Tutorial: Introdução

Inteligência Artificial › 📖 Leitura 👓 Introdução ✏️ Exercícios Conceito de Agente › 📖 Leitura 👓 Conceito de Agente ✏️ Exercícios

📖 Leituras

(Russell & Norvig): Capítulo 2

Bibliografia

Russell, S. J., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.). Pearson. http://aima.cs.berkeley.edu/

⚡ Ação: O que é um agente segundo o capítulo?

👉 Um agente é qualquer entidade que perceciona o ambiente através de sensores e atua sobre ele através de atuadores.

⚡ Ação: O que são sensores e atuadores num agente?

👉 Sensores captam perceções do ambiente; atuadores executam ações que modificam o ambiente.

⚡ Ação: O que é uma percepção?

👉 É o conteúdo que os sensores do agente captam num dado instante.

⚡ Ação: O que é a sequência de percepções?

👉 É o histórico completo de tudo o que o agente já percecionou.

⚡ Ação: O que é a agent function?

👉 É a função matemática que mapeia qualquer sequência de perceções para uma ação.

⚡ Ação: Qual é a diferença entre agent function e agent program?

👉 A agent function é uma descrição abstrata; o agent program é a implementação concreta que corre num sistema físico.

⚡ Ação: Porque é que a tabela da agent function pode ser infinita?

👉 Porque a sequência de perceções pode ter comprimento arbitrário.

⚡ Ação: No mundo do aspirador, que perceções o agente recebe?

👉 A localização atual e se o quadrado está limpo ou sujo.

⚡ Ação: Que ações estão disponíveis no mundo do aspirador simples?

👉 Mover para a esquerda, mover para a direita, aspirar, ou não fazer nada.

⚡ Ação: Porque é que o conceito de agente é uma ferramenta analítica e não uma classificação rígida?

👉 Porque serve para analisar sistemas, não para dividir o mundo entre “agentes” e “não agentes”.

⚡ Ação: O que é um agente racional?

👉 É um agente que faz a ação que maximiza o desempenho esperado, com base na sequência de perceções e no conhecimento disponível.

⚡ Ação: O que é um indicador de desempenho?

👉 É o critério que avalia quão desejável é a sequência de estados do ambiente resultante das ações do agente.

⚡ Ação: Porque é que definir um indicador de desempenho é difícil?

👉 Porque o agente pode explorar definições mal formuladas para maximizar o valor de formas indesejáveis.

⚡ Ação: Qual é o problema do aspirador se o desempenho for “quantidade de sujidade removida”?

👉 O agente pode limpar e sujar repetidamente o mesmo local para maximizar pontos.

⚡ Ação: O que significa consequencialismo no contexto da IA?

👉 Avaliar o comportamento do agente pelas consequências das suas ações.

⚡ Ação: Quais são os quatro fatores que determinam o que é racional num dado momento?

👉 O indicador de desempenho, o conhecimento prévio, as ações disponíveis e a sequência de perceções.

⚡ Ação: Porque é que racionalidade não é perfeição?

👉 Porque racionalidade maximiza desempenho esperado, não o desempenho real, que depende de eventos imprevisíveis.

⚡ Ação: O que é omnisciência e porque é impossível?

👉 É saber o resultado real de todas as ações; é impossível porque o agente só pode agir com base no que perceciona.

⚡ Ação: O que é recolher informação?

👉 Ações realizadas para obter perceções futuras mais informativas, como “olhar antes de atravessar a rua”.

⚡ Ação: O que é autonomia num agente?

👉 A capacidade de agir com base nas próprias perceções e aprendizagem, em vez de depender totalmente do conhecimento do programador.

⚡ Ação: Porque é que um agente totalmente baseado em conhecimento prévio não é autónomo?

👉 Porque não adapta o comportamento com base na experiência e pode falhar quando o ambiente difere do esperado.

⚡ Ação: O que ilustra o exemplo do escaravelho do esterco?

👉 Que agentes sem capacidade de aprendizagem podem falhar quando o ambiente muda.

⚡ Ação: O que demonstra o exemplo da vespa sphex?

👉 Que comportamento rígido e não adaptativo leva a falhas repetidas.

⚡ Ação: Porque é que agentes reais precisam de aprendizagem?

👉 Para corrigir conhecimento incorreto e adaptar-se a ambientes variáveis.

⚡ Ação: Quando é que um agente não precisa de aprender?

👉 Quando o ambiente é totalmente conhecido e previsível.

⚡ Ação: O que é um ambiente da tarefa?

👉 É a descrição completa do problema a resolver, incluindo desempenho, ambiente, atuadores e sensores (PEAS).

⚡ Ação: O que significa PEAS?

👉 Performance, Environment, Actuators, Sensors.

⚡ Ação: Porque é que o PEAS deve ser definido antes de projetar o agente?

👉 Porque o design do agente depende totalmente das características do ambiente e dos objetivos.

⚡ Ação: No exemplo do táxi autónomo, que fatores compõem o o indicador de desempenho?

👉 Segurança, rapidez, conforto, legalidade, eficiência e lucro.

⚡ Ação: Que elementos fazem parte do ambiente do táxi autónomo?

👉 Estradas, tráfego, peões, polícia, passageiros e condições meteorológicas.

⚡ Ação: Que atuadores tem um táxi autónomo?

👉 Direção, acelerador, travão, sinais, buzina, display e voz.

