Appunti di Intelligenza artificiale

​AGENTE INTELLIGENTE :​

​

U

n agente è un’entità in grado di interagire con un ambiente attraverso sensori e attuatori. I sensori​

​servono per percepire lo stato dell’ambiente, mentre gli attuatori permettono all’agente di compiere​

​azioni che possono modificarlo.​

​2.1. Componenti di un agente​

​●​ ​Percezioni (percepts)​

​: informazioni ricevute dall’ambiente.​

​●​ ​Sensori​

​: strumenti o funzioni che raccolgono percezioni.​

​●​ ​Azioni​

​: operazioni che l’agente può eseguire.​

​●​ ​Attuatori​

​: dispositivi che realizzano le azioni.​

​●​ ​Funzione agente​

​: trasforma la storia delle percezioni​​in azioni.​

​●​ ​Programma agente​

​: implementazione della funzione agente.​

​2.2. Tipi di agenti​

​●​ ​Agenti reattivi semplici​

​: rispondono direttamente​​agli stimoli tramite regole​

​condizione-azione.​

​●​ ​Agenti basati su modello​

​: mantengono una rappresentazione​​interna del mondo.​

​●​ ​Agenti orientati agli obiettivi​

​: scelgono azioni per​​raggiungere scopi specifici.​

​●​ ​Agenti basati sull’utilità​

​: massimizzano una funzione​​di utilità (grado di​

​soddisfazione).​

​●​ ​Agenti che apprendono​

​: migliorano il loro comportamento​​nel tempo grazie​

​all’esperienza.​

​2.3. Tipologie di ambienti​

​

●

​ ​Osservabile / parzialmente osservabile​

​●​ ​Deterministico / stocastico​

​●​ ​Episodico / sequenziale​

​●​ ​Statico / dinamico​

​●​ ​Discreto / continuo​

​●​ ​Mono-agente / multi-agente​

​ La​​natura dell’ambiente​​influisce direttamente​​sulla​​scelta della tecnica di IA​​più​

​appropriata.​

✅

​ ​​Un agente intelligente​​è qualcosa (può essere un​​robot, un software, un programma,​

​un essere vivente, ecc.) che:​

​1.​ ​Osserva il mondo intorno a sé​​→ riceve informazioni​​tramite​​sensori​​(cioè​

​strumenti che “percepiscono” ciò che succede nell’ambiente).​

​○​ ​Esempi: una telecamera, un microfono, un radar, ma anche un input da​

​tastiera in un software.​

​2.​ ​Prende decisioni​​in base alle informazioni ricevute​​→ elabora internamente cosa​

​fare per raggiungere un obiettivo.​

​○​ ​Esempio: un robot calcola come evitare un ostacolo.​

​3.​ ​Agisce sull’ambiente​​→ usa​​attuatori​​per compiere​​azioni concrete.​

​○​ ​Esempi: ruote che si muovono, un braccio meccanico che afferra, un​

​programma che invia una risposta.​

​4.​ ​Persegue uno scopo​​→ non agisce a caso, ma con l’obiettivo​​di raggiungere un​

​determinato risultato.​

​○​ ​Esempio: un aspirapolvere robot “vuole” pulire tutta la stanza.​

​ ​​In parole semplici:​

​3. Tecniche Fondamentali dell'Intelligenza Artificiale​

​

3

.1. Ricerca e Risoluzione di Problemi​

​· Ricerca non informata (cieca): non usa conoscenze aggiuntive.​

​. Esempi: BFS (Breadth-First Search), DFS (Depth-First Search), Uniform Cost.​

​. Ricerca informata (euristica): utilizza funzioni euristiche per guidare la ricerca.​

