IA - Tema 2A - Agentes Inteligentes v1.2

Universidad de Castilla-La Mancha Inteligencia Artificial e Ingeniería del Conocimiento

Tema2: Introducción a los Agentes Inteligente Inteligentes s

Datos de la Asignatura Temarío Luis Enrique Sánchez Crespo

o t n e i m i c o n o C l e d a i r e i n e g n I e l a i c i f i t r

Introducción a la IA. (Cap. 1) Introducción a los Agentes Inteligentes (Cap. 2) Métodos de búsqueda de soluciones (Cap. 3-7) – Espacio de estados. – Búsqueda no informada. – Búsqueda informada y heurística.

Sistemas basados en el conocimiento – Mediante lógica de predicados. – Mediante Sistemas de producción.

Tratamiento de la incertidumbre (Cap. 13-15) – Redes Bayesianas. Razonamiento aproximado (lógica difusa).

(Cap. 8-12)

Datos de la Asignatura Temarío Luis Enrique Sánchez Crespo


Introducción a la IA. (Cap. 1) Introducción a los Agentes Inteligentes (Cap. 2) Métodos de búsqueda de soluciones (Cap. 3-7) – Espacio de estados. – Búsqueda no informada. – Búsqueda informada y heurística.

Sistemas basados en el conocimiento – Mediante lógica de predicados. – Mediante Sistemas de producción.

Tratamiento de la incertidumbre (Cap. 13-15) – Redes Bayesianas. Razonamiento aproximado (lógica difusa).

(Cap. 8-12)

Introd. a los Agentes Inteligentes Luis Enrique Sánchez Crespo

Agentes y su entorno. entorno. Buen comportamiento: el concepto de racionalidad.


La naturaleza del entorno. Estructura de los agentes. Resumen.



Agentes y su entorno



Un agente  Un agente es cualquier cosa capaz de percibir su medioambiente con la ayuda de sensores y actuar en ese medio utilizando actuadores. Ejemplos: – Labores diarias realizadas en internet. – Comprar por internet (la tienda en casa). – Sistema de diagnóstico médico – Análisis de imágenes satelitales – Robot ensamblador de partes

Controlador de una refinería


Un agente inteligente ENTRADAS Sensor del ambiente


Ve Oye Toca Gusta Huele

Procesos INTERNOS Conoce

Comprensión/ intencionalidad

Razona

Comportamiento SALIDAS


Tipificando a un agente inteligente SENSORES PERCEPCIONES


? AMBIENTE

AGENTE ACCIONES


Un agente es un sistema de computación capaz de actuar de forma autónoma y flexible en un entorno, entendiendo por flexible que sea: – Reactivo: El


agente es capaz de responder a cambios en el entorno en que se encuentra situado.

– Pro-activo:

El agente debe ser capaz de intentar cumplir sus propios planes u objetivos.

– Social: Debe

poder comunicarse con otros agentes mediante algún tipo de lenguaje de comunicación de agentes.



Buen comportamiento: El concepto de racionalidad

Introd. a los Agentes Inteligentes ¿Qué es un agente inteligente? Luis Enrique Sánchez Crespo

Un agente inteligente es cualquier cosa que pueda – percibir un


mundo perceptual en que esté anidado (“ambiente”) mediante SENSORES y – actuar sobre ese mundo mediante EFECTORES (o actuadores) • sinónimo de ambiente es “espacio de problema” • sinónimo de agente inteligente es “operador que transforma un input en output dentro del espacio de problema”

META de la IA Diseñar un agente inteligente/racional que opere o actúe adecuadamente en sus ambientes. –

Discusión sobre “adecuadamente” • Fijar alguna medida del buen éxito Tener en cuenta el PRR  Principio de Racionalidad Restringida de

Introd. a los Agentes Inteligentes ¿Qué es un agente racional? Luis Enrique Sánchez Crespo

Pensante racionalmente – Captura de un proceso racional correcto – Proceso “ Irrefutable” – Metodología Desarrollar un modelo formal - LÓGICA FORMAL - que siempre conduzca a la respuesta correcta • Implementar ese modelo •


– Cómo sabemos si lo hicimos bien • •

cuando podemos probar que el razonamiento programado fue correcto la lógica de primer orden fue completa

Actuante racionalmente – Actuar de forma de lograr las metas deseadas – Imagine usted mismo como se hacen las decisiones correctas

Introd. a los Agentes Inteligentes ¿Qué es un agente racional? Luis Enrique Sánchez Crespo

El que actúa maximizando el valor esperado de la medida de buen éxito (función de utilidad) en el logro de su meta – esta no es la definición habitual de racionalidad ideal basada en la


lógica teórica Racional no es omnisciente Racional no es clarividente Racional ideal en conflicto con el PRR (Principio de Racionalidad Restringida).

Introd. a los Agentes Inteligentes Racionalidad Luis Enrique Sánchez Crespo


Satisfacción de restricciones Depende de – LA SECUENCIA DE PERCEPCIONES - TODO LO QUE EL AGENTE HA PERCIBIDO HASTA AHORA (GESTIÓN DE LA MEMORIA). • No se puede criticar a un agente por no saber lo que nunca supo – LA MEDIDA DE BUEN ÉXITO ELEGIDA • función de utilidad – CUÁNTO CONOCE EL AGENTE DEL AMBIENTE EN QUE OPERA • Lista de hipótesis de cómo es el mundo LAS ACCIONES QUE EL AGENTE ESTÉ EN CONDICIONES

Introd. a los Agentes Inteligentes Agente Inteligente Ideal Luis Enrique Sánchez Crespo


El agente inteligente ideal es el que, para cualquier secuencia arbitraria de percepciones, logre con su ACCION maximizar la medida de su buen éxito. Para ello usa – su conocimiento internalizado – su secuencia de percepciones



Mapeo ideal percepciones acciones El diseño o mapeo ideal especifica qué acciones debe encarar el agente ideal en respuesta a cualquier secuencia arbitraria de percepciones Se concreta con una tabla real o virtual Ejercicio de la racionalidad – Sandwich – Percepciones  Razonamiento  Acciones

Introd. a los Agentes Inteligentes Programa con tabla y ejemplo Luis Enrique Sánchez Crespo

– Table (Percept Sequence,Action) – Action := Function(Percept Sequence) – If (Percept Sequence) then do Action


– Ejemplo - Glóbulos vivos finitos predictores - de Dewdney -

ingresar iterativamente 010011010011010011 – Contrajemplo : ingresar 011000010110

Cita bibliogr. - Inv y Ciencia, ene 1986, p94

Introd. a los Agentes Inteligentes Programa con tabla y ejemplo Luis Enrique Sánchez Crespo


Introd. a los Agentes Inteligentes PRR (Herbert Simon) Luis Enrique Sánchez Crespo


El Principio de la Racionalidad Restringida alega que la racionalidad óptima ideal NO es el buen éxito perfecto. Ningun ser humano apela a una mayor racionalidad que la justo necesaria para sus fines prácticos. Las limitaciones de un agente • con los SENSORES que tiene • con los EFECTORES que tiene y • con la POTENCIA COMPUTACIONAL – disponible y – (en algunos casos) óptima económica – conducen a que la racionalidad ideal sea imposible e

Introd. a los Agentes Inteligentes Algo más (Herbert Simon) Luis Enrique Sánchez Crespo


La razón es solamente un instrumento porque no nos puede predecir hacia donde ir - no nos propone metas a lo sumo nos ayuda a decidirnos cómo llegar a una meta

Introd. a los Agentes Inteligentes Algo más (Randall Beer) Luis Enrique Sánchez Crespo


Los navegantes eur opeos aplican la planificación a su derrotero lo trazan en el mapa y se sujetan a él, corrigiendo los desvíos. Los navegantes tr uqueses aplican toda su atención a todos los detalles de las olas, los vientos, las aves y las corrientes de cada momento y llegan a su destino de una manera práctica. A la hora de explicar por qué hicimos lo que hicimos, ¿no seremos truqueses disfrazados de europeos? – Los agentes racionales suelen mostrar inteligencia académica, – pero hay otra inteligencia mucho más adaptiva , mostrada por los

agentes autónomos, que los ayuda en la meta de sobrevivir.

Introd. a los Agentes Inteligentes Agentes Autonomos Luis Enrique Sánchez Crespo


La “parábola” de los navegantes Europeos y los Truqueses – Unos aplican su inteligencia a planear por adelantado toda su conducta futura y corregir cualquier defecto en el rumbo planeado – En el otro caso, aplican su inteligencia a PERCIBIR atentamente todo lo que está pasando y aplicarla a tender hacia la meta adaptándola a las contingencias cuidadosamente correlacionadas. – De nuevo ¿seremos truqueses que nos disfrazamos de europeos a la hora de dar explicaciones de nuestra conducta? Son agentes autónomos los que no se guían por reglamento externo impuesto alguno. Dos tipos – Conducta determinada por su propia experiencia. – Conducta autoorganizada a partir de su red neural.

