El diseño 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 dinámicos. En los
contextos de los sistemas MultiAgente
debido a la distribución inherente, se
asume que el razonamiento es siempre
local; permitiendo aparecer y desaparecer
a los agentes durante la ejecución.
AgReacApliDist : Ana Laureano /
UAM-A
Un sistema MultiAgente
Es aquel que contiene dos o más agentes.
Debido a que los objetivos no pueden existir sin
ser generados por un agente autónomo, es
imposible para los agentes existir sin autonomía
y así decimos que un sistema es considerado
como MultiAgente si cuenta con:
Dos o más agentes
Al menos un agente es autónomo
Al menos existe una relación entre estos dos
agentes; donde uno satisface los objetivos del otro
AgReacApliDist : Ana Laureano /
UAM-A
Agentes reactivos …
El diseño de esas arquitecturas esta influenciada por el la teoría de la psicología del comportamiento.
Brooks, Chapman and Agree, Kelabling, Maes, Ferber, Arkin
Esta clase de agentes también es conocida como: Basdos en el comportamiento
Ubicados (inmersos)
reactivos
AgReacApliDist : Ana Laureano /
UAM-A
La dinámica de la selección-acción para este
tipo de sistemas emerge con base en dos
aspectos básicos:
Las condiciones del entorno
Objetivos internos de cada agente
Sus principales características son:
Interacción dinámica con el entorno
Mecanismos internos que permiten trabajar con
recursos limitados e información incompleta
AgReacApliDist : Ana Laureano /
UAM-A
El diseño de estas arquitecturas reactivas
esta guiado parcialmente por la hipótesis
de Simon:
La complejidad del comportamiento de un
agente, puede ser reflejo de la complejidad
del entorno, más 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
percepción acción (essence of intelligence)
Una vez que la esencia del ser y la reacción están
disponibles, la solución a probelmas como:
comportamiento, lenguaje, concimiento experto y
su aplicación, y razonamiento, se vuelve simple.
AgReacApliDist : Ana Laureano /
UAM-A
Funcionalidad Vs.
Comportamiento Desde una perspectiva funcional, la IA clásica
ve a un sistema inteligente como un conjunto independiente de procesadores de información.
La arquitectura incluida (subsumption) proporciona una descomposición orientada a la actividad; de esta forma un conjunto de actividades (comportamientos) puede ser identificado.
Los comportamientos trabajan en paralelo, y están conectados al mundo real a través de percepciones y acciones.
AgReacApliDist : Ana Laureano /
UAM-A
Fundamentan su conducta en …
El mundo real (Brooks, 1991) y aquí se hace un contraste entre los sistemas físicos de símbolos y los sistemas fundamentados en el mundo real
En este caso el sistema, tiene el comportamiento dividido en varios módulos que interactúan 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 raíz de la intensa interacción del sistema con el entorno dinámico. La especificación 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 dinámico. El entorno no es el único factor que se toma en cuneta para el diseño, pero sus características dinámicas son las que disparan el funcionamiento del sistema.
AgReacApliDist : Ana Laureano /
UAM-A
Ejemplos de esta escuela son …
Modelos Biológicos:
Algoritmos genéticos
Redes neuronales
Otros modelos bottom-up están inspirados
en:
Teoría de control (Beer)
Análisis de sistema dinámicos
AgReacApliDist : Ana Laureano /
UAM-A
Sin embargo una conclusión es que el análisis y diseño
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/)