Agentes Inteligentes Key Note 2007

57 %
43 %
Information about Agentes Inteligentes Key Note 2007

Published on October 13, 2007

Author: nopiedra

Source: slideshare.net

Description

Un agente es cualquier cosa capaz de percibir su medioambiente con la ayuda de sensores y actuar en ese medio utilizando actuadores.

Intelligent Agents Agentes Inteligentes Universidad Técnica Particular de Loja Advanced Technology Computing Group Nelson Piedra, Janneth Chicaiza, María Belén Mora C ATCG.UTPL bnla www.utpl.edu.ec Computer Science School - Intelligence Artifitial Fundamentals 2007 Course 1

Agentes y su entorno 2

entorno Agentes y su entorno actuadores sensores ? Un agente es cualquier cosa agente capaz de percibir su percepciones acciones medioambiente con la ayuda de sensores y actuar en ese medio utilizando actuadores. figura 1, agentes y su entorno 3

analogía... órganos miembros sensoriales para actuar ojos, oídos, AGENTE manos, piel, nariz, HUMANO piernas, boca sinestesia figura 1, agentes y su entorno entradas componentes sensoriales para actuar presentación tecleo, files, AGENTE monitor, envío paquetes ROBOT paquetes visitar: http://es.wikipedia.org/wiki/Sentido http://es.wikipedia.org/wiki/Sinestesia 4

hipótesis general: un agente puede percibir sus propias acciones, pero no siempre sus efectos 5

Un agente tomará una decisión en un momento dado dependiendo de la secuencia completa de percepciones hasta ese instante f (percepciones(acciones)) = comportamiento Entorno Acciones Comportamiento Función de percepciones 6

f de caracterización externa comportamiento percepción a percepción b percepción c percepción n acción a X X X acción b X X acción c X X acción n X X 7

Función y Programa de un Agente 8

Función y Programa de un Agente • La función de un agente es una descripción matemática abstracta. 8

Función y Programa de un Agente • La función de un agente es una descripción matemática abstracta. • El programa el agente es una implementación completa, que se ejecuta sobre la arquitectura del agente. 8

A B Aspiradora percibe el cuadrante en el que está y si hay o no suciedad. figura 2, el mundo de la aspiradora Elige entre moverse a la izquierda, derecha, aspirar la suciedad o no hacer nada figura 3, tabla parcial para el mundo de la aspiradora 9

A B Aspiradora percibe el cuadrante en el que está y si hay o no suciedad. figura 2, el mundo de la aspiradora Elige entre moverse a [A, limpio] Derecha la izquierda, derecha, aspirar la suciedad o no hacer nada figura 3, tabla parcial para el mundo de la aspiradora 9

A B Aspiradora percibe el cuadrante en el que está y si hay o no suciedad. figura 2, el mundo de la aspiradora Elige entre moverse a [A, limpio] Derecha la izquierda, derecha, aspirar la suciedad o [A, sucio] Aspirar no hacer nada figura 3, tabla parcial para el mundo de la aspiradora 9

A B Aspiradora percibe el cuadrante en el que está y si hay o no suciedad. figura 2, el mundo de la aspiradora Elige entre moverse a [A, limpio] Derecha la izquierda, derecha, aspirar la suciedad o [A, sucio] Aspirar no hacer nada [B, limpio] Izquierda figura 3, tabla parcial para el mundo de la aspiradora 9

A B Aspiradora percibe el cuadrante en el que está y si hay o no suciedad. figura 2, el mundo de la aspiradora Elige entre moverse a [A, limpio] Derecha la izquierda, derecha, aspirar la suciedad o [A, sucio] Aspirar no hacer nada [B, limpio] Izquierda [B, sucio] Aspirar figura 3, tabla parcial para el mundo de la aspiradora 9

A B Aspiradora percibe el cuadrante en el que está y si hay o no suciedad. figura 2, el mundo de la aspiradora Elige entre moverse a [A, limpio] Derecha la izquierda, derecha, aspirar la suciedad o [A, sucio] Aspirar no hacer nada [B, limpio] Izquierda [B, sucio] Aspirar [A, limpio], [A, limpio] Derecha figura 3, tabla parcial para el mundo de la aspiradora 9

A B Aspiradora percibe el cuadrante en el que está y si hay o no suciedad. figura 2, el mundo de la aspiradora Elige entre moverse a [A, limpio] Derecha la izquierda, derecha, aspirar la suciedad o [A, sucio] Aspirar no hacer nada [B, limpio] Izquierda [B, sucio] Aspirar [A, limpio], [A, limpio] Derecha [A, limpio], [A, sucio] Aspirar figura 3, tabla parcial para el mundo de la aspiradora 9

A B Aspiradora percibe el cuadrante en el que está y si hay o no suciedad. figura 2, el mundo de la aspiradora Elige entre moverse a [A, limpio] Derecha la izquierda, derecha, aspirar la suciedad o [A, sucio] Aspirar no hacer nada [B, limpio] Izquierda [B, sucio] Aspirar [A, limpio], [A, limpio] Derecha [A, limpio], [A, sucio] Aspirar [A, limpio], [A, limpio], [A, limpio] Derecha figura 3, tabla parcial para el mundo de la aspiradora 9