Introd. a los Agentes Inteligentes Teoría de la completitud NP Luis Enrique Sánchez Crespo


La completitud NP se refiere a algoritmos polinómicos no determinísticos. Algunos problemas, como quizás el clásico del viajante de comercio, es probable que sean imposibles de resolver en cualquier computadora arbitraria De ello se deduce que – ya sea la inteligencia natural – o la inteligencia artificial NO son ilimitadas en sus capacidades.

De ello se vuelve a deducir que la racionalidad práctica resulta estar restringida. Nadie debe esmerarse por aplicar la racionalidad más allá de sus PRR necesidades prácticas.



Grado de Racionalidad - Nivel de Conocimiento - Newell Grado de racionalidad grado con el cual el agente pensante y actuante maximiza la medida de buen éxito para lograr su meta, sujeta a su disponibilidad de

– sensores, efectores, internalizado.

potencia de cómputo

y

conocimiento

– Allen Newell define el ni vel de conocimi ento por el número de r eglas usadas r especto de su di sponibilidad total de r eglas. Ni ngún SoftBots es r esponsable por no usar r eglas que no conoce. –

a un ter mostato le han dado dos r eglas y las usa

…

…



La naturaleza del entorno

Introd. a los Agentes Inteligentes Cometido de la IA Luis Enrique Sánchez Crespo


El cometido de la IA es el diseño de un Programa de Agente : una función que permita implantar el mapeo del agente para pasar por el “sandwich” de percepciones a acciones. Este programa se ejecutará en algún tipo de dispositivo de cómputo, al que se denominará arquitectura (puede ser una computadora sencilla o hardware especial). En algunos ámbitos se utilizan agentes de software (o robots de software o softbots).

Introd. a los Agentes Inteligentes Funciones y programas de agentes Luis Enrique Sánchez Crespo


El agente queda completamente especificado con la función del agente que mapea lo que describe la ecuación – a = f (P,M,A) • sobre todo el componente principal a = f (P) • en principio uno puede suministrar cualquier secuencia perceptual posible para ver qué sucede una tabla que resuma esa información podría ser inmensa – donde la función del agente es

“f”

El programa de agente trata de implementar la función de agente en forma concisa Un programa de agente toma una percepción singular como

Introd. a los Agentes Inteligentes REAS Luis Enrique Sánchez Crespo

Para definir el entorno de tr abajo de un agente se utiliza el acronimo REAS = Rendimiento, Entorno, Actuadores, Sensores. En el diseño de un agente inteligente la primera tarea es ubicarnos en el panorama


a = f(datos) a = f(P,M,A)

Ejemplo – Descripción REAS del entorno de trabajo de un taxista automático. • Medidas de Rendimiento ?? • Entorno ?? • Actuadores ??

Introd. a los Agentes Inteligentes REAS - Ejemplos Luis Enrique Sánchez Crespo

Ejemplo – Descripción REAS del entorno de trabajo de un taxista automático. • Medidas de Rendimiento • Entorno • Actuadores


• Sensores


Tachero new age

piloto automático

Percepciones – video – acelerómetro, instrumental del tablero – sensores del motor – teclado o t n e i m i c o n o C l e d a i r e i n e g n I e l a i c i f i t r

Acciones – gestión del volante – acelerar y frenar – bocina – hablar/graficar

Metas – seguridad, llegar a destino, maximizar ganancias, obedecer las leyes, satisfacción del cliente

Introd. a los Agentes Inteligentes REAS – Otros Ejemplos Luis Enrique Sánchez Crespo


Para identificar a un agente debemos analizar su REAS: Ejemplos de descripciones REAS de un dado agente típico P-percepción a-acción M-meta A-ambiente

