AI-For-Beginners/translations/pt-PT/lessons/6-Other/23-MultiagentSystems

Sistemas Multi-Agente

Uma das formas possíveis de alcançar inteligência é a abordagem chamada emergente (ou sinergética), que se baseia no facto de que o comportamento combinado de muitos agentes relativamente simples pode resultar num comportamento geral mais complexo (ou inteligente) do sistema como um todo. Teoricamente, isto baseia-se nos princípios de Inteligência Coletiva, Emergentismo e Cibernética Evolutiva, que afirmam que sistemas de nível superior ganham algum tipo de valor acrescentado quando são devidamente combinados a partir de sistemas de nível inferior (o chamado princípio da transição de metasistema).

Questionário pré-aula

A direção dos Sistemas Multi-Agente surgiu na IA nos anos 1990 como uma resposta ao crescimento da Internet e dos sistemas distribuídos. Um dos livros clássicos de IA, Artificial Intelligence: A Modern Approach, foca-se na visão da IA clássica do ponto de vista dos sistemas multi-agente.

Central ao enfoque multi-agente está a noção de Agente - uma entidade que vive num ambiente, que pode perceber e sobre o qual pode agir. Esta é uma definição muito ampla, e podem existir muitos tipos e classificações diferentes de agentes:

• Pela sua capacidade de raciocinar:
  • Agentes reativos geralmente têm um comportamento simples de pedido-resposta
  • Agentes deliberativos utilizam algum tipo de raciocínio lógico e/ou capacidades de planeamento
• Pelo local onde o agente executa o seu código:
  • Agentes estáticos trabalham num nó de rede dedicado
  • Agentes móveis podem mover o seu código entre nós de rede
• Pelo seu comportamento:
  • Agentes passivos não têm objetivos específicos. Estes agentes podem reagir a estímulos externos, mas não iniciam ações por si próprios.
  • Agentes ativos têm objetivos que perseguem
  • Agentes cognitivos envolvem planeamento e raciocínio complexos

Os sistemas multi-agente são atualmente utilizados em várias aplicações:

• Em jogos, muitos personagens não-jogadores utilizam algum tipo de IA e podem ser considerados agentes inteligentes
• Na produção de vídeo, a renderização de cenas 3D complexas que envolvem multidões é normalmente feita utilizando simulação multi-agente
• Na modelação de sistemas, a abordagem multi-agente é usada para simular o comportamento de um modelo complexo. Por exemplo, a abordagem multi-agente foi utilizada com sucesso para prever a propagação da COVID-19 em todo o mundo. Abordagens semelhantes podem ser usadas para modelar o tráfego numa cidade e ver como reage a alterações nas regras de trânsito.
• Em sistemas de automação complexos, cada dispositivo pode atuar como um agente independente, tornando o sistema menos monolítico e mais robusto.

Não vamos dedicar muito tempo a explorar profundamente os sistemas multi-agente, mas vamos considerar um exemplo de Modelação Multi-Agente.

NetLogo

NetLogo é um ambiente de modelação multi-agente baseado numa versão modificada da linguagem de programação Logo. Esta linguagem foi desenvolvida para ensinar conceitos de programação a crianças e permite controlar um agente chamado tartaruga, que pode mover-se deixando um rastro atrás de si. Isto permite criar figuras geométricas complexas, sendo uma forma muito visual de compreender o comportamento de um agente.

No NetLogo, podemos criar muitas tartarugas utilizando o comando create-turtles. Podemos então comandar todas as tartarugas para realizarem algumas ações (no exemplo abaixo - mover 10 pontos para a frente):

create-turtles 10
ask turtles [
  forward 10
]

Claro que não é interessante quando todas as tartarugas fazem a mesma coisa, por isso podemos ask grupos de tartarugas, por exemplo, aquelas que estão nas proximidades de um determinado ponto. Também podemos criar tartarugas de diferentes raças utilizando o comando breed [cats cat]. Aqui cat é o nome de uma raça, e precisamos especificar tanto a palavra no singular como no plural, porque diferentes comandos utilizam formas diferentes para maior clareza.

