1 A G E N T E S I N T E L I G E N T E SLa Inteligencia Artificial tiene como objetivo el estudio de las entidades inteligentes;pero a diferencia de la filosofía, la psicología, las neurociencias, y demás disciplinascuyo objeto de estudio está relacionado con la inteligencia, su meta no tiene que verúnicamente con la comprensión de estas entidades, sino con su construcción. La cons-trucción de agentes racionales como concepto unificador dentro de la InteligenciaArtificial, constituye el curiosamente llamado, nuevo enfoque de la Inteligencia Arti-ficial, claramente definido en el texto introductorio de Russell y Norvig [19]. Inclusoantagonistas de las tecnologías basadas en agentes, como Lanier1, coinciden en que elconcepto de agente es inherente al de Inteligencia Artificial.

Ciencias Cognitivas

Inteligencia Artificial

Filosofía

Neuro Ciencias

Lingüistica

Psicología Cognitiva

Figura 1: La Inteligencia Artificial en el contexto de las Ciencias Cognitivas: la diferencia essu constructivismo inherente.

Varela [21] situa a la Inteligencia Artificial entre las Ciencias Cognitivas (Ver figura1), enfatizando su constructivismo inherente que la diferencia de otras disciplinas quecomparten objetivos similares: filosofía, neuro ciencias, lingüistica, filosofía cognitiva,etc. Esta geografía, cabe mencionar, es de suma utilidad para reflexionar acerca delcarácter científico e ingenieril de la Inteligencia Artificial.

Por tanto, no deja de ser sorprendente que no sea hasta finales de los años ochentaque el concepto de agente es incorporado a la Inteligencia Artificial, como un temaque se pretende unificador. Parte del problema, pudiera deberse a un distanciamien-to entre los intereses científicos y prácticos del área. Este capítulo espera ofrecer unacercamiento entre ambas perspectivas. Primero ¿Qué es un agente? ¿De donde adop-tamos este término?

1 Lanier [11] argumenta que la interacción de los agentes artificiales con los humanos, difícilmente puedencalificarse de inteligente. En su opinión nuestros actuales agentes resultan un verdadero peligro para lahumanidad – Estos agentes no se volverán inteligentes, pero los humanos ajustarán su comportamientoy sus expectativas al limitado comportamiento de algo que se les ha presentado como inteligente.

1

2 ������� ������������Históricamente, fuera de la Inteligencia Artificial, el término agente ha sido usado

con dos acepciones. Primero, a partir de Aristóteles [1] y hasta nuestros días, en fi-losofía el término agente se ha referido a una entidad que actúa con un propósitodentro de un contexto social. Segundo, la noción legal de agente, como la personaque actúa en beneficio de otra con un propósito específico, bajo la delegación limitadade autoridad y responsabilidad, estaba ya presente en el derecho Romano y ha sidoampliamente utilizada en economía [14].

En el contexto de la computación [25], el concepto de agente se consolida como unasolución a las demandas actuales: ubicuidad, interconexión, inteligencia, delegacióny homocentrismo. Esto es, en entornos como el que se muestra en la figura 2,dondetenemos una diversidad de dispositivos de cómputo distribuidos en nuestro entornoe interconectados, los agentes inteligentes emergen como la herramienta para delegaradecuadamente nuestro trabajo y abordar esta problemática desde una perspectivamás familiar para usuarios, programadores y diseñadores.

InternetTelefonía

Cine/TV

Banca

Tiendas

Trabajo

Escuela

Figura 2: El entorno computacional actual: ubicuo, interconectado, social, ¿inteligente?

Franklin y Graesser [8] argumentan que todas las definiciones del término agenteen el contexto de la Inteligencia Artificial, se basan en alguna de estas dos acepcioneshistóricas. Una definición consensual de agente [19, 26] puede ser:

Un agente es un sistema computacional capaz de actuar de manera autó-noma para satisfacer sus objetivos y metas, mientras se encuentra situadopersistentemente en su medio ambiente.

Esta definición que puede parecer demasiado general, provee una abstracción delconcepto de agente basada en su presencia e interacción con el medio ambiente (Verla Figura 3). Russell y Subramanian [18] encuentran que esta abstracción presenta almenos tres ventajas:

1. Nos permite observar las las facultades cognitivas de los agentes al servicio deencontrar cómo hacer lo correcto.

������� ������������ 3

Ambiente

agentePercepción

Acción

Figura 3: Abstracción de un agente a partir de su interacción con el medio ambiente.

2. Permite considerar diferentes tipos de agente, incluyendo aquellos que no sesupone tengan tales facultades cognitivas.

3. Permite considerar diferentes especificaciones sobre los sub-sistemas que com-ponen los agentes.

Consideren el ejemplo 1. Es discutible concebir un daemon de sistema operativo co-mo un agente, pero tal sistema cumple con la definición consensual de agente. Es más,este agente se las arregla para identificar a su usuario, encontrar su buzón electrónicoen la red, buscar mensajes nuevos y comunicar al usuario la presencia de éstos. Lastres ventajas señaladas de tal definición, se aplican en este caso. El resultado inmediatoes que podemos aproximar la definición de xbiff de una manera más comprensiblepara el usuario, sin referenciar en lo absoluto a los protocolos propios del correo-ecomo POP, IMAP, MAPI, etc., ni a implementación particular alguna.

Ejemplo 1. El deamon de X Windows xbiff está situado en un ambiente UNIX, vigilandoconstantemente el buzón de su usuario para avisarle cuando llegan mensajes nuevos a travésde una interfaz gráfica.

Si bien hemos presentado al xbiff como un agente, no hemos dicho que se trate deuna entidad inteligente. Se dice que un agente es racional si hace lo correcto2. Unaprimera aproximación a la definición de lo “correcto” consiste en asumir que unaacción correcta es aquella que causa que el agente tenga un mayor éxito. Esto reduceel problema de la racionalidad a definir cómo y cuando se debe evaluar el “éxito” delagente.

El término medida de desempeño se refiere al criterio usado para determinar el éxi-to de un agente. Es preferible manejar una medida de desempeño objetiva impuestapor alguna forma de autoridad. Esto es, nosotros como observadores estableceremospara cada agente, un estándar de lo que significa ser exitoso en un ambiente dado, yusaremos ese estándar para medir el desempeño del agente. Bajo ninguna circunstan-cia, el agente puede manipular3 tal estándar. El ejemplo 2 nos muestra una medidade desempeño que cumple con las características mencionadas.

Ejemplo 2. En el Segundo Torneo Nacional de Robots Limpiadores 2005 (Xalapa, Ver., Mé-xico), el desempeño del agente es establecido por un estándar externo al agente, especificadomediante la formula de evaluación diseñada por los organizadores:

2 En su inglés original, la frase tiene mayor peso –Do the right thing.3 Un agente que manipula la medida de desempeño, suele llegar a razonamientos del tipo –Al fin y al

cabo, quién diablos quiere una maestría.

4 ������� ������������

PT =X

i

(CLi

⇥DAi

)⇥ (TMax/TOper)

donde: PT es el puntaