UNIVERSIDADE FEDERAL RURAL DA AMAZÔNIA

CAMPUS PARAGOMINAS
BACHARELADO EM SISTEMAS DE INFORMAÇÃO
Introdução a Inteligência Artificial

AGENTES INTELIGENTES
EXERCÍCIOS – Pt. 2

1) Considere uma versão modificada do ambiente de aspirador de pó, na

qual a geografia do ambiente — extensão, limites e obstáculos — é desco-
nhecida, como também a configuração inicial de sujeira (o agente também
pode se mover Acima e Abaixo, além de Esquerda e Direita).
a) Um agente reativo simples pode ser perfeitamente racional para esse
ambiente? Explique.
Um agente reativo simples pode ser eficaz em certos aspectos desse
ambiente, mas provavelmente não seria perfeitamente racional em to-
das as situações.

Um agente reativo é projetado para tomar decisões com base nas per-
cepções imediatas do ambiente, sem considerar informações mais
amplas sobre o estado geral do ambiente ou sobre possíveis resulta-
dos futuros. Isso pode ser adequado para tarefas simples e diretas,
como o ambiente do aspirador de pó tradicional, onde o objetivo é ape-
nas limpar a sujeira presente no local onde o agente se encontra.

No entanto, no ambiente modificado com geografia desconhecida e

movimentos nas quatro direções, um agente reativo simples pode en-
frentar alguns desafios como:

• Uma exploração ineficiente: Um agente reativo pode não ser efi-

ciente na exploração do ambiente desconhecido, pois suas
ações são determinadas apenas pelas percepções imediatas.
Ele pode entrar em ciclos repetitivos ou não explorar áreas des-
conhecidas de maneira eficaz.

• Movimentação não planejável: Para navegar por obstáculos e

maximizar a cobertura de áreas sujas, o agente precisaria de al-
guma forma de planejamento e consideração das consequên-
cias futuras de suas ações. Isso está além das capacidades de
um agente reativo simples.

• Limpeza não otimizada: A capacidade de escolher qual área lim-

par com base em informações sobre a distribuição geral de su-
jeira também é limitada em um agente reativo simples.

• Impossibilidade de se adaptar às mudanças: Se ocorrerem mu-

 danças no ambiente, como a localização de obstáculos ou su-
jeira, um agente reativo não seria capaz de se adaptar adequa-
damente, pois suas decisões são reativas e não consideram
mudanças de longo prazo

b) Um agente reativo simples com uma função de agente aleatório pode

superar um agente reativo simples?
Em termos gerais, um agente reativo simples com uma função de
agente aleatório não é provável que seja mais eficaz ou supere consis-
tentemente um agente reativo simples com uma função de agente de-
terminística. Um agente reativo simples com uma função de agente ale-
atório tomaria decisões de forma totalmente aleatória, sem considerar
as informações do ambiente. Isso significa que suas ações não esta-
riam alinhadas com o objetivo da tarefa ou com as condições do ambi-
ente. Por outro lado, um agente reativo simples com uma função de
agente determinística, mesmo que seja limitado e reativo, pelo menos
levaria em consideração alguma lógica ou padrões nas percepções para
tomar decisões.

Em contraste, um agente reativo simples com uma função de agente

determinística, embora possa ter limitações, pelo menos segue alguma
lógica que pode ser adaptada ao ambiente e à tarefa. Portanto, em mé-
dia e em situações diversas, o agente reativo com função determinística
teria maior probabilidade de superar um agente reativo com função ale-
atória.

c) Você poderia projetar um ambiente no qual seu agente aleatório tenha um

desempenho muito ruim?
Em um labirinto complexo: Imaginemos um labirinto grande e complexo,
com muitos corredores, interseções e obstáculos. O objetivo do agente é
encontrar a saída do labirinto. No entanto, este ambiente é projetado de
tal forma que a saída esteja localizada em um canto distante do labirinto,
enquanto a maioria dos corredores leva a becos sem saída.

Nesse caso, um agente reativo aleatório teria um desempenho muito

ruim, pois suas ações seriam completamente aleatórias. Ele poderia ficar
vagando pelos corredores sem avançar significativamente em direção à
saída. Como a probabilidade de escolher o caminho certo é extrema-
mente baixa, o agente aleatório levaria uma quantidade excessiva de
tempo para encontrar a saída e, na maioria dos casos, nunca a encontra-
ria.

d) Um agente reativo com estado pode superar um agente reativo simples?