​. Esempi: A*, Greedy Best-First Search.​

​· Ricerca avversaria (per ambienti competitivi):​

​. Esempi: Minimax, potatura Alpha-Beta (usata nei giochi come scacchi).​

​

3

.2. Rappresentazione della Conoscenza e Ragionamento​

​. Logiche formali: logica proposizionale e logica del primo ordine.​

​. Sistemi basati su regole: "se ... allora ... ".​

​· Ontologie e reti semantiche: rappresentazioni strutturate della conoscenza.​

​· Ragionamento probabilistico: reti bayesiane, modelli di Markov.​

​

3

.3. Pianificazione (Planning)​

​· Generazione di sequenze di azioni per raggiungere un obiettivo.​

​. Esempi: STRIPS, pianificazione parziale, pianificazione gerarchica.​

​

3

.4. Apprendimento Automatico (Machine Learning)​

​Branca dell'IA che permette ai sistemi di imparare dai dati:​

​· Apprendimento supervisionato: classificazione e regressione (es. reti neurali, SVM).​

​· Apprendimento non supervisionato: clustering, riduzione dimensionale (es. k-means, PCA).​

​· Apprendimento per rinforzo: l'agente impara tramite ricompense e penalità (es. Q-learning,​

​Deep RL).​

​

3

.5. Elaborazione del Linguaggio Naturale (NLP)​

​. Capacità di comprendere e generare linguaggio umano.​

​· Esempi: modelli linguistici, analisi del sentiment, transformer.​

​

3

.6. Visione Artificiale​

​· Capacità di interpretare immagini e video.​

​. Esempi: reti neurali convoluzionali (CNN), object detection, segmentazione.​

​●​

​—------------------------------------------------------------------------------------------------------------------------​

​AGENTI RAZIONALI :​

​

A

genti:​​sono entità capaci di percepire l’ambiente​​e agire su di esso per raggiungere un​

​obiettivo. Possono essere​​umani, robot, software (softbot),​​termostati​

​, ecc.​

I

​

l comportamento di un agente è descritto dalla sua​​funzione agente​

​, che specifica quale​

​azione intraprendere in ogni possibile situazione percettiva.​

​

F

unzione agente (agent function):​​è una funzione matematica​​che trasforma la​​storia​

​delle percezioni​​(P∗) in un’​

​azione​​(A):​

​f : P∗ → A​

I

​

n altre parole, dato tutto ciò che l’agente ha percepito fino a quel momento, la funzione​

​decide quale azione compiere.​

​

P

rogramma agente (agent program):​​è l’implementazione​​concreta della funzione agente​

​su un’architettura fisica (computer, robot, ecc.) e produce il comportamento reale​

​dell’agente.​

​ESEMPIO : VACUUM CLEANER WORLD​

​Scenario​

​

●

​ ​

A

mbiente: una stanza divisa in due celle,​​A​​e​​B

​.​

​●​ ​Ogni cella può essere​​pulita​​o​​sporca​

​.​

​●​ ​Azioni possibili​​:​​MoveLeft​

​,​​MoveRight​

​,​​Suck​​(aspira),​​NoOp​​(non fare nulla).​

​●​ ​Sensore/Percezione​​: indica la posizione attuale e​​se quella cella è sporca o pulita.​

​→ Percezione : A,dirty​

​1. Agente​

​Il robot aspirapolvere è l’agente: percepisce lo stato della cella e agisce per pulire.​

​2. Funzione agente​

​

N

ella pratica, la funzione agente viene realizzata attraverso un​​programma agente​

​, cioè​

​un’implementazione concreta che traduce percezioni in azioni secondo determinate​

​strategie. Per definire chiaramente il compito di un agente si utilizza il modello​​PEAS​

​,​

​acronimo di​​Performance measure, Environment, Actuators,​​Sensors​

​. Questo schema serve​

​a descrivere in modo strutturato la misura di prestazione, l’ambiente in cui l’agente opera, gli​

​attuatori di cui dispone e i sensori che utilizza.​

​

L

a funzione agente f : P∗ → A prende tutta la​​storia delle percezioni​​(posizione e pulizia​

​della cella) e decide quale azione eseguire.​

​Agente in base a ciò che percepisce decide che cosa fare / quale azione scegliere​

