agents intelligents - acse.pub.roacse.pub.ro/wp-content/uploads/2012/05/agents_intelligents.pdf ·...
TRANSCRIPT
AGENTS INTELLIGENTS
Ecole d'été en Automatique
Bucharest, 21-25 Mai 2012
Adina Magda Florea
Directeur du Laboratoire AI-MAS
Université Politehnica de Bucarest
Page 2
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 2
Agents intelligents
Agent secret?
Agent de voyage?
Page 3
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 3
Agents intelligents artificiels
UAV
RoboCup
Produce a team of soccer-
playing robots that can
beat the human world
champion soccer team by
the year 2050
Page 4
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 4
Agents intelligents artificiels
NASA’s Earth Observing-1
satellite, which began
operation in 2000, was
recently turned into an
autonomous agent testbed.
NASA Agents
Intelligent Small World Autonomous
Robots for Micro-manipulation
Page 5
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 5
Agents intelligents artificiels
Goal-Directed™ Agent
technology.
AdaptivEnterprise™
Solution Suite
Butler agent
Page 6
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 6
Pourquoi des agents?
Pourquoi utiliser des agents logiciel?
Que représentent-ils pour l'informatique?
Nous apportent-ils quelque chose de nouveau dpv
modélisation et conception?
Y-a-t-il une différence entre les agents logiciels et les
autres logiciels?
Page 7
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 7
Motivation pour les agents
Systèmes repartis complexes: comprendre, construire,
gestion
Systèmes ouverts et hétérogènes: construction des
composantes, interaction des composantes
Distribution des ressources
Distribution de l’expertise
Nécessité de personnaliser les interfaces
Interopérabilité avec les systèmes existants /
intégration avec le logiciel classique (legacy systems)
Page 8
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 8
Définitions d’agents
Agent – il n'y a pas une définition acceptée en
unanimité
Un agent est une entité qui perçoit son
environnement et agisse sur celui-ci" (Russell, 1997);
Un agent est une entité qui fonctionne continuellement
et de manière autonome dans un environnement où
d'autres processus se déroulent et d'autres agents
existent." (Shoham, 1993);
Page 9
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 9
Définitions d’agents
situé – l'agent est capable d'agir sur son environnement à partir des entrées sensorielles qu'il reçoit de ce même environnement;
autonome – l'agent est capable d'agir sans l'intervention d'un tiers (humain ou agent) et contrôle ses propres actions ainsi que son état interne;
proactif – l'agent doit exhiber un comportement proactif et opportuniste, tout en étant capable de prendre l'initiative au bon moment;
capable de répondre à temps – l'agent doit être capable de percevoir son environnement et d'élaborer une réponse dans le temps requis;
social – l'agent doit entre capable d'interagir avec des autres agents (logiciels ou humains) afin d'accomplir des taches ou aider ces agents à accomplir les leurs.
Page 10
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 10
Définitions d’agents
2 directions
1 agent
societé d'agents
dimension sociale SMA
2 types
Pas necessairement intelligents
Composante IA agents intelligents
Page 11
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 11
Systèmes multi-agents
Un système multi-agents est un système distribué
composé d'un ensemble d'agents.
Un SMA est caractérisé ainsi:
chaque agent a des informations ou des capacités de
résolution de problèmes limités (ainsi, chaque agent a
un point de vue partiel);
il n'y a aucun contrôle global du système multi-
agents;
les données sont décentralisées;
le calcul est asynchrone.
Page 12
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 12
Problèmes à résoudre
Comment construire agents logiciels qui sont capable
d'avoir un comportement indépendant, autonome pour
accomplir leurs buts?
Comment construire agents logiciels qui sont capable
d'interagir (coopération, coordination, négociation) avec
d'autres agents pour accomplir leurs taches, en
particulier dans la situation où les autres agents n'ont
pas les mêmes buts.
Conception agents
Conception societé
Page 13
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 13
Agents logiciel
Répertoire d'actions
Fonctionnement continu
Agent
Environnement
Capteurs
(entré) Actions
(sortie)
Page 14
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 14
Agents réactifs
Composantes très simples qui perçoivent
l'environnement et sont capable d'agir sur celui-ci.
Ils n'ont pas une représentation symbolique de
l'environnement, des connaissances.