Introd. a los Agentes Inteligentes Análisis REAS Luis Enrique Sánchez Crespo


El análisis REAS es un ejempl o de – la estrategia general de la ingeniería de “dividir para conquistar” R+E+A+S cada sumando es más fácil que la suma • ponderada. – la aplicación del ANÁLISIS DE REQUISITOS, que resuelve un problema analizando qué es obtenible como input y qué es deseado como output. Otro Ejemplo: al analizar un sistema de imágenes satelitales, – percepciones: pixels de intensidad y longitud de onda variables – acciones: mover la cámara, cambiar el filtro, imprimir letreros como ”tanque82" identificación cercana a la realidad de todos los objetos – metas:

Introd. a los Agentes Inteligentes Propiedades de los entornos de trabajo Luis Enrique Sánchez Crespo

Accesible/Inaccesible –

Si los sensores proporcionan todo lo que hay que saber sobre el estado completo del ambiente - necesario para elegir una acción - entonces el ambiente es accesible al agente. Esos ambiente resultan convenientes, ya que liberan al agente de la tarea de mantener actualizado su inventario del mundo.

Determinístico/No-determinístico (estocástico) o t n e i m i c o n o C l e d a i r e i n e g n I e l a i c i f i t r

–

Si el estado siguiente del ambiente está determinado plenamente por el estado presente del mismo, y por la acción del agente - se trata de un ambiente determinístico. Así el agente escapa de la incertidumbre.

Episódico/No-episódico –

Un ambiente episódico implica que los episodios siguientes no dependen de las acciones que ocurrían en episodios previos (como en las clásicas cadenas de Markov). Esto le autoriza al agente que no se deba preocupar por la planificación de lo que puede ocurrir.

Introd. a los Agentes Inteligentes Propiedades de los entornos de trabajo Luis Enrique Sánchez Crespo

Estático/Dinámico –


Será estático todo ambiente que no cambie mientras el agente está pensando. No tiene importancia el tiempo que se usa en pensar y no necesita monitorear el mundo mientras piensa. El tiempo carece de valor mientras se computa una buena estrategia. En el otro caso será dinámico.

Discreto/Continuo Discreto - con escaso número de percepciones y acciones en el ambiente. – Continuo - el otro caso. –

Sin adversario/con adversarios racionales –

Sin adversario - ausencia de otros agentes racionales adversarios: la consecuencia es que el agente se libera de la preocupación de la estrategia de dichos adversarios en el mismo juego. Los ambientes ingenieriles suelen ser sin adversario.

Introd. a los Agentes Inteligentes Ejemplos de los entornos de trabajo Luis Enrique Sánchez Crespo


Introd. a los Agentes Inteligentes Ejemplos de los entornos en Internet Luis Enrique Sánchez Crespo

e_mail Gr upos de noticias WWW FTP


Juegos en línea Foros Buscadores con diversos agentes Ambi ente apto par a miner ía de datos Bibliotecas vir tuales (p.ej de I A)



Estructura de los Agentes

Introd. a los Agentes Inteligentes Programa básico para el entorno Luis Enrique Sánchez Crespo

procedure Run-Environment( state, Update-Fn , agents, termination) input: state, the initial state of the environment

Update-Fn, function to modify the environment agents, a set of agents termination, a predicate to test when we are done


repeat for each agent in agents do Percept[agent ]  Get-Percept(agent , state) end for each agent in agents do Action[agent ]  Program[agent](Percept[agent ]) end state  Update-Fn(actions, agents, state) until termination( state)

Programa básico simulador ambiental –

proporciona las percepciones a los agentes anidados en ese ambiente

Introd. a los Agentes Inteligentes Simulación de entorno Luis Enrique Sánchez Crespo


function Run-Eval-Environment( state, Update-Fn , agents, termination, Performance-Fn) returns scores local : scores, a vector the same size as agents, initially all 0 repeat for each agent in agents do Percept[agent ] ¬ Get-Percept(agent , state) end for each agent in agents do Action[agent ] ¬ Program[agent](Percept[agent ]) end state ¬ Update-Fn(actions, agents, state) scores ¬ Performance-Fn( scores, agents, state) until termination( state) return scores

Casi siempre, los agentes se han diseñado para satisfacer una cierta clase de ambiente

medición de buen éxito en ese ambiente, definido por un estado

Introd. a los Agentes Inteligentes Estructura de un agente inteligente Luis Enrique Sánchez Crespo

Como todos los agentes tienen una estructura básica o mínima o esquelética igual, se puede investigar cuál es ella. Resulta así un AGENTE ESQUELÉTICO: function Skeleton-Agent( percept ) returns action static: memory, the agent's memory of the world


memory  Update-Memory(memory, percept ) action  Choose-Best-Action(memory) memory  Update-Memory(memory, action) return action

– Desde un punto de vista estricto, no es necesario que el agente

guarde en su memoria las percepciones entrantes depende del dominio. Un dominio es un fragmento del mundo acerca del que deseamos adquirir conocimiento.