A B Aspiradora percibe el cuadrante en el que está y si hay o no suciedad. figura 2, el mundo de la aspiradora Elige entre moverse a [A, limpio] Derecha la izquierda, derecha, aspirar la suciedad o [A, sucio] Aspirar no hacer nada [B, limpio] Izquierda [B, sucio] Aspirar [A, limpio], [A, limpio] Derecha [A, limpio], [A, sucio] Aspirar [A, limpio], [A, limpio], [A, limpio] Derecha [A, limpio], [A, limpio], [A, sucio] Aspirar figura 3, tabla parcial para el mundo de la aspiradora 9

¿Qué hace que un agente sea bueno o malo, inteligente o estúpido? 10

Buen comportamiento: el concepto de racionalidad 11

Un agente racional es aquel que hace lo correcto. 12

Un agente racional es aquel que hace lo correcto. ¿Qué es hacer los correcto?: 12

Un agente racional es aquel que hace lo correcto. ¿Qué es hacer los correcto?: Es obtener el mejor resultado; por tanto es necesario medir el grado de éxito 12

Un agente racional es aquel que hace lo correcto. ¿Qué es hacer los correcto?: Es obtener el mejor resultado; por tanto es necesario medir el grado de éxito Las medidas de rendimiento incluyen los criterios que determinan el éxito en el comportamiento del agente. 12

Hay que contar con medidas de rendimiento objetivas. Se puede preguntar al agente por su opinión subjetiva acerca de su propia actuación, pero muchos agentes serían incapaces de contestar, y otros podrían engañarse a sí mismos. La selección de medidas de rendimiento no es siempre fácil. 13

¿Qué es mejor, una vida temeraria con altos y bajos, o una existencia segura pero aburrida? 14

¿Qué es mejor, una economía en la que todo el mundo es pobre o una en la que unos son pobres y otros ricos? 15

¿Cuál es la mejor forma de limpiar una casa: lento pero bien, o rápido y mediocre? 16

Racionalidad, depende de: 17

Racionalidad, depende de: Medida de Rendimiento que define criterio de éxito 17

Racionalidad, depende de: Medida de Rendimiento que define criterio de éxito Conocimiento del medio acumulado por el agente 17

Racionalidad, depende de: Medida de Rendimiento que define criterio de éxito Conocimiento del medio acumulado por el agente Secuencia de Percepciones del agente hasta ese moment 17

Racionalidad, depende de: Medida de Rendimiento que define criterio de éxito Conocimiento del medio acumulado por el Acciones que agente puede ejecutar el agente Secuencia de Percepciones del agente hasta ese moment 17

Agente racional, definición 18

Agente racional, definición • En cada posible secuencia de percepciones, un agente racional deberá emprender aquella acción que supuestamente maximice su medida de rendimiento, basándose en las evidencias aportadas por la secuencia de percepciones y en el conocimiento que el agente mantiene. 18

¿Se puede considerar agente racional el usado en el problema de la aspiradora? 19

20

Depende!! para que lo sea, se han de definir la medida de rendimiento, características del entorno, determinar los sensores y actuadores del agente 20

21

• La medida de rendimiento premia con un punto al agente por cada recuadro limpio en un periodo de tiempo concreto, a lo largo de una ciclo de 1000 periodos 21

• La medida de rendimiento premia con un punto al agente por cada recuadro limpio en un periodo de tiempo concreto, a lo largo de una ciclo de 1000 periodos • La geografía del medio se conoce a priori, pero la distribución de la suciedad y localización inicial del agente no se conocen. Las cuadrículas se mantienen limpias y aspirando se limpia la cuadrícula en que se encuentre el agente. 21

• La medida de rendimiento premia con un punto al agente por cada recuadro limpio en un periodo de tiempo concreto, a lo largo de una ciclo de 1000 periodos • La geografía del medio se conoce a priori, pero la distribución de la suciedad y localización inicial del agente no se conocen. Las cuadrículas se mantienen limpias y aspirando se limpia la cuadrícula en que se encuentre el agente. • Las acciones Izquierda y Derecha mueven al agente hacia la izquierda y derecha excepto en el caso de que ello pueda llevar al agente fuera del recinto, en este caso el agente permanece donde se encuentra. 21

• La medida de rendimiento premia con un punto al agente por cada recuadro limpio en un periodo de tiempo concreto, a lo largo de una ciclo de 1000 periodos • La geografía del medio se conoce a priori, pero la distribución de la suciedad y localización inicial del agente no se conocen. Las cuadrículas se mantienen limpias y aspirando se limpia la cuadrícula en que se encuentre el agente. • Las acciones Izquierda y Derecha mueven al agente hacia la izquierda y derecha excepto en el caso de que ello pueda llevar al agente fuera del recinto, en este caso el agente permanece donde se encuentra. • Las únicas acciones permitidas son Izquierda, Derecha, Aspirar y NoOperar 21

• La medida de rendimiento premia con un punto al agente por cada recuadro limpio en un periodo de tiempo concreto, a lo largo de una ciclo de 1000 periodos • La geografía del medio se conoce a priori, pero la distribución de la suciedad y localización inicial del agente no se conocen. Las cuadrículas se mantienen limpias y aspirando se limpia la cuadrícula en que se encuentre el agente. • Las acciones Izquierda y Derecha mueven al agente hacia la izquierda y derecha excepto en el caso de que ello pueda llevar al agente fuera del recinto, en este caso el agente permanece donde se encuentra. • Las únicas acciones permitidas son Izquierda, Derecha, Aspirar y NoOperar • El agente percibe correctamente su localización y si esta localización contiene suciedad 21

Ominisciencia, aprendizaje y autonomía 22

Ominisciencia, aprendizaje y autonomía • Racionalidad versus Omnisciencia 22

Ominisciencia, aprendizaje y autonomía • Racionalidad versus Omnisciencia • Un agente omnisciente conoce el resultado de su acción y actúa de acuerdo con él. 22

Ominisciencia, aprendizaje y autonomía • Racionalidad versus Omnisciencia • Un agente omnisciente conoce el resultado de su acción y actúa de acuerdo con él. • Según la definición propuesta, la racionalidad no requiere omnisciencia, ya que la elección racional depende sólo de la secuencia de percepción hasta la fecha. 22

Ominisciencia, aprendizaje y autonomía • Racionalidad versus Omnisciencia • Un agente omnisciente conoce el resultado de su acción y actúa de acuerdo con él. • Según la definición propuesta, la racionalidad no requiere omnisciencia, ya que la elección racional depende sólo de la secuencia de percepción hasta la fecha. • En realidad, la omnisciencia no es posible 22

un poco de cultura... 23

un poco de cultura... La discusión de la predestinación implica generalmente la consideración de si Dios es omnisciente, o eterno o atemporal (fuera del flujo del tiempo en nuestro universo). En términos de estas ideas, Dios puede VER el pasado, el presente y el futuro, para que Dios sepa efectivamente el futuro. 23

un poco de cultura... La discusión de la predestinación implica generalmente la consideración de si Dios es omnisciente, o eterno o atemporal (fuera del flujo del tiempo en nuestro universo). En términos de estas ideas, Dios puede VER el pasado, el presente y el futuro, para que Dios sepa efectivamente el futuro. Si Dios en algún sentido SABE tempranamente lo que sucederá, entonces los acontecimientos en el universo se predeterminan efectivamente del punto de vista de Dios. Esto en sí mismo no es predestinación (aunque implique el determinismo). La predestinación implica que Dios ha determinado el avance de lo que será el destino de las criaturas, no que esté simplemente enterado. 23

un poco de cultura... La discusión de la predestinación implica generalmente la consideración de si Dios es omnisciente, o eterno o atemporal (fuera del flujo del tiempo en nuestro universo). En términos de estas ideas, Dios puede VER el pasado, el presente y el futuro, para que Dios sepa efectivamente el futuro. Si Dios en algún sentido SABE tempranamente lo que sucederá, entonces los acontecimientos en el universo se predeterminan efectivamente del punto de vista de Dios. Esto en sí mismo no es predestinación (aunque implique el determinismo). La predestinación implica que Dios ha determinado el avance de lo que será el destino de las criaturas, no que esté simplemente enterado. http://es.wikipedia.org/wiki/Predestinaci%C3%B3n 23

24

Racionalidad NO es lo mismo que perfección. Racionalidad maximiza el rendimiento esperado, mientras la perfección maximiza el resultado ideal/real. 24

25

La perfección en agentes es costosa e imposible a estas alturas del partido. Preferir lo imperfecto posible a lo perfecto imposible. 25

26

La definición propuesta de racionalidad no requiere omnsciencia, ya que la elección racional depende sólo de la secuencia de perfección hasta la fecha. Es necesario asegurarse de no haber permitido, por descuido, que el agente se dedique decididamente a llevar a cabo acciones poco inteligentes. 26

Partes importantes de la racionalidad ¿Cómo llevar a cabo acciones con la intención de modificar percepciones futuras? 27

Partes importantes de la racionalidad ¿Cómo llevar a cabo Recopilación de Información acciones con la intención de modificar percepciones futuras? 27

Partes importantes de la racionalidad ¿Cómo llevar a cabo Recopilación de Información acciones con la intención de modificar percepciones futuras? Exploración 27

Partes importantes de la racionalidad ¿Cómo llevar a cabo Recopilación de Información acciones con la intención de modificar percepciones futuras? Exploración Aprendizaje sobre lo que se está percibiendo 27

Entorno & Aprendizaje ¿Es ¿Se un poco Actúa de forma necesario conoce el NO! correcta, es frágil Aprender? entorno? NO! SI! SI! No es Recopila necesario percibir y información y aprender aprende 28