L'intelligence est distribuée entre beaucoup d'agents
réactifs
Le comportement intelligent devrait émerger de
l'interaction entre ces agents réactifs et
l'environnement.
Page 15
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 15
Agents réactifs
E = {e1, .., e, ..}
P = {p1, .., p, ..}
A = {a1, .., a, ..}
Agent réactif
see : E P
action : P A
env : E x A E
(env : E x A P(E)) Environnement
env (E)
Composante
décision
action
Composante
exécution
action
Composante
perception
see
Agent
P A
Page 16
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 16
Agents réactifs
Ensemble de règles de comportement
R = { (c, a) | c P, a A}
(c, a) – Règle décision action
R x R – Relation binaire totale d'inhibition
Module
competence (1)
Move around
Module
competence (0)
Avoid obstacles
inhibition suppression
Page 17
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 17
Agents avec états
E = {e1, .., e, ..}
P = {p1, .., p, ..}
A = {a1, .., a, ..}
S = {s1, .., s, ..}
Agents avec états
see : E P
next : S x P S
action : S A
env : E x A P(E)
env (E)
Composante décision
action, next
Composante
exécution action
Composante
perception
see
Agent
P A
S
Environnement
Page 18
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 18
Agents avec états
Plusieurs agents
seei : E Pi
nexti : Si x P Si
actioni : Si x I Ai
interi : Si x I I
env : E x A1 x … An P(E)
env
Composante
décision
action, next
Composante
exécution
action
Composante
perception
see
Agent (A1)
Agent (A2)
Agent (A3)
Composante
interaction
inter
S1,…, Si,..
A1,…, Ai,..
P1,…, Pi,..
I = {i1, .., ik,…}
Environnement
Page 19
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 19
Modélisation des agents
Agents réactifs
Agents avec buts
but : E → {0, 1}
Agents avec utilité
utilité : E → R
Environnement non déterministe env : E x A → P(E)
La probabilité estimée par l'agent que le résultat de
l'exécution de l'action a dans l’état e sera l’état e‘
prob(ex(a,e) e') 1
e'env( e,a)
Page 20
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 20
Modélisation des agents
L'utilité attendue d'une action dans l'état e du
point de vue de l'agent
Le principe de la plus grande utilité attendue -
utilité attendue maximale, en anglais Maximum
Expected Utility (MEU) - dit qu'un agent
rationnel devrait choisir l'action qui lui apporte la
plus grande utilité attendue.
),('
)'(*)'),((),(aeenve
eutilityeeaexprobeaU
Page 21
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 21
Modélisation des agents
Trouver la sortie dans un labyrinthe
Comment modéliser le problème avec des agents
réactifs?
Comment modéliser le problème avec des agents
cognitifs?
Page 22
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 22
Problèmes pour les SMA
Le problème des chasseurs et du gibier
Comment modéliser le problème avec des agents
réactifs?
Comment modéliser le problème avec des agents
cognitifs?
Page 23
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 23
Problèmes pour les SMA
Le problème des trois sages
Le dilemme du prisonnier
Prisonnier A /
Prisonnier B
Trahir Coopérer
Trahir 2 , 2
5 , 0
Coopérer
0 , 5
3 , 3
Page 24
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 24
Agents cognitifs – niveau micro
Structure cognitive
Modèle "Croyance-Désir-Intention" de la
rationalité d'un agent intelligent
Page 25
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 25
Agents cognitifs – niveau micro
Architecture BDI
Le B = Belief = Croyance
Les croyances d'un agent sont les informations que l'agent possède sur l’environnement et sur d'autres agents qui existent dans le même environnement.
Le D = Desire = Désir
Les désirs d'un agent représentent les états de l’environnement, et parfois de lui-même, que l'agent aimerait voir réalisés.
Le I = Intention = Intention
Les intentions d'un agent sont les désirs que l'agent a décidés d'accomplir ou les actions qu'il a décidé de faire pour accomplir ses désirs.