Introd. a los Agentes Inteligentes Ideal: Disponer de una tabla Luis Enrique Sánchez Crespo

Lo básico de un agente tabla-intensivo: function Table-Driven-Agent( percept ) returns action static: percepts, a sequence, initially empty

table, a table indexed by percept sequences, initially fully specified append percept to the end of percepts action  LookUp( percepts, table) o t n e i m i c o n o C l e d a i r e i n e g n I e l a i c i f i t r

return action

¿Por qué fracasa el ideal de disponer de una tabla de consulta? – Esta arquitectura adolece de • tamaño excesivo (no factible) • falta de adaptación. – ¿Qué tamaño tendría que tener la tabla? (Caso límite, el termóstato)

Introd. a los Agentes Inteligentes Tipos de Agentes Luis Enrique Sánchez Crespo

Tabla-intensivos –

para encontrar la acción siguiente usar una tabla en memoria del tipo “secuencia de percepciones”/acción. Se trata de una tabla bastante voluminosa para repetir la acción ya experimentada antes.

Agentes reflejos con un único estado (simples) – o t n e i m i c o n o C l e d a i r e i n e g n I e l a i c i f i t r

se basan en reglas condición/acción y se implementan con un sistema de PRODUCCIÓN. Carecen de memoria referente a estados pasados del mundo.

Bien informados de lo que pasa Agentes con memoria –

con un estado interno usado para seguirle la pista a los estados pasados del mundo.

Agentes meta-intensivos –

además de disponer de información sobre el estado, tienen una clase de información sobre la meta que describe situaciones deseables. Agentes de este tipo tienen bajo consideración eventos del futuro.

Utilidad-intensivos

Introd. a los Agentes Inteligentes Agente reactivo simple Luis Enrique Sánchez Crespo


Las reglas condición-acción permiten establecer la conexión entre percepción y acción. A la derecha del agente se indica el estado interno, único en un momento dado del proceso decisional. A la derecha está la base de conocimiento en forma de reglas de producción. El sencillo programa del agente aparece más abajo Interpret-input genera una descripción abstracta del estado mostrado por la percepción

function Simple-Reflex-Agent( percept ) returns action static: rules, a set of condition-action rules state  Interpret-Input( percept ) rule  Rule-Match( state, rules)

Introd. a los Agentes Inteligentes Agentes reactivos basados en modelos Luis Enrique Sánchez Crespo

La actualización del estado interno requiere dos tipos de conocimiento codificado conocimiento acerca de la forma como el mundo cambia - independiente de las acciones del agente. – conocimiento acerca de la forma en que el mundo cambia con motivo de la acción del agente –


Pero el conocimiento del estado interno no siempre es suficiente –

para elegir entre rutas decisionales alternativas(en una intersección ¿doblar o no

function Reflex-Agent-With-State( percept ) returns action static: rules, a set of condition-action rules state, a description of the current world

state ¬ Update-State( state, percept ) rule ¬ Rule-Match( state, rules) action ¬ Rule-Action[rule]

Introd. a los Agentes Inteligentes Agentes basados en objetivos Luis Enrique Sánchez Crespo


Razonando acerca de acciones un agente reflejo solo actúa basado en conocimientos precomputados (reglas) – la búsqueda y la planificación ayudan a razonar acerca de cuál acción logra la meta – el agente es menos eficiente pero más adaptativo y flexible –

Qué argumentar acerca de acciones alternativas que llegan a la meta

Introd. a los Agentes Inteligentes Agentes basados en objetivos (Arquitectura) Luis Enrique Sánchez Crespo


Input percept state  Update-State( state, percept ) goal  Formulate-Goal( state, perf-measure) search-space  Formulate-Problem ( state, goal ) plan  Search( search-space , goal ) while (plan not empty) do action  Recommendation( plan, state) plan  Remainder( plan, state) output action end

Los agentes simples no tienen acceso a su medida de buen éxito –

En ese caso el diseñador elige la meta y la incorpora por diseño a su agente

Similarmente, los agentes tontos no pueden formular su propio problema –

en cuyo caso dicha formulación también se debe incorporar al diseño

El bucle “while” (mientras) - ver arriba - es la fase de ejecución de la conducta

de este tipo de agentes

Introd. a los Agentes Inteligentes Agentes basados en utilidad Luis Enrique Sánchez Crespo


Función Utilidad es un mapeo de estados bajo la forma de números reales – lleva a decisiones racionales en dos tipos de situaciones –

Introd. a los Agentes Inteligentes Agentes basados en utilidad Luis Enrique Sánchez Crespo

Las metas no bastan para generar una conducta de alta calidad. Las metas permiten establecer una distinción entre estados “felices” e “infelices”.


