Title: eco@fe.up.pt
1Inteligência Artificial Uma perspectiva
heterodoxa Eugénio Oliveira
eco_at_fe.up.pt httpwww.fe.up.pt/eol/MEMBERS/eco.ht
ml
2FCUP
LIACC - Laboratório de Inteligência Artificial e
Ciências da Computação da Universidade do
Porto NIADR Núcleo de Inteligência
Artificial Distribuída Robótica (4D 17
Inv)
LIACC
FEUP
NIADR
FEP
U P
3ÍNDICE DA APRESENTAÇÃO
O que é a Inteligência Artificial
4- 4 Agent-based System for EC
- MAS architecture suitable for
- B2C Business to Consumer
- Agent Tactics and Strategies for Negotiation
- Different negotiation tactics (time,
opponents-dependent) - Adaptive to the market dynamics (Q learning)
- Multi-issue negotiation
- Developed Prototypes SMACE (MAS for EC)
5Sistemas que pensam como os Humanos
Sistemas que pensam Racionalmente
Sistemas que agem Racionalmente
Sistemas que agem como os Humanos
6- INTELIGÊNCIA ARTIFICIAL
- Como tornar Sistemas Computacionais mais
inteligentes e mais úteis usando a
racionalidade? - SE existem processos simbólicos identificáveis
na base do raciocínio - ENTÃO tais processos podem ser estudados e
simulados, sendo o Hardware - pessoa ou
computador- um DETALHE de Implementação...
7- Anos 60 Sistemas Genéricos (GPS, LN)
- Anos 70-80 Sistemas Específicos (SP)
- Anos 80 Paralelismo, Formalismos, Integração
(RN,Ag)
- Anos 90 Sociedades Sistemas Autónomos
- Anos 2000 Psicologia e Inteligência
8(No Transcript)
9- Anos 60-70 O Romantismo
- GPS
- Comprensão da Linguagem Natural
- Interfaces
- Tradução Automática
- Criação de Texto
10Racionalidade das Linguagens Naturais
11JAVA
LISP
PROLOG
12Linguagem Natural Computacional
Análise Lexical e Morfológica Análise
Sintática Análise Semântica Análise da
Pragmática
Qual é a Universidade a que pertencem os alunos
que assistem à palestra ? E em que cidade fica?
Qual é a palestra a que pertencem os alunos que
assistem à Universidade ? Erro Semântico
Quantos são as jogos do europeu de
futebol? Erro de concordância
13- Sistemas Periciais (Expert Systems)
- Conhecimento e Dedução
- Memória Associativa operacionalização baseada em
regras
- Incerteza e Incompletitude
- Probabilidades Objectivas e Probabilidades
Subjectivas - Lógicas Difusas
- Aplicações Diagnóstico Médico
14- Exemplo de Regra na Base de Conhecimento
SE o grupo predominante regular existe e é tipo
A E frequência cardíaca maior que 100 E grupo
predominante de ondas p homogéneas
existe E polaridade da onda p na derivação avr é
negativa OU polaridade da onda p na derivação d2
é positiva E a razão entre as ondas p e r é
11 E a linha de base existe ENTÃO diagnóstico é
taquicardia sinusal ou auricular
15- Arquitectura de Sistema Pericial
Explicações
Aquisição do Conhecimento
Motôr de Inferência Raciocínio Incerto
Interface Utilizador / Especialista
16Conhecimento Vs Ilusão
Inteligência e Conhecimento à priori
17- Anos 80 Paralelismo, Formalismos, Integração
- Lógicas e Formalismos
- Modais
- Não Monótona
- Redes Neuronais Computacionais
- Aprendizagem Vs Adaptação
- Indução e Reforço
18- Algoritmos das Redes Neuronais Artificiais
permitem através da - Aprendizagem das conexões entre nodos ganhar
capacidade Adaptativa e - de Generalização
19As Técnicas Conexionistas são prometedoras na
resolução de problemas para os quais as
aproximações algorítmicas tradicionais se
revelam ineficazes e inoperantes. Por exemplo
- Reconhecimento de Formas
- Classificação e tratamento do sinal
- Comando reactivo de Robôs
- Previsões baseados na análise de um historial
O resultado da aproximação Conexionista pode ser
vista como a Aprendizagem de um processo de
classificação de uma população de casos
existentes.