La configuración inicial del agente puede reflejar un conocimiento preliminar del entorno, pero a medida que el gente adquiere experiencia éste puede modificarse y aumentar. Esto implica que el agente racional, además de recopilar información, aprenda lo máximo posible de lo que está percibiendo. 29

Los agentes de éxito dividen las tareas de calcular la función de agente en tres periodos diferentes Pensando en la siguiente Cuando Diseño operación se está del aprendiendo procesando de la agente cálculos experiencia Cálculos iniciales nuevos cálculos El Agente decide cómo comportarse 30

Autonomía y Evolución ¿Hay algo común? Si, ambos implican que se entreguen parámetros iniciales vitales y suficientes para que se pueda evolucionar/progresar. 31

Autonomía 32

Autonomía Entorno Se apoya más en el conocimiento inicial que le proporciona el diseñador Carece de autonomía 32

Autonomía Entorno Entorno Sabe aprender de sus Se apoya más en el percepciones, conocimiento inicial compensa el que le proporciona el conocimiento diseñador incompleto o parcial Agente racional autónomo Carece de autonomía 32

Autonomía en los agentes 33

Autonomía en los agentes • Un agente racional debe ser autónomo, debe saber aprender a determinar cómo tiene que compensar el conocimiento incompleto o parcial inicial. 33

Autonomía en los agentes • Un agente racional debe ser autónomo, debe saber aprender a determinar cómo tiene que compensar el conocimiento incompleto o parcial inicial. • Cuando el agente haya tenido poca o ninguna experiencia, tendrá que actuar de forma aleatoria a menos que el diseñador le haya proporcionado ayuda. 33

Autonomía en los agentes • Un agente racional debe ser autónomo, debe saber aprender a determinar cómo tiene que compensar el conocimiento incompleto o parcial inicial. • Cuando el agente haya tenido poca o ninguna experiencia, tendrá que actuar de forma aleatoria a menos que el diseñador le haya proporcionado ayuda. • Es razonable entregar a los agentes que disponen de inteligencia artificial un conocimiento inicial, así como la capacidad de aprendizaje. 33

Claves con respecto a la autonomía 34

Claves con respecto a la autonomía Después de las suficientes experiencias de interacción con el entorno, el comportamiento del agente racional será efectivamente independiente del conocimiento que poseía inicialmente. 34

La naturaleza del Entorno 35

36

Los entornos de trabajo, son esencialmente los problemas para los que los agentes racionales son las soluciones. 36

Entorno de Trabajo Rendimiento Sensores Entorno Actuadores 37

Piense en un Robot Conductor La tarea de conducir un automóvil, en su totalidad, es extremadamente ilimitada 38

Descripción REAS del entorno de trabajo de un taxista automático 39

Descripción REAS del entorno de trabajo de un taxista automático Tipo de agente Taxista 39

Descripción REAS del entorno de trabajo de un taxista automático Tipo de Medidas de agente rendimiento Seguro, rápido, legal, viaje Taxista confortable, maximización de beneficio 39

Descripción REAS del entorno de trabajo de un taxista automático Tipo de Medidas de Entorno agente rendimiento Seguro, rápido, legal, Carreteras, viaje otro tráfico, Taxista confortable, peatones, maximización clientes de beneficio 39

Descripción REAS del entorno de trabajo de un taxista automático Tipo de Medidas de Entorno Actuadores agente rendimiento Seguro, Dirección, rápido, legal, Carreteras, acelerador, viaje otro tráfico, Taxista freno, señal, confortable, peatones, bocina, maximización clientes visualizador de beneficio 39

Descripción REAS del entorno de trabajo de un taxista automático Tipo de Medidas de Entorno Actuadores Sensores agente rendimiento Cámaras, sonar, velocímetro, Seguro, Dirección, GPS, rápido, legal, Carreteras, acelerador, tacómetro, viaje otro tráfico, Taxista freno, señal, visualizador confortable, peatones, bocina, de la maximización clientes visualizador aceleración, de beneficio sensores de motor, teclado 39

Ejemplos de tipos de Agentes Tablas de descripción REAS: Rendimiento, Entorno, Actuadores, Sensores. 40

Ejemplo 1, Sistema de diagnóstico médico 41

Ejemplo 1, Sistema de diagnóstico médico Tipo de agente Sistema de diagnóstico médico 41

Ejemplo 1, Sistema de diagnóstico médico Tipo de Medidas de agente rendimiento Pacientes Sistema de sanos, reducir diagnóstico costes, médico demandas 41

Ejemplo 1, Sistema de diagnóstico médico Tipo de Medidas de Entorno agente rendimiento Pacientes Sistema de Pacientes, sanos, reducir diagnóstico hospital, costes, médico personal demandas 41

Ejemplo 1, Sistema de diagnóstico médico Tipo de Medidas de Entorno Actuadores agente rendimiento Visualizar Pacientes preguntas, Sistema de Pacientes, sanos, reducir pruebas, diagnóstico hospital, costes, diagnósticos, médico personal demandas tratamientos, casos 41