✅ Não vamos aprender a linguagem NetLogo em si - pode visitar o excelente recurso Beginner's Interactive NetLogo Dictionary se estiver interessado em aprender mais.

Pode descarregar e instalar o NetLogo para experimentar.

Biblioteca de Modelos

Uma das grandes vantagens do NetLogo é que contém uma biblioteca de modelos funcionais que pode experimentar. Vá a File → Models Library, e terá muitas categorias de modelos para escolher.

Uma captura de ecrã da biblioteca de modelos por Dmitry Soshnikov

Pode abrir um dos modelos, por exemplo Biology → Flocking.

Princípios Principais

Depois de abrir o modelo, será levado ao ecrã principal do NetLogo. Aqui está um modelo de exemplo que descreve a população de lobos e ovelhas, dado recursos finitos (relva).

Captura de ecrã por Dmitry Soshnikov

Neste ecrã, pode ver:

• A secção Interface, que contém:
  • O campo principal, onde todos os agentes vivem
  • Diferentes controlos: botões, sliders, etc.
  • Gráficos que pode usar para exibir parâmetros da simulação
• O separador Code, que contém o editor onde pode escrever o programa NetLogo

Na maioria dos casos, a interface terá um botão Setup, que inicializa o estado da simulação, e um botão Go, que inicia a execução. Estes são tratados por manipuladores correspondentes no código que se parecem com isto:

to go [
...
]

O mundo do NetLogo consiste nos seguintes objetos:

• Agentes (tartarugas) que podem mover-se pelo campo e fazer algo. Comanda os agentes utilizando a sintaxe ask turtles [...], e o código entre parênteses é executado por todos os agentes em modo tartaruga.
• Patches são áreas quadradas do campo onde os agentes vivem. Pode referir-se a todos os agentes no mesmo patch ou pode alterar as cores dos patches e algumas outras propriedades. Também pode ask patches para fazer algo.
• Observer é um agente único que controla o mundo. Todos os manipuladores de botões são executados em modo observador.

✅ A beleza de um ambiente multi-agente é que o código que corre em modo tartaruga ou em modo patch é executado ao mesmo tempo por todos os agentes em paralelo. Assim, ao escrever pouco código e programar o comportamento de um agente individual, pode criar um comportamento complexo do sistema de simulação como um todo.

Flocking

Como exemplo de comportamento multi-agente, vamos considerar Flocking. Flocking é um padrão complexo muito semelhante ao modo como bandos de pássaros voam. Ao observá-los, pode pensar que seguem algum tipo de algoritmo coletivo ou que possuem alguma forma de inteligência coletiva. No entanto, este comportamento complexo surge quando cada agente individual (neste caso, um pássaro) apenas observa alguns outros agentes numa curta distância e segue três regras simples:

• Alinhamento - dirige-se para a direção média dos agentes vizinhos
• Coesão - tenta dirigir-se para a posição média dos vizinhos (atração de longo alcance)
• Separação - ao aproximar-se demasiado de outros pássaros, tenta afastar-se (repulsão de curto alcance)

Pode executar o exemplo de flocking e observar o comportamento. Também pode ajustar parâmetros, como o grau de separação ou o alcance de visão, que define até onde cada pássaro pode ver. Note que, se diminuir o alcance de visão para 0, todos os pássaros ficam cegos e o flocking para. Se diminuir a separação para 0, todos os pássaros juntam-se numa linha reta.

✅ Mude para o separador Code e veja onde as três regras de flocking (alinhamento, coesão e separação) estão implementadas no código. Note como nos referimos apenas aos agentes que estão à vista.

Outros Modelos para Ver

Há mais alguns modelos interessantes que pode experimentar:

• Art → Fireworks mostra como um fogo de artifício pode ser considerado um comportamento coletivo de correntes individuais de fogo
• Social Science → Traffic Basic e Social Science → Traffic Grid mostram o modelo de tráfego urbano em 1D e numa grelha 2D com ou sem semáforos. Cada carro na simulação segue as seguintes regras:
  • Se o espaço à sua frente estiver vazio - acelera (até uma certa velocidade máxima)
  • Se vir um obstáculo à frente - trava (e pode ajustar até onde o condutor pode ver)
• Social Science → Party mostra como as pessoas se agrupam durante uma festa de cocktail. Pode encontrar a combinação de parâmetros que leva ao aumento mais rápido da felicidade do grupo.

Como pode ver nestes exemplos, as simulações multi-agente podem ser uma forma bastante útil de compreender o comportamento de um sistema complexo composto por indivíduos que seguem a mesma lógica ou lógica semelhante. Também pode ser usado para controlar agentes virtuais, como NPCs em jogos de computador ou agentes em mundos animados em 3D.

Agentes Deliberativos

Os agentes descritos acima são muito simples, reagindo a mudanças no ambiente utilizando algum tipo de algoritmo. Como tal, são agentes reativos. No entanto, por vezes os agentes podem raciocinar e planear as suas ações, caso em que são chamados deliberativos.

Um exemplo típico seria um agente pessoal que recebe uma instrução de um humano para reservar uma viagem de férias. Suponha que existem muitos agentes que vivem na internet e que podem ajudá-lo. Deve então contactar outros agentes para ver quais voos estão disponíveis, quais são os preços dos hotéis para diferentes datas e tentar negociar o melhor preço. Quando o plano de férias estiver completo e confirmado pelo proprietário, pode proceder à reserva.

Para isso, os agentes precisam de comunicar. Para uma comunicação bem-sucedida, precisam de:

• Algumas linguagens padrão para trocar conhecimento, como Knowledge Interchange Format (KIF) e Knowledge Query and Manipulation Language (KQML). Estas linguagens são projetadas com base na Teoria dos Atos de Fala.
• Estas linguagens devem também incluir alguns protocolos para negociações, baseados em diferentes tipos de leilão.
• Uma ontologia comum para usar, de modo que se refiram aos mesmos conceitos conhecendo os seus significados
• Uma forma de descobrir o que diferentes agentes podem fazer, também baseada em algum tipo de ontologia

Os agentes deliberativos são muito mais complexos do que os reativos, porque não apenas reagem a mudanças no ambiente, mas também devem ser capazes de iniciar ações. Uma das arquiteturas propostas para agentes deliberativos é o chamado agente de Crença-Desejo-Intenção (BDI):

• Crenças formam um conjunto de conhecimento sobre o ambiente do agente. Pode ser estruturado como uma base de conhecimento ou conjunto de regras que um agente pode aplicar a uma situação específica no ambiente.
• Desejos definem o que um agente quer fazer, ou seja, os seus objetivos. Por exemplo, o objetivo do agente assistente pessoal acima é reservar uma viagem, e o objetivo de um agente de hotel é maximizar o lucro.
• Intenções são ações específicas que um agente planeia para alcançar os seus objetivos. As ações normalmente mudam o ambiente e causam comunicação com outros agentes.

Existem algumas plataformas disponíveis para construir sistemas multi-agente, como JADE. Este artigo contém uma revisão das plataformas multi-agente, juntamente com uma breve história dos sistemas multi-agente e os seus diferentes cenários de uso.

Conclusão

Os sistemas multi-agente podem assumir formas muito diferentes e ser usados em muitas aplicações diferentes. Todos tendem a focar-se no comportamento mais simples de um agente individual e alcançar um comportamento mais complexo do sistema geral devido ao efeito sinergético.

🚀 Desafio

Leve esta lição para o mundo real e tente conceptualizar um sistema multi-agente que possa resolver um problema. O que, por exemplo, um sistema multi-agente precisaria fazer para otimizar uma rota de autocarro escolar? Como poderia funcionar numa padaria?

Questionário pós-aula

Revisão e Autoestudo

Revise o uso deste tipo de sistema na indústria. Escolha um domínio, como a manufatura ou a indústria de videojogos, e descubra como os sistemas multi-agente podem ser usados para resolver problemas únicos.

Tarefa NetLogo

---