20(No Transcript)
21(No Transcript)
22(No Transcript)
23APRENDIZAGEM SUPERVISIONADA A Rede produz a sua
própria resposta a uma configuração que lhe é
apresentada à entrada, após o que o supervisor
apresenta a resposta correcta.
Se as duas respostas são idênticas, não há
necessidade de modificar os pesos das
conexões. Caso contrário, a diferença entre os
dois valores é utilizada para modificar o peso
das conexões existentes na Rede. Este método é
também denominado aprendizagem com um supervisor
24APRENDIZAGEM SUPERVISIONADA A Rede produz a
sua própria resposta a uma configuração que lhe é
apresentada à entrada, após o que o supervisor
apresenta a resposta correcta.
25- Previsões
- Reconhecimentos
- Controlo robótico
nº ligações independentes lt nº saídasnº exemplos
aprendizagem
263. APRENDIZAGEM DA REDE
Na Aprendizagem da Rede Neuronal Computacional,
os pesos das conexões são modificados para
realizar, da melhor forma possível, a relação
entrada-saída desejada. Analogia com a
aprendizagem pelas modificações dos contactos
sinápticos
27APRENDIZAGEM POR REFORÇO (por Recompensa) São
atribuídas recompensas/punições de acordo com o
facto de a saída ser apropriada ou não
Aprendizagem com um crítico
283.3 APRENDIZAGEM NÃO SUPERVISIONADA O algoritmo
extrai alguma estruturação (associação) inerente
às próprias amostras de entrada. Este método é
também denominado aprendizagem sem
supervisor Aprendizagem Competitiva Conceptual
Clustering
29Algoritmos para a Evolução (Evolutionary
Programming)
30O que é bom para a Natureza é bom para os
Sistemas Artificiais
- Computação Evolucionária
- Porquê?
- A Natureza permite a Evolução bem sucedida de
- organismos através de selecção e reprodução com
- alguma mutação
- Computação Evolucionária (Friedberg, 1958
JHolland, 1975) - Quando?
- Espaço de Pesquisa grande e complexo
- Facilidade de implementação paralela
- Não necessidade de solução óptima (mas boa)
- Exemplo optimizar uma função f(x1,,x100)
sendo f - muito complexa.
- se xi0 ou xi1, Espaço de pesquisa 2100 1030
- Pesquisa exaustiva fora de questão
31(No Transcript)
32Questões Como representar os Indivíduos? Como
Seleccionar os Indivíduos? Qual a Função de
Adaptação? Como se reproduzem os Indivíduos?
33Qual a Função de Adaptação? Depende do
problema Recebe um Indivíduo e dá como resultado
um Real
Por ex Pode representar o número de exemplos com
os quais um indivíduo é consistente
(homogeneização)
34ex Treinar o disparo controlado por um AG sobre
um alvo móvel. Depende de variáveis como vento,
velocidade do alvo, distância, tipo de
arma.... Função de Adaptação a distância a que
o projéctil ficou do alvo É um exemplo de
problema em que os AGs são bem aplicados
35Como representar os Indivíduos? Indivíduos
representados como cadeias de caracteres
(strings) sobre um alfabeto. Indivíduos são
representados pelos Genomas ou Cromossomas.
- Nº de Genes depende do Nº de Atributos a
representar - Se a Representação dos indivíduos é binária temos
Algoritmos Genéticos - A0,1 0 e 1 são os alelos
36Qual a Função de Adaptação
Como se reproduzem os Indivíduos/Cromossomas?
por Cruzamento e Mutação
37(No Transcript)
38- Selecção
- Estratégia incluindo aleatoriedade.
- Probabilidade da selecção proporcional à
- Adaptabilidade observada.
-
- Se indivíduo x é 2 vezes melhor que y, terá o
dobro - das probabilidades de ser seleccionado para
reprodução
- fa(Ci) dá a adaptação do Cromossoma Ci e
- Si1aN fa(Ci) a soma das adaptações de toda a
população - Probabilidade de Ci ser seleccionado é fa(Ci) /
Si1aN fa(Ci)
39- Como se reproduzem os Indivíduos/Cromossomas?
- por Cruzamento e Mutação.