Page 26
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 26
Agents cognitifs BDI
Composante philosofique
– Bratman, 1988
Architecture software
IRMA - Intelligent Resource-bounded Machine Architecture
PRS - Procedural Reasoning System
Composante logique
Rao & Georgeff, Wooldrige (Int Ai ) (Bel Ai )
Beliefs
Desires
Intentions
Page 27
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 27
Agent BDI
Contrôle
Croyances
Désirs
Intentions
Plans
Capteurs
(entré)
Actions
(sortie)
AGENT
ENVIRONNEMENT
B = brf(B, p)
D = options(B, D, I)
I = filter(B, D, I)
= plan(B, I)
Page 28
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 28
Agents cognitifs – niveau macro
Interactions
Interaction au niveau supérieur pour:
coordination
communication
organisation
résolution distribuée de problèmes
Coordination
agents coopératifs
agents individualistes
agents antagonistes – compétition
Comment réaliser la coordination ?
Page 29
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 29
Agents cognitifs – niveau macro
Communication
langage de communication
protocole de communication
sémantique de la communication
Organisation
centralisée vs décentralisée
hiérarchique
Apprentissage / adaptation
Page 30
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 30
Agents emotionels
Agents emotionels / calcul afectif
Emotion = stare mentala si psihologica
reactie de durata relativ scurta, provocata de o
situatie care impresioneaza puternic
Page 31
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 31
Agenti emotionali
Scopuri
intelegerea emotiilor umane
caractere sintetice in lumi virtuale
interactiunea om-calculator
rezolvarea problemelor: impactul emotiilor asupra
cunoasterii si comportarii
2 aspecte
Detectarea emotiilor umane
Modelarea emotiilor artificiale
Page 32
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 32
Emotii
Teoria James-Lange = Reactiile reflexe (transpiratie,
ritm cardiac, mimica sau gesturi) se produc inainte ca
persoana sa fie constienta ca simte o emotie
Teoria Cannon-Bard = persoana simte intai emotiile si
le evalueaza, apoi reactiile apar in urma acestei
evaluari cognitive
Teoria Schachter-Sniger = reactiile si evaluarea
cognitiva au loc in simultan
Teoria Ortony a evaluarii evenimentelor = emotiile
se produc prin evaluarea unui eveniment in contextul
scopurilor, standardelor si atitudinilor persoanei
Page 33
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 33
Emotii de baza
De la 2 la 20 emotii de baza
4 emotii cel mai comun intalnite: frica, manie,
tristete, bucurie
Set de 8 emotii: frica, manie, tristete, bucurie,
dezgust, acceptare, speranta, surpriza
Invatare: interes, plictiseala, confuzie, excitare
Affective Reasoner: 24 emotii
PETEEI: 14 emotii
Oz: 14 emotii
Page 34
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 34
Detectarea emotiilor umane
Physiological
Sensing
System
(Affective
Computing,
Media Lab,
MIT)
Page 35
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 35
Detectarea emotiilor umane
AffQuake – joc
interactiv in care
utilizatorul este
reprezentat de un
avatar
Affective Jewelery
and Accessories –
impactul bijuteriilor si
al modei asupra
emotiilor umane
The Learning
Companion
utilizeaza si alte
dispozitive ce
detecteaza:
caracteristice ale
fetei, directia privirii,
pozitia corpului
Page 36
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 36
Generarea emotiilor artificiale
Un caracter virtual alege emotia de exprimat pe baza impactului dorit
Se incearca generarea emotiilor prin simularea mecanismelor umane
Se bazeaza pe teoriile de evaluare a emotiilor
A. Ortony, G. Clore, A. Collin (OCC) “cognitive appraisal theory”
Emotiile apar ca o reactie de valorizare la evenimente si obiecte dpv al scopurilor, standardelor si atitudinilor agentului.
Page 37
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 37
Generarea emotiilor artificiale
daca emotie_1 este I1
si emotie_2 este I2
si emotie_3 este I3
si eveniment este E
atunci
comportare este C
PETEEI (PET with Evolving
Emotional Intelligence, TAMU)
Activarea emotiilor
Filtrarea emotiilor
Selectarea comportarii
Scopuri, asteptari Evenimente
Stare emotionala
Comportare
Page 38
Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 38
Mission Rehearsal Exercise
Integreaza modelul OCC cu modul de a face fata
emotiilor (“coping theories”)
MRE - mediu de invatare imersiv in care participantii
sunt expusi la imagini, sunete si circumstante pe care le
vor intalni in lumea reala in cazul instrurii pentru misiuni
militare