Università di Bergamo Facoltà di Ingegneria. Intelligenza Artificiale. Paolo Salvaneschi A3_1 V1.3. Agenti

Transcript

1 Università di Bergamo Facoltà di Ingegneria Intelligenza Artificiale Paolo Salvaneschi A3_1 V1.3 Agenti Il contenuto del documento è liberamente utilizzabile dagli studenti, per studio personale e per supporto a lezioni universitarie. Ogni altro uso è riservato, e deve essere preventivamente autorizzato dall autore. Sono graditi commenti o suggerimenti per il miglioramento del materiale Nota: è utilizzato in parte il materiale didattico associato al testo di Stuart J. Russell, Peter Norvig A3 Agenti Paolo Salvaneschi 1

2 INDICE Una visione unificante Agenti intelligenti Tipi di agenti A3 Agenti Paolo Salvaneschi 2 A3 Agenti Paolo Salvaneschi 2

3 Una visione unificante Grande varietà di sottoaree Ricerca automatica Rappresentazione della conoscenza Ragionamento automatico Sistemi esperti Elaborazione del linguaggio naturale Pianificazione Robotica Apprendimento automatico A3 Agenti Paolo Salvaneschi 3 A3 Agenti Paolo Salvaneschi 3

4 Una visione unificante Una visione unificante Perché? Frammentazione storica delle ricerche in AI in settori diversi Separazione rispetto ad altre discipline Agenti A3 Agenti Paolo Salvaneschi 4 A3 Agenti Paolo Salvaneschi 4

5 Agenti intelligenti Agente Entità che interagisce con l ambiente Attraverso sensori (percezione) e attuatori (azione) Umano, robot, programma, sistema di controllo industriale, Funzione dell agente Specifica l azione che l agente intraprende per ogni sequenza di percezioni A3 Agenti Paolo Salvaneschi 5 A3 Agenti Paolo Salvaneschi 5

6 Agenti intelligenti Misura della prestazione Valuta il comportamento di un agente nell ambiente Es. Tempo richiesto per risolvere un problema complesso di configurazione di un apparato Correttezza della soluzione Minimizzazione del costo dell apparato configurato A3 Agenti Paolo Salvaneschi 6 A3 Agenti Paolo Salvaneschi 6

7 Agenti intelligenti Misura della prestazione Valuta il comportamento di un agente nell ambiente Problema non banale Es.prestazione di un agente automatico di interpretazione dati per la migliorare la sicurezza di strutture o impianti industriali. Cosa è la sicurezza, evoluzione storica del concetto di sicurezza, sicurezza e economia, Riduzione degli interventi dovuti a fasi allarmi: valutazione economica misurabile Miglioramento della sicurezza della strutture monitorata (riduzione del rischio): valutazione economica? misurabile? A3 Agenti Paolo Salvaneschi 7 A3 Agenti Paolo Salvaneschi 7

8 Agenti intelligenti Agente razionale Sceglie l azione che massimizza il valore desiderato della prestazione In un definito contesto Date le percezioni che acquisisce Data la conoscenza che possiede Date le azioni che può eseguire (conoscenza incompleta, percezione incompleta, percezione incerta, ) A3 Agenti Paolo Salvaneschi 8 A3 Agenti Paolo Salvaneschi 8

9 Agenti intelligenti Autonomia di un agente Grado di indipendenza rispetto alla conoscenza cablata nell agente al momento del progetto Apprendimento A3 Agenti Paolo Salvaneschi 9 A3 Agenti Paolo Salvaneschi 9

10 Agenti intelligenti Progettare un agente => definire: L ambiente I sensori Gli attuatori La funzione dell agente La misura di prestazione A3 Agenti Paolo Salvaneschi 10 A3 Agenti Paolo Salvaneschi 10

11 Agenti intelligenti Il tipo di ambiente determina in modo fondamentale il progetto dell agente L ambiente Completamente osservabile / parzialmente osservabile Deterministico / stocastico Episodico / sequenziale Statico / dinamico Discreto / continuo Agente singolo / più agenti A3 Agenti Paolo Salvaneschi 11 A3 Agenti Paolo Salvaneschi 11