- Indivíduos seleccionados com probabilidade Ps
são emparelhados aleatoriamente.
- Para cada par, com uma dada probabilidade Pcr,
um ponto de cruzamento (crossover) é escolhido,
(estratégia b_uX). - Um GENE também pode sofrer Mutação para um valor
- diferente, mas com uma pequena probabilidade Pm
40Probabilidade de selecção
População inicial gerada aleatoriamente
41Como operam os Algoritmos Genéticos? Exemplo de
problema Max f(x1, x2) 21.5 x1sin(4px1)
x2sin(20px2) Onde 3.0 x1 12.1 and 4.1
x2 5.8.
Valor da função
42- Anos 90 Distribuição e Sociedades
- Durkheim Vs Turing
- Conectividade
43- INTELIGÊNCIA ARTIFICIAL DISTRIBUÍDA
- Estudo das leis sociais e implementação de
Sistemas Multi- - Agente Cooperantes, que permitam a resolução de
problemas - complexos e Distribuídos (espaço ,
competências,...)
44- SISTEMAS PERICIAIS COOPERATIVOS
- GESTÃO DE REDES ELÉCTRICAS
- INTEGRAÇÃO DE INFORMAÇÃO EM HOSPITAIS
- SIMULAÇÃO DAS ORGANIZAÇÕES NO MERCAD0
45Aplicação real
46Objetivo Global
Aplicação Monitorar e gerir grandes Redes
Eléctricas
Como evitar o APAGÃO?
Objetivo local
Objetivo local
Objetivo local
Objetivo local
Sistema Específico
Sistema Específico
Sistema Específico
Sistema Específico
47 ARCHON System
- 1 Architecture for Cooperative Agents
- New Agents
- Architecture
- AAMSMBB
- Book ARCHON
- Ed. Thies Wittig
- Ellis Horwood, 1992
48 Airport Location?
- Multiplos Agentes com Especialidades diversas
- Suporte da Decisão e Manutenção da Coerência
Global/local
49- Mercado Electrónico como SMA
agente V2
agente C1
agenteV3
Mercado
agente C2
agente V4
agente V1
50Tácticas dependentes da situação Dependendo de
factores em tempo de execução Nº de
oponentes Tácticas dependentes do
Comportamento Dependendo do Comportamento dos
oponentes
51Lançamento de Agentes no ME (B2C)
52Instituição Electrónica
- Negociação Automática em B2B
53Garage
Storehouse
Machinery
Personnel
Stocks manager
Workers
Facilitator
Machinery
Planning
Experts
Edification Garage Storehouse Planning Personnel I
nterconnecting network
Edification
54Inter-coalitions protocol
55Agents activity cost calculation
- Five components
- Owning cost
- Operation cost
- Operator cost
- Displacement (if necessary)
- Profits
Fixed costs
Variable costs
56- 5 Agent-based Robotics co-ordination
- Autonomous Robot (Robuter) agent-based Navigation
Control
57FC Portugal project
Simulation League World Champions in 2000,
Australia
Luis Paulo Reis, Nuno Lau
58- AGENTES
- Agentes que usam funções de utilidade são mais
racionais
- CARACTERÍSTICAS dos AGENTES (BDI)
- Autonomia
- Pró-actividade
- Persistência
- Mobilidade
- Intencionalidade
- Crenças-Desejos-Intenções
59ARQUITECTURA DE AGENTES BDI
60- Conceitos baseados em Emoções tem papeis diversos
- nos Sistemas Computacionais
- Reconhecimento da Emoção Humana
- poderá um C vir a reconhecer emoções melhor que
os H?
- Expressão de comportamentos semelhantes aos
emotivos - Personagens sintéticas Robôs
- Modelação e Simulação do Comportamento Humano
- Efeitos computacionais semelhantes a
comportamentos Humanos
61surpreso
irado
triste
Kismet - MIT
calmo
feliz
62- - Damásio O Erro de Descartes
- Daniel Goleman Inteligência Emocional Porquê
pode ser mais importante que o QI? - Rosalind Picard Affective Computing
Damásio baseado em dois exemplos Phileas Gage
(1884) e Elliot (seu paciente) Acidentes na
zona do lobo frontal esquerdo ?Alteração de
personalidade e perda de certas emoções
P1- Destruição no lobo frontal esquerdo altera
capacidades emocionais P2- Destruição no lobo
frontal esquerdo altera inteligência C- Emoções
são necessárias à Inteligência
63P1- Bateria descarregada impede funcionamento da
Buzina P2- Bateria desligada impede arranque do
carro C- Buzina a funcionar é essencial ao
arranque do carro
Mecanismo M pode ser condição necessária para A e
B mas não mostra que A e B são necessárias uma à
outra.
