agents intelligents - acse.pub.roacse.pub.ro/wp-content/uploads/2012/05/agents_intelligents.pdf ·...

AGENTS INTELLIGENTS

Ecole d'été en Automatique

Bucharest, 21-25 Mai 2012

Adina Magda Florea

Directeur du Laboratoire AI-MAS

Université Politehnica de Bucarest

Ecole d'été en Automatique, Bucharest, 21-25 mai 2012 2

Agents intelligents

Agent secret?

Agent de voyage?


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



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



Goal-Directed™ Agent

technology.

AdaptivEnterprise™

Solution Suite

Butler agent


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?


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)


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);



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.



2 directions

1 agent

societé d'agents

dimension sociale SMA

2 types

Pas necessairement intelligents

Composante IA agents intelligents


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.


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


Agents logiciel

Répertoire d'actions

Fonctionnement continu

Agent

Environnement

Capteurs

(entré) Actions

(sortie)


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.


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


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


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


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


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)



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



Trouver la sortie dans un labyrinthe

Comment modéliser le problème avec des agents

réactifs?


cognitifs?


Problèmes pour les SMA

Le problème des chasseurs et du gibier


réactifs?


cognitifs?


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


Agents cognitifs – niveau micro

Structure cognitive

Modèle "Croyance-Désir-Intention" de la

rationalité d'un agent intelligent


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.


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


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)


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 ?


Agents cognitifs – niveau macro

Communication

langage de communication

protocole de communication

sémantique de la communication

Organisation

centralisée vs décentralisée

hiérarchique

Apprentissage / adaptation


Agents emotionels

Agents emotionels / calcul afectif

Emotion = stare mentala si psihologica

reactie de durata relativ scurta, provocata de o

situatie care impresioneaza puternic


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


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


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



Physiological

Sensing

System

(Affective

Computing,

Media Lab,

MIT)



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


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.


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


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


Concluzii

?

Teorii

economice Teoria deciziei OOP

Sisteme

distribuite

Sociologie Psihologie

Inteligenta

artificiala

Biologie

Biotehnologie

Control

automat …..

agents intelligents - acse.pub.roacse.pub.ro/wp-content/uploads/2012/05/agents_intelligents.pdf ·...

Documents