Ejemplo 1, Sistema de diagnóstico médico Tipo de Medidas de Entorno Actuadores Sensores agente rendimiento Visualizar Teclado para Pacientes preguntas, la entrada de Sistema de Pacientes, sanos, reducir pruebas, síntomas, diagnóstico hospital, costes, diagnósticos, conclusiones, médico personal demandas tratamientos, respuesta de casos pacientes 41

42

No es tan importante la distinción entre un medio real y artificial, sino la complejidad de la relación entre el comportamiento del agente, la secuencia de percepción generada por el medio y la medida de rendimiento 42

Ejemplo 2, Sistema de análisis de imágenes de satélites 43

Ejemplo 2, Sistema de análisis de imágenes de satélites Tipo de agente Sistema de análisis de imágenes de satélites 43

Ejemplo 2, Sistema de análisis de imágenes de satélites Tipo de Medidas de agente rendimiento Sistema de Categorización análisis de de imagen imágenes de correcta satélites 43

Ejemplo 2, Sistema de análisis de imágenes de satélites Tipo de Medidas de Entorno agente rendimiento Sistema de Conexión Categorización análisis de con el de imagen imágenes de satélite en correcta satélites órbita 43

Ejemplo 2, Sistema de análisis de imágenes de satélites Tipo de Medidas de Entorno Actuadores agente rendimiento Sistema de Conexión Categorización Visualizar la análisis de con el de imagen categorización imágenes de satélite en correcta de una escena satélites órbita 43

Ejemplo 2, Sistema de análisis de imágenes de satélites Tipo de Medidas de Entorno Actuadores Sensores agente rendimiento Sistema de Conexión Categorización Visualizar la Matriz de análisis de con el de imagen categorización pixeles de imágenes de satélite en correcta de una escena colores satélites órbita 43

Ejemplo 3, Robot para la selección de componentes 44

Ejemplo 3, Robot para la selección de componentes Tipo de agente Robot para la selección de componentes 44

Ejemplo 3, Robot para la selección de componentes Tipo de Medidas de agente rendimiento Porcentaje de Robot para la componentes selección de clasificados en componentes los cubos correctos 44

Ejemplo 3, Robot para la selección de componentes Tipo de Medidas de Entorno agente rendimiento Porcentaje de Cinta Robot para la componentes transportador selección de clasificados en a con componentes los cubos componentes correctos cubos 44

Ejemplo 3, Robot para la selección de componentes Tipo de Medidas de Entorno Actuadores agente rendimiento Porcentaje de Cinta Robot para la componentes transportador Brazo y mano selección de clasificados en a con articulados componentes los cubos componentes correctos cubos 44

Ejemplo 3, Robot para la selección de componentes Tipo de Medidas de Entorno Actuadores Sensores agente rendimiento Porcentaje de Cinta Robot para la componentes transportador Cámara, Brazo y mano selección de clasificados en a con sensor articulados componentes los cubos componentes angular correctos cubos 44

Ejemplo 4, Controlador de una refinería 45

Ejemplo 4, Controlador de una refinería Tipo de agente Controlador de una refinería 45

Ejemplo 4, Controlador de una refinería Tipo de Medidas de agente rendimiento Maximizar la Controlador pureza, de una producción y refinería seguridad 45

Ejemplo 4, Controlador de una refinería Tipo de Medidas de Entorno agente rendimiento Maximizar la Controlador pureza, Refinería, de una producción y operadores refinería seguridad 45

Ejemplo 4, Controlador de una refinería Tipo de Medidas de Entorno Actuadores agente rendimiento Maximizar la Válvulas, Controlador pureza, Refinería, bombas, de una producción y operadores calentadores, refinería seguridad monitores 45

Ejemplo 4, Controlador de una refinería Tipo de Medidas de Entorno Actuadores Sensores agente rendimiento Maximizar la Válvulas, Temperatura, Controlador pureza, Refinería, bombas, presión, de una producción y operadores calentadores, sensores refinería seguridad monitores químicos 45

Ejemplo 5, Tutor de inglés interactivo 46

Ejemplo 5, Tutor de inglés interactivo Tipo de agente Tutor de inglés interactivo 46

Ejemplo 5, Tutor de inglés interactivo Tipo de Medidas de agente rendimiento Maximizar la Tutor de puntuación de inglés los interactivo estudiantes en los exámenes 46

Ejemplo 5, Tutor de inglés interactivo Tipo de Medidas de Entorno agente rendimiento Maximizar la Conjunto de Tutor de puntuación de estudiantes, inglés los agencia interactivo estudiantes en examinadora los exámenes 46

Ejemplo 5, Tutor de inglés interactivo Tipo de Medidas de Entorno Actuadores agente rendimiento Maximizar la Conjunto de Visualizar los Tutor de puntuación de estudiantes, ejercicios, inglés los agencia sugerencias, interactivo estudiantes en examinadora correcciones los exámenes 46