Si se prefiere un estado en lugar de otro, se dice que ese estado ofrece mayor “utilidad” al agente. Utilidad

Función que caracteriza el grado de satisfacción. En temas venideros se mencionará frecuentemente el PRINCIPIO

Introd. a los Agentes Inteligentes Agentes que aprenden Luis Enrique Sánchez Crespo

Nivel de actuación

Sensor

Critica


Retroalimentación Elemento de aprendizaje

Objetivos a aprender Generador de

cambios conocimiento

Elemento de actuación

M e d i o A m b i e n t e

Introd. a los Agentes Inteligentes Agentes que aprenden Luis Enrique Sánchez Crespo

En la gráfica previa se estudia un modelo general de agente aprendiz, modelo novedoso con respecto a lo ya estudiado. Comparado con los tres diagramas del capítulo 2 de r&n (Agentes inteligentes), este cuarto diagrama tiene diferencias.


Aparece una entrada adicional (en rojo) ajeno al agente, que es el “estándar de desempeño” que está marcado aparte por el diseñador si se trata de un agente aprendiz autónomo o no supervisado, o bien corresponde a un “maestro” en el aprendizaje supevisado. El “error” debe irse corrigiendo. La zona de conexión directa entre sensores y efectores está regulada por un elemento de procesamiento del desempeño en el futuro inmediato, influible por maquinaria auxiliar de aprendizaje, maquinaria corregida por el “error” detectado. Las metas del aprendiz pueden tener distintos significados.



Resumen

Introd. a los Agentes Inteligentes Resumen Luis Enrique Sánchez Crespo

Las principales preocupaciones de este capitulo: Un agente percibe y actúa en un cierto ambiente, posee una dada arquitectura y está implementado a través de un programa de agente.


Un agente ideal (omnisciente) siempre elige aquella acción mediante la cual se maximiza su logro esperado, sujeta a la secuencia de percepciones recibida hasta ese momento. Un agente autónomo usa su experiencia propia en lugar de usar conocimiento incorporado por su diseñador referente al ambiente. Un programa de agente mapea la ruta entre percepción y acción y actualiza el estado interno de dicho agente.

Introd. a los Agentes Inteligentes Resumen Luis Enrique Sánchez Crespo

Otras preocupaciones: Un agente meta-intensivo (o basado en metas) actúa de tal manera de obtener el logro de su meta internalizada. Un agente utilidad – intensivo (o basado en utilidad) maximiza su propia función de utilidad.


Poder representar el conocimiento (y a veces lograr que ese conocimiento pueda ser legible por el humano) es importante para que el diseño tenga éxito. Los ambientes cambian y se presentan como dramaticamente más difíciles para unos agentes que para otros. Los más difíciles son los ambientes inaccesibles, no-determinísticos, no-episódicos, dinámicos y continuos. Un ambiente fácil es el representado por un robot encargado de hacer tostadas.

Introd. a los Agentes Inteligentes Conclusiones Luis Enrique Sánchez Crespo

La inteligencia artificial se ha presentado como la tecnología de la construcción de agentes inteligentes, con lo cual se unifican temas que no tenían relación con otros enfoques (caso de la robótica y la visión). Quedó evidente que el hilo conductor es el de ir complicando gradualmente los programas de agente, las funciones de agente y los programas de ambiente.


El futuro estará en los agentes que se comunican, que abarcan numerosos ejemplos de los siete presentados en la serie de diapositivas. Obviamente la noción de agente aglutina en una meta clara a toda la inteligencia artificial, la cual, sin embargo, al estar enlazada con los ambientes, pierde toda posibilidad de ser una disciplina auto-contenida, pasando a tener condición de multi-disciplinaria.

IA - Tema 2A - Agentes Inteligentes v1.2

Recommend Documents