Sim, um agente reativo com estado pode superar um agente reativo sim-
ples em muitos cenários. Introduzir um estado interno no agente permite
que ele mantenha informações sobre o histórico de percepções e ações,
o que pode levar a decisões mais inteligentes e adaptáveis com base nas
 mudanças do ambiente ao longo do tempo. Ao ter um estado interno, o
agente reativo com estado pode lembrar de ações anteriores, explorar o
ambiente de forma mais eficiente e tomar decisões mais informadas. Ele
pode evitar ações que levaram a becos sem saída, seguir rotas mais pro-
missoras e ajustar seu comportamento com base nas informações acu-
muladas.

2) Imagine o caso de que um robô aspirador tenha seu sensor de posição substi-
tuído por um sensor de “impacto” que detecta as tentativas realizadas pelo
agente para se mover para um obstáculo ou cruzar os limites do ambiente.
Suponha que o sensor de impacto pare de funcionar; como o agente deverá
se comportar?
Se o sensor de "impacto" parar de funcionar e o robô aspirador não for mais
capaz de detectar suas tentativas de se mover para um obstáculo ou cruzar
os limites do ambiente, o agente terá que adotar um comportamento alterna-
tivo para garantir sua operação segura e eficaz pois, sem a detecção de im-
pacto, o agente não terá mais a capacidade de perceber essas situações dire-
tamente. Nessa situação o agente pode:
• Utilizar outros sensores: Se o robô aspirador tiver outros sensores,
como sensores de proximidade ou câmeras, ele pode depender desses
sensores para identificar obstáculos e limites. Por exemplo, um sensor
de proximidade pode detectar objetos próximos, permitindo que o robô
desacelere ou mude de direção para evitar colisões.

• Parar ou sinalizar: Em casos extremos em que não haja outros senso-

res, o agente não puder garantir a segurança de suas ações devido à
falta do sensor de impacto, ele pode decidir parar de se mover com-
pletamente ou sinalizar uma condição de erro para que um operador
humano intervenha.

3) Os ambientes de aspiradores de pó de todos os exercícios anteriores eram

determinísticos. Descreva possíveis programas de agentes para cada uma
das versões estocásticas listadas a seguir:
a) Lei de Murphy: durante 25% do tempo, a ação de aspirar falha ao limpar
o chão se ele está sujo e deposita sujeira no chão se ele está limpo. De
que maneira seu programa de agente é afetado se o sensor de sujeira
fornece a resposta errada durante 10% do tempo?
• Programa de agente aleatório com verificação: O agente pode
continuar a usar um programa aleatório para suas ações, mas
agora ele também verifica o estado da sujeira após cada ação. Se
a ação de aspirar falhar (25% de chance), ele pode repetir a ação.
Se o sensor de sujeira estiver incorreto, a verificação ajudaria a
corrigir a percepção errônea.

• Programa de agente baseado em modelo probabilístico: O agente

pode criar um modelo probabilístico do ambiente que considera
 a probabilidade de ações de limpeza falharem e o sensor de su-
jeira fornecer respostas erradas. Com base nesse modelo, ele
pode escolher ações que maximizem a probabilidade de sucesso,
levando em consideração a incerteza.

b) Crianças pequenas: em cada período, cada quadrado limpo tem uma

chance de 10% de se tornar sujo. Você poderia apresentar um pro-
jeto de agente racional para esse caso?
• Programa de agente reativo com aleatoriedade: O agente pode
implementar um programa reativo que realiza uma ação de
limpeza com uma probabilidade fixa em cada período. Por
exemplo, ele pode limpar um quadrado com uma chance de
20%, independentemente da percepção.

• Programa de agente baseado em probabilidade e histórico: O

agente pode manter um histórico de limpeza de cada qua-
drado e calcular a probabilidade de um quadrado estar sujo
no próximo período. Ele pode priorizar a limpeza de quadrados
com maior probabilidade de sujeira.

• Programa de agente com aprendizado: O agente pode usar

técnicas de aprendizado de máquina para criar um modelo
que preveja a probabilidade de um quadrado ficar sujo com
base nas percepções históricas. O agente atualiza constante-
mente esse modelo à medida que novos dados são coletados.