Ejemplo 5, Tutor de inglés interactivo Tipo de Medidas de Entorno Actuadores Sensores agente rendimiento Maximizar la Conjunto de Visualizar los Tutor de puntuación de estudiantes, ejercicios, Teclado de inglés los agencia sugerencias, entrada interactivo estudiantes en examinadora correcciones los exámenes 46

Welcome to Softbots, the homepage for research in intelligent software agents for the Internet at the University of Washington's Department of Computer Science and Engineering http://www.cs.washington.edu/research/projects/WebWare1/www/softbots/softbots.html http://www.links2go.com/LinksSearch?q=Agents http://www.youtube.com/user/therobotchannel Softbots: 1. Piense en un piloto automático de vuelo 2. Robot buscador de links relevantes en la web dotados de procesamiento de lenguaje natural 47

Propiedades de los entornos de trabajo 48

Propiedades de los entornos de trabajo • Totalmente observable vs parcialmente observable 48

Propiedades de los entornos de trabajo • Totalmente observable vs parcialmente observable • Determinista vs estocástico 48

Propiedades de los entornos de trabajo • Totalmente observable vs parcialmente observable • Determinista vs estocástico • Episódico vs secuencial 48

Propiedades de los entornos de trabajo • Totalmente observable vs parcialmente observable • Determinista vs estocástico • Episódico vs secuencial • Estático vs dinámico 48

Propiedades de los entornos de trabajo • Totalmente observable vs parcialmente observable • Determinista vs estocástico • Episódico vs secuencial • Estático vs dinámico • Discreto vs continuo 48

Propiedades de los entornos de trabajo • Totalmente observable vs parcialmente observable • Determinista vs estocástico • Episódico vs secuencial • Estático vs dinámico • Discreto vs continuo • Agente individual vs multiagente 48

Totalmente observable/accesible vs parcialmente observable 49

Totalmente observable/accesible vs parcialmente observable 49

Totalmente observable/accesible vs parcialmente observable Totalmente observable Parcialmente observable 49

Totalmente observable/accesible vs parcialmente observable Totalmente observable Parcialmente observable Acceso completo del medio y en cada momento Parcialmente observable debido al ruido y a la existencia de sensores poco exactos o que no reciben información de parte del sistema 49

Totalmente observable/accesible vs parcialmente observable Totalmente observable Parcialmente observable Acceso completo del medio y en cada momento Los sensores detectan los aspectos que son relevantes para la toma de Parcialmente observable debido al decisiones ruido y a la existencia de sensores poco exactos o que no reciben información de parte del sistema 49

Totalmente observable/accesible vs parcialmente observable Totalmente observable Parcialmente observable Acceso completo del medio y en cada momento Los sensores detectan los aspectos que son relevantes para la toma de Parcialmente observable debido al decisiones ruido y a la existencia de sensores La relevancia, en cada momento, poco exactos o que no reciben depende de las medidas de información de parte del sistema rendimiento 49

Totalmente observable/accesible vs parcialmente observable Totalmente observable Parcialmente observable Acceso completo del medio y en cada momento Los sensores detectan los aspectos que son relevantes para la toma de Parcialmente observable debido al decisiones ruido y a la existencia de sensores La relevancia, en cada momento, poco exactos o que no reciben depende de las medidas de información de parte del sistema rendimiento Son convenientes porque el agente no necesita mantener un estado interno para saber del mundo 49

Determinista Vs Estocástico 50

Determinista Vs Estocástico 50

Determinista Vs Estocástico Determinista Estocástico 50

Determinista Vs Estocástico Determinista Estocástico Cuando es difícil mantener Si el siguiente estado del medio está totalmente determinado por el estado actual y la acción constancia de todos los aspectos ejecutada por el agente, entonces se dice que el observados entorno es determinista 50

Determinista Vs Estocástico Determinista Estocástico Cuando es difícil mantener Si el siguiente estado del medio está totalmente determinado por el estado actual y la acción constancia de todos los aspectos ejecutada por el agente, entonces se dice que el observados entorno es determinista No hay incertidumbre si el ambiente Si el medio es parcialmente es totalmente observable y observable puede parecer determinista estocástico 50

Determinista Vs Estocástico Determinista Estocástico Cuando es difícil mantener Si el siguiente estado del medio está totalmente determinado por el estado actual y la acción constancia de todos los aspectos ejecutada por el agente, entonces se dice que el observados entorno es determinista No hay incertidumbre si el ambiente Si el medio es parcialmente es totalmente observable y observable puede parecer determinista estocástico Es mejor pensar pensar en entornos deterministas o estocásticos desde el punto de vista del agente 50

Determinista Vs Estocástico Determinista Estocástico Cuando es difícil mantener Si el siguiente estado del medio está totalmente determinado por el estado actual y la acción constancia de todos los aspectos ejecutada por el agente, entonces se dice que el observados entorno es determinista No hay incertidumbre si el ambiente Si el medio es parcialmente es totalmente observable y observable puede parecer determinista estocástico Es mejor pensar pensar en entornos deterministas o estocásticos desde el punto de vista del agente Si el medio es determinista, excepto para las acciones de otros agentes, decimos que el medio es estratégico 50