⚡ Ação: Que sensores tem um táxi autónomo?

👉 Câmaras, radar, GPS, sensores do motor, acelerómetro, microfones e touchscreen.

⚡ Ação: O que distingue um ambiente totalmente observável de um parcialmente observável?

👉 Num ambiente totalmente observável, os sensores captam todo o estado relevante; num parcialmente observável, parte do estado é desconhecida.

⚡ Ação: O que é um ambiente não observável?

👉 Um ambiente onde o agente não recebe qualquer perceção.

⚡ Ação: O que distingue ambientes uni-agente de multiagente?

👉 Em uni-agente, só o agente principal influencia o desempenho; em multiagente, outros agentes também influenciam.

⚡ Ação: O que caracteriza um ambiente competitivo?

👉 Os agentes têm objetivos opostos, como no xadrez.

⚡ Ação: O que caracteriza um ambiente cooperativo?

👉 Os agentes beneficiam mutuamente ao atingir objetivos comuns.

⚡ Ação: O que distingue ambientes determinísticos de não determinísticos?

👉 Num ambiente determinístico, o próximo estado é totalmente determinado pela ação; num não determinístico, há incerteza.

⚡ Ação: Porque é que ambientes multiagente podem exigir comportamento aleatório?

👉 Para evitar previsibilidade que adversários possam explorar.

⚡ Ação: Porque é que ambientes parcialmente observáveis exigem memória interna?

👉 Porque o agente precisa de manter informação sobre o estado que não consegue observar diretamente.

⚡ Ação: Porque é que agentes baseados em tabelas são impraticáveis?

👉 Porque o número de possíveis sequências de perceções cresce exponencialmente, tornando a tabela gigantesca e impossível de construir, armazenar ou aprender.

⚡ Ação: O que caracteriza um agente reflexo simples?

👉 Escolhe ações apenas com base na percepção atual, ignorando toda a história de perceções.

⚡ Ação: O que é uma regra condição-ação?

👉 Uma regra do tipo if condição then ação, que liga diretamente perceções a ações.

⚡ Ação: Porque é que agentes reflexos simples só funcionam bem em ambientes totalmente observáveis?

👉 Porque dependem exclusivamente da percepção atual; se parte do estado não for observável, podem tomar decisões erradas ou entrar em ciclos.

⚡ Ação: Como a aleatoriedade pode ajudar um agente reflexo simples?

👉 Pode permitir escapar de ciclos infinitos em ambientes parcialmente observáveis, escolhendo ações aleatórias quando não há informação suficiente.

⚡ Ação: O que distingue um agente reflexo modelo?

👉 Mantém um estado interno que representa partes do mundo não observáveis diretamente, atualizado com base num modelo de transição e num modelo de sensores.

⚡ Ação: O que é o modelo de transição?

👉 Conhecimento sobre como o mundo evolui ao longo do tempo e como as ações do agente alteram o estado do ambiente.

⚡ Ação: O que é o modelo de sensores?

👉 Conhecimento sobre como o estado do mundo se reflete nas perceções do agente.

⚡ Ação: Porque é que agentes reflexo modelo não conseguem sempre determinar o estado exato?

👉 Porque ambientes parcialmente observáveis introduzem incerteza, e o agente só pode manter a sua melhor estimativa do estado.

⚡ Ação: O que distingue um agente objetivo?

👉 Utiliza informação sobre objetivos desejáveis para escolher ações que conduzam ao estado pretendido.

⚡ Ação: Porque é que agentes objetivo são mais flexíveis que agentes reflexo?

👉 Porque o comportamento pode ser alterado mudando apenas o objetivo, sem reescrever todas as regras de perceção‑ação.

⚡ Ação: Que áreas da IA tratam de encontrar sequências de ações para atingir objetivos?

👉 Procura (search) e planeamento (planning).

⚡ Ação: O que distingue um agente utilidade?

👉 Avalia estados segundo uma função de utilidade e escolhe ações que maximizam a utilidade esperada.

⚡ Ação: Porque é que objetivos são insuficientes em alguns ambientes?

👉 Porque apenas distinguem entre “satisfeito” e “não satisfeito”, sem permitir comparar diferentes graus de qualidade entre soluções.

⚡ Ação: O que é a utilidade esperada?

👉 A utilidade média ponderada pelas probabilidades dos diferentes resultados possíveis de uma ação.

⚡ Ação: Em que casos os agentes utilidade são superiores a agentes objetivo?

👉 Quando há objetivos conflitantes ou quando nenhum objetivo pode ser alcançado com certeza.

⚡ Ação: Porque é que agentes utilidade são essenciais em ambientes incertos?

👉 Porque permitem tomar decisões racionais mesmo quando os resultados das ações são probabilísticos.

⚡ Ação: O que é um agente aprendizagem?

👉 Um agente que melhora o seu desempenho ao longo do tempo, modificando os seus próprios componentes com base na experiência.

⚡ Ação: Porque é que Turing defendia aprendizagem em vez de programação manual?

👉 Porque programar manualmente todos os comportamentos inteligentes seria demasiado trabalhoso; aprender é mais eficiente.

⚡ Ação: Porque é que agentes utilidade exigem algoritmos complexos?

👉 Porque precisam de prever resultados, calcular probabilidades e maximizar utilidade esperada, tarefas computacionalmente difíceis.

Nova pergunta: 🎲

◀ Passo anterior Próximo passo ▶