​Un esempio di funzione agente semplice (pseudo-logica):​

​●​ ​Se la cella corrente è​​sporca​

​, fai​​Suck​

​●​ ​Altrimenti, se sei in​​A

​, fai​​MoveRight​

​●​ ​Altrimenti, se sei in​​B

​, fai​​MoveLeft​

I

​

l​​performance measure​​(misura di performance) è il​​criterio con cui valutiamo quanto bene​

​un agente sta svolgendo il suo compito, serve a quantificare il successo dell’agente rispetto​

​agli obiettivi prefissati.​

​

D

ipende​​dal tipo di agente e dall’ambiente​

​.​

​Non fa parte dell’agente stesso, ma​​misura l’efficacia​​del suo comportamento​

​.​

​Permette di​​confrontare diversi agenti o strategie​

​.​

​Misura di prestazione (Performance measure) fissa​

​

L

a​​misura di prestazione​​valuta la sequenza di eventi​​nell’ambiente. Alcuni esempi nel caso di un​

​vacuum agent​

​:​

​1.​ ​Un punto per ogni quadrato pulito entro un certo tempo TTT​

​○​ ​Si premia semplicemente il risultato finale: quanti quadrati sono puliti alla fine del​

​periodo.​

​2.​ ​Un punto per ogni quadrato pulito ad ogni passo, meno uno per ogni movimento​

​○​ ​Tiene conto sia dell’efficienza che del costo dell’azione.​

​○​ ​Ad esempio, se pulisci molti quadrati ma ti muovi molto, il punteggio totale può​

​essere inferiore.​

​3.​ ​Penalità se ci sono più di kkk quadrati sporchi​

​○​ ​Serve a penalizzare condizioni di inefficienza o trascuratezza.​

​

A

gente razionale​

​Un​​agente razionale​​sceglie​​l’azione che massimizza​​il valore atteso della misura di​

​prestazione​

​, dato lo storico delle percezioni fino​​a quel momento.​

​Cosa NON significa essere razionali​

​○​

​TIPI DI PROBLEMI :​

​1. Deterministic, fully observable single-state problem​

⇒

​

● ​ ​

D efinizione:​​L’agente conosce​​esattamente​​in quale​​stato si trova in ogni momento.​

​●​ ​Conseguenza:​​Il problema può essere trattato come​​un​​problema a stato singolo​

​, perché non c’è​

​incertezza.​

​

● ​ ​Soluzione:​​Una semplice​​sequenza di azioni​​dall’inizio​​alla fine risolve il problema.​

​●​ ​Esempio:​​Muoversi in un labirinto con mappe complete​​e senza ostacoli casuali. L’agente sa sempre​

​dove si trova e cosa succederà dopo ogni azione.​

​2. Non-observable conformant problem​

⇒

​●​ ​

D efinizione:​​L’agente​​non sa dove si trova​​nello spazio​​degli stati. Non riceve alcuna informazione​

​utile durante l’esecuzione.​

​

● ​ ​Conseguenza:​​L’agente deve pianificare senza avere​​certezza dello stato attuale.​

​●​ ​Soluzione:​​Se esiste, la soluzione è comunque una​​sequenza di azioni​

​, ma deve funzionare​​per tutti​

​gli stati possibili iniziali​

​.​

​●​ ​Esempio:​​Cercare un oggetto in una stanza completamente​​buia senza alcuna fonte di informazione​

​(non si può guardare, sentire o misurare nulla).​

​3. Nondeterministic and/or partially observable contingency problem​

⇒

​●​ ​

D efinizione:​​L’agente​​ha incertezza​​sul risultato​​delle azioni o non conosce completamente lo stato,​

​ma riceve​​percezioni parziali​​che forniscono informazioni​​durante l’esecuzione.​

​●​ ​Conseguenza:​​La soluzione​​non può essere solo una​​sequenza fissa​

​, perché dipende da ciò che​

​l’agente percepisce.​

​●​ ​Soluzione:​​Si usa un​​piano contingente​​o una​​politica​

​,​​che specifica quali azioni fare a seconda delle​

​informazioni percepite.​

​●​ ​