Episódico vs Secuencial 51

Episódico vs Secuencial 51

Episódico vs Secuencial Episódico Secuencial 51

Episódico vs Secuencial Episódico Secuencial En un entorno de trabajo episódico, la decisión presente puede afectar las la experiencia del agente se divide en decisiones futuras episodios atómicos 51

Episódico vs Secuencial Episódico Secuencial En un entorno de trabajo episódico, la decisión presente puede afectar las la experiencia del agente se divide en decisiones futuras episodios atómicos Cada episodio consiste en la Las acciones a corto plazo pueden percepción del agente y la realización tener consecuencias a largo plazo de una única acción posterior. 51

Episódico vs Secuencial Episódico Secuencial En un entorno de trabajo episódico, la decisión presente puede afectar las la experiencia del agente se divide en decisiones futuras episodios atómicos Cada episodio consiste en la Las acciones a corto plazo pueden percepción del agente y la realización tener consecuencias a largo plazo de una única acción posterior. El siguiente episodio no depende de Son más complejos que los las acciones que se realizaron en episódicos episodios previos 51

Episódico vs Secuencial Episódico Secuencial En un entorno de trabajo episódico, la decisión presente puede afectar las la experiencia del agente se divide en decisiones futuras episodios atómicos Cada episodio consiste en la Las acciones a corto plazo pueden percepción del agente y la realización tener consecuencias a largo plazo de una única acción posterior. El siguiente episodio no depende de Son más complejos que los las acciones que se realizaron en episódicos episodios previos La elección de la acción en cada Se necesita “pensar” teniendo en episodio depende sólo del episodio cuenta Tiempo en sí mismo 51

Estático Vs Dinámico 52

Estático Vs Dinámico 52

Estático Vs Dinámico Estático Dinámico 52

Estático Vs Dinámico Estático Dinámico Los medios estáticos son fáciles de El entorno puede cambiar cuando el agente esté deliberando. tratar ya que el agente no necesita estar pendiente del mundo Estos medios están preguntando continuamente al agente qué mientras está tomando una decisión sobre una acción, ni necesita quiere hacer; sino se ha decidido, preocuparse sobre el paso del se entiende que ha decidido no hacer tiempo. nada. 52

Estático Vs Dinámico Estático Dinámico Los medios estáticos son fáciles de El entorno puede cambiar cuando el agente esté deliberando. tratar ya que el agente no necesita estar pendiente del mundo Estos medios están preguntando continuamente al agente qué mientras está tomando una decisión sobre una acción, ni necesita quiere hacer; sino se ha decidido, preocuparse sobre el paso del se entiende que ha decidido no hacer tiempo. nada. Si el entorno no cambia con el paso del tiempo, pero el rendimiento del agente cambia, entonces se dice que el medio es semidinámico. 52

Discreto Vs Continuo 53

Discreto Vs Continuo 53

Discreto Vs Continuo Discreto Continuo 53

Discreto Vs Continuo Discreto Continuo El estado del medio, en que se maneja el tiempo y a las percepciones/ acciones del agente. 53

Agente Individual Vs Multiagente 54

Agente Individual Vs Multiagente 54

Agente Individual Vs Multiagente Agente Individual MultiAgente 54

Agente Individual Vs Multiagente Agente Individual MultiAgente Una entidad puede percibirse como un agente Maximización de rendimiento de Agente 1 están en función del Agente 2 54

Multi Agente Competitivo y Cooperativo 55

Multi Agente Competitivo y Cooperativo 55

Multi Agente Competitivo y Cooperativo MultiAgente Competitivo MultiAgente Cooperativo 55

Multi Agente Competitivo y Cooperativo MultiAgente Competitivo MultiAgente Cooperativo ¿El agente A intenta maximizar su rendimiento a costa del rendimiento del otro agente B? Cuál es el proceso de comunicación entre agente 55

El caso más complejo es el parcialmente observable, estocástico, secuencial, dinámico, continuo y multiagente Las situaciones reales son tan complejas que sería discutible clasificarlas como realmente deterministas, a efectos prácticos se deben tratar como estocásticas 56

Ejemplos de entornos de trabajo y sus características 57

Ejemplos de entornos de trabajo y sus características 57

Ejemplos de entornos de trabajo y sus características Entornos de trabajo Observable Determinista Episódico Estático Discreto Agentes 57

Ejemplos de entornos de trabajo y sus características Entornos de trabajo Observable Determinista Episódico Estático Discreto Agentes Crucigrama Totalmente Determinista Secuencial Estático Discreto Individual 57

Ejemplos de entornos de trabajo y sus características Entornos de trabajo Observable Determinista Episódico Estático Discreto Agentes Crucigrama Totalmente Determinista Secuencial Estático Discreto Individual Ajedrez con reloj Totalmente Estratégico Secuencial Semi Discreto Multi 57