12 Agenti intelligenti Completamente osservabile / parzialmente osservabile Un ambiente è completamente osservabile se i sensori acquisiscono tutti gli aspetti che sono significativi per la scelta delle azioni Parzialmente osservabile Incompletezza dell informazione (Es.la struttura monitorata è strumentata solo con un insieme limitato di sensori per ragioni di costo) Incertezza dell informazione (Es. la misura acquisita fornisce una stima sulle caratteristiche del materiale che compone la struttura) Trattare incertezza e incompletezza A3 Agenti Paolo Salvaneschi 12 A3 Agenti Paolo Salvaneschi 12

13 Agenti intelligenti Deterministico / stocastico Deterministico: lo stato successivo dell ambiente è completamente determinato dallo stato attuale e dall azione dell agente Nota: se l ambiente è parzialmente osservabile, può apparire come stocastico E utile pensare l ambiente non come è ma dal punto di vista dell agente Trattare incertezza e incompletezza A3 Agenti Paolo Salvaneschi 13 A3 Agenti Paolo Salvaneschi 13

14 Agenti intelligenti Episodico / sequenziale Episodico: l attività dell agente è suddivisa in episodi ognuno dei quali è indipendente dagli altri (non influenzato da azioni prese in episodi precedenti). Es: classificazione Sequenziale: l azione attuale può influenzare le decisioni future. Es. gioco degli scacchi Es. sistema di interpretazione: un allarme grave è generato in funzione della persistenza di situazioni di allarme (decisioni prese precedentemente) Tenere conto degli effetti futuri/passati dell azione A3 Agenti Paolo Salvaneschi 14 A3 Agenti Paolo Salvaneschi 14

15 Agenti intelligenti Statico / dinamico Statico: l ambiente non cambia; non ci si deve preoccupare del passare del tempo Dinamico: l ambiente cambia mentre l agente decide. (non decidere in tempo vuol dire decidere) Semidinamico: l ambiente non cambia; la valutazione della prestazione cambia con il passare del tempo (es. gioco degli scacchi con l orologio) Gestire il tempo A3 Agenti Paolo Salvaneschi 15 A3 Agenti Paolo Salvaneschi 15

16 Agenti intelligenti Discreto / continuo Discreto /continuo applicato a Stato dell ambiente Trattamento del tempo Percezioni Azioni Es. Discreto: configurazione di un apparato Continuo: guida automatica di un veicolo Gestire processi continui A3 Agenti Paolo Salvaneschi 16 A3 Agenti Paolo Salvaneschi 16

17 Agenti intelligenti Agente singolo / più agenti Le prestazioni di un agente dipendono dalle prestazioni di un altro o più agenti Ambienti competitivi, parzialmente cooperativi, cooperativi Comunicazione tra agenti Gestire comunicazione, cooperazione, conflitto A3 Agenti Paolo Salvaneschi 17 A3 Agenti Paolo Salvaneschi 17

18 Agenti intelligenti In generale la realtà è parzialmente osservabile, stocastica, sequenziale, dinamica, continua, multiagente Esempi Nota: strategico deterministico eccetto che per l azione di altri agenti A3 Agenti Paolo Salvaneschi 18 A3 Agenti Paolo Salvaneschi 18

19 Un agente basato su una tabella possibili percezioni-azioni conseguenti A3 Agenti Paolo Salvaneschi 19 A3 Agenti Paolo Salvaneschi 19

20 Dimensioni della tabella: Taxi automatico (guida per 1 ora; ~ 27 Mbytes/sec; telecamera 30 frames/sec 640x480 pixel, 24 bit/pixel): Tavola di elementi Scacchi: Tavola di elementi Numero di atomi nell universo osservabile A3 Agenti Paolo Salvaneschi 20 A3 Agenti Paolo Salvaneschi 20

21 Tipi di agenti Simple reflex Model based reflex Model based Goal-based Model based Utility-based Ogni tipo può essere anche un learning agent A3 Agenti Paolo Salvaneschi 21 A3 Agenti Paolo Salvaneschi 21

22 Simple reflex agents Agisce sulla base di un insieme di regole condizioneazione Ignora la storia delle percezioni Acquisisce ed interpreta la percezione Sceglie una regola applicabile La applica producendo l azione Regole CONDIZIONE-AZIONE SE l auto che precede frena ALLORA inizia a frenare A3 Agenti Paolo Salvaneschi 22 A3 Agenti Paolo Salvaneschi 22

23 Simple reflex agent A3 Agenti Paolo Salvaneschi 23 A3 Agenti Paolo Salvaneschi 23

24 A3 Agenti Paolo Salvaneschi 24 A3 Agenti Paolo Salvaneschi 24

25 Limiti La decisione è presa solo sulla base della percezione attuale Implica che l ambiente sia completamente osservabile A3 Agenti Paolo Salvaneschi 25 A3 Agenti Paolo Salvaneschi 25

26 Nota Non necessariamente un agente di questo tipo è privo di utilità Esempio: Regole euristiche che compilano conoscenza basata su modelli SE la situazione è. ALLORA si fa così.. A3 Agenti Paolo Salvaneschi 26 A3 Agenti Paolo Salvaneschi 26

27 Model-based reflex agent Possiede un modello interno relativo a come funziona la parte di mondo di interesse (può far fronte ad aspetti non osservati del mondo esterno) Tiene conto della storia delle percezioni Aggiorna lo stato del modello sulla base di conoscenze relative alle percezioni a come evolve il mondo a quali conseguenze hanno le proprie azioni A3 Agenti Paolo Salvaneschi 27 A3 Agenti Paolo Salvaneschi 27

28 Model-based reflex agent A3 Agenti Paolo Salvaneschi 28 A3 Agenti Paolo Salvaneschi 28

29 Nota: non è detto che l agente automatico copra tutto il processo Esempio Agente automatico:acquisizione dati, Interpretazione, Spiegazione, Suggerimento Agente umano: Decisione, Azione A3 Agenti Paolo Salvaneschi 29 A3 Agenti Paolo Salvaneschi 29

30 Aggiorna lo stato del modello sulla base di -La percezione -Come evolve il mondo (stato precedente) -Conseguenze delle proprie azioni A3 Agenti Paolo Salvaneschi 30 A3 Agenti Paolo Salvaneschi 30

31 Model based Goal-based agent Aggiunge la definizione dell obiettivo da raggiungere Determinare una sequenza di azioni che consenta di raggiungere l obiettivo: Search, Planning Implica considerazioni sul futuro (cosa succederà a seguito di una mia azione? Mi porterà più vicino all obiettivo?) Nota: un sistema di interpretazione automatico basato su modelli non necessita di un obiettivo da raggiungere. Un sistema che cerca la strada migliore da Milano a Parigi usando un modello della rete stradale si. A3 Agenti Paolo Salvaneschi 31 A3 Agenti Paolo Salvaneschi 31

32 Model-based Goal-based agent A3 Agenti Paolo Salvaneschi 32 A3 Agenti Paolo Salvaneschi 32

33 Model-based Utility-based agent Una definizione binaria di obiettivo: raggiunto / non raggiunto Una misura più generale di prestazione: associare a diversi stati del mondo diversi valori di felicità / utilità => funzione di utilità A3 Agenti Paolo Salvaneschi 33 A3 Agenti Paolo Salvaneschi 33

34 Situazioni interessanti (in cui un singolo goal on/off non è sufficiente): Ci sono obiettivi in conflitto. Bisogna raggiungere un compromesso Ci sono più obiettivi nessuno dei quali può essere raggiunto con certezza (ambiente osservabile con incertezza e incompletezza) Es. sistema di supporto alla progettazione (qualità vs costo) A3 Agenti Paolo Salvaneschi 34 A3 Agenti Paolo Salvaneschi 34

35 Model-based Utility-based agent A3 Agenti Paolo Salvaneschi 35 A3 Agenti Paolo Salvaneschi 35

36 Ogni tipo di agente può essere anche un learning agent Performance element: un agente di quelli prima considerati Critic: produce un feedback sui risultati ottenuti dall agente (rispetto a risultati desiderati) Learning element: utilizza il feedback per modificare l agente Problem generator: suggerisce i problemi da esplorare per estendere le capacità dell agente A3 Agenti Paolo Salvaneschi 36 A3 Agenti Paolo Salvaneschi 36

37 Learning agent A3 Agenti Paolo Salvaneschi 37 A3 Agenti Paolo Salvaneschi 37