Mas se C não ressalta de P1 e P2 não significa
que C Não seja verdadeira. Pode ser!
64A arquitectura para o pensamento humano segundo
A.Sloman
Complexidade do raciocínio pode torná-lo
perigosamente lento. Alarmes Muitas emoções
podem estar baseadas no sistema de alarmes
Alguns estados emocionais são úteis para a
decisão quando falta informação ou o
processamento fica lento
65Camada Deliberativa
Camada Controlo-básico
Esqueleto-Agente
66Para um Objetivo de G(t), existe uma EEF,
capaz de produzir uma mudança ?Em, no Estado
Emocional do Agente Em ?Em EEF(g i(t),
G(t), E(t), I(t))
67Estratégias de Processamento
Aprender Julgar...
68- Modelo da interacção dos conceitos relacionados
com as Estratégias de - Processamento de Informação
- Emoção como Informação
- Controlo dos Processos
- Atribuição de Recursos
69- 3 Mecanismos Emocionais
- Medo
- Perigos Imediatos (fogo, temperatura)
- Objectivo Fundamental em Risco
- Ansiedade
- Perigos e dificuldades futuras (preparação...)
- Episódios sucessivos de Medo (má adaptação...)
- Auto-Confiança
- Sucesso nos Objectivos de Alto nível
70Medo
- Objectivo Fundamental em Risco
- Concentrar o máximo de recursos na execução desse
objetivo e dos objectivos dependentes - aumentar atenção sobre as proximidades
- cautelosa/pessimista Atitude (distâncias/cálculo
de riscos/limites) - Não desperdiçar tempo de processamento com coisas
menos urgentes (analisar/prever desenvolvimentos
distantes) - Não implica Reactividade (ex fugir!)
71Medo
72Ansiedade
- Eventual dificuldade futura
- Ex. frente de fogo ampla embora localmente não
haja perigo imediato - aumentar atenção sobre as proximidades mas também
tentar acompanhar desenvolvimentos mais distantes - Atitude cautelosa
- Grande gasto de CPU
- grande produção de Crenças para a eventual tomada
de decisão (alteração estratégica local ou
global) - planeamentos mais cuidado
- calculo de progressões frequente
73Auto-Confiança
- Sucesso nos objectivos de alto nível
- Relaxar o processamento e condições em torno
dos objectivos imediatos - Direccionar CPU para actividades menos urgentes
mas possivelmente úteis - Atitude mais positiva/arriscada (descobrir novas
oportunidades adaptação) (Combate ao fogo
próximo) - No caso de Insucesso (decréscimo de AC)
- Motivar uma alteração de estratégias
(reposicionamento ou mesmo desistência)
74(No Transcript)
75- PyroSim
- Estado do Agente inclui parâmetros
- Energia física
- Localização, direcção do movimento inclinação
- Velocidade e Aceleração
- Temperatura da pele
- (intensidade do jato de água)
- Mapas visuais, entidades percebidas
- Visualizador
- geometria do terreno
- posição da vegetação
- posição e acção dos Agentes
- posição e intensidade dos focos de incêndio
76Limiares de Temperatura (reconfiguráveis) e
Tomada de Decisão
77SMA para controlo de tráfego adaptativo
78Processo de troca de conselhos
1. Observa Estado
Ambiente
Aconselhado
Conceitos Auto-confiança Desempenho Trust Estad
o Actores Aconselhado Conselheiro Outros Agentes
Conselheiro
79CONCLUSÕES ?
- A queda dos MITOS aconselha prudência
- As REALIZAÇÕES indiciam optimismo
- Os OBJETIVOS tendenciais imitativos revelam atrazo
- Os MEIOS são pré-históricos
- O Desenvolvimento é exponêncial
80(No Transcript)
81(No Transcript)
82FIM