Ejemplos de entornos de trabajo y sus características Entornos de trabajo Observable Determinista Episódico Estático Discreto Agentes Crucigrama Totalmente Determinista Secuencial Estático Discreto Individual Ajedrez con reloj Totalmente Estratégico Secuencial Semi Discreto Multi Póker Parcialmente Estratégico Secuencial Estático Discreto Multi 57

Ejemplos de entornos de trabajo y sus características Entornos de trabajo Observable Determinista Episódico Estático Discreto Agentes Crucigrama Totalmente Determinista Secuencial Estático Discreto Individual Ajedrez con reloj Totalmente Estratégico Secuencial Semi Discreto Multi Póker Parcialmente Estratégico Secuencial Estático Discreto Multi Backgammon Totalmente Estocástico Secuencial Estático Discreto Multi 57

Ejemplos de entornos de trabajo y sus características Entornos de trabajo Observable Determinista Episódico Estático Discreto Agentes Crucigrama Totalmente Determinista Secuencial Estático Discreto Individual Ajedrez con reloj Totalmente Estratégico Secuencial Semi Discreto Multi Póker Parcialmente Estratégico Secuencial Estático Discreto Multi Backgammon Totalmente Estocástico Secuencial Estático Discreto Multi Taxi circulando Parcialmente Estocástico Secuencial Dinámico Continuo Multil 57

Ejemplos de entornos de trabajo y sus características Entornos de trabajo Observable Determinista Episódico Estático Discreto Agentes Crucigrama Totalmente Determinista Secuencial Estático Discreto Individual Ajedrez con reloj Totalmente Estratégico Secuencial Semi Discreto Multi Póker Parcialmente Estratégico Secuencial Estático Discreto Multi Backgammon Totalmente Estocástico Secuencial Estático Discreto Multi Taxi circulando Parcialmente Estocástico Secuencial Dinámico Continuo Multil Diagnóstico médico Parcialmente Estocástico Secuencial Dinámico Continuo Individual 57

Ejemplos de entornos de trabajo y sus características Entornos de trabajo Observable Determinista Episódico Estático Discreto Agentes Crucigrama Totalmente Determinista Secuencial Estático Discreto Individual Ajedrez con reloj Totalmente Estratégico Secuencial Semi Discreto Multi Póker Parcialmente Estratégico Secuencial Estático Discreto Multi Backgammon Totalmente Estocástico Secuencial Estático Discreto Multi Taxi circulando Parcialmente Estocástico Secuencial Dinámico Continuo Multil Diagnóstico médico Parcialmente Estocástico Secuencial Dinámico Continuo Individual Análisis de imagen Totalmente Determinista Episódico Semi Continuo Individual 57

Ejemplos de entornos de trabajo y sus características Entornos de trabajo Observable Determinista Episódico Estático Discreto Agentes Crucigrama Totalmente Determinista Secuencial Estático Discreto Individual Ajedrez con reloj Totalmente Estratégico Secuencial Semi Discreto Multi Póker Parcialmente Estratégico Secuen

Add a comment

Related presentations

Related pages

Intelligent agent - Wikipedia, the free encyclopedia

... intelligent agents are sometimes called abstract intelligent agents ... the term intelligent agent may be used to refer to a software agent that has ...
Read more

Agentes inteligentes en internet | Soy un cibernético

... 2007 por Alejandro Madruga. Los agentes que interactúan en un entorno de software son los llamados ... 4 respuestas a Agentes inteligentes en internet.
Read more

dblp: Intelligent Virtual Agents 2007

Bibliographic content of Intelligent Virtual Agents 2007. default search action. combined dblp search; author search; venue search; publication search ...
Read more

dblp: Autonomous Intelligent Systems: Agents and Data ...

... Agents and Data Mining 2007. default search action. combined dblp search; ... Autonomous Intelligent Systems: Multi-Agents and Data Mining, ...
Read more

Application of agents and intelligent information technologies

Application of agents and intelligent information technologies. ... PA : Idea Group Pub., ©2007 ... Mail server management with intelligent agents ...
Read more

Intelligent Agents WS 2006/2007 - Professur für ...

Intelligent Agents WS 2006/2007 Part III: ... agent (e.g. achieving some ... 2/1/2007 1:40:08 PM ...
Read more

Table of Contents 2007/IEEE/WIC/ACM International ...

Intelligent Agent Technology IAT 2007 ... IAT’07 and WI’07 Joint Keynotes: ... Intelligent Agent Technology: ...
Read more

WI’07 and IAT’07 Joint Keynote: How Relevant is Game ...

WI’07 and IAT’07 Joint Keynote: How Relevant is Game Theory to Intelligent Agent Technology? Professor Yoav Shoham Department of Computer Science
Read more

Key Note | Key Note: at the forefront of business intelligence

Key Note is no ordinary business intelligence provider. Our unique combination of market research and company information ensures our clients gain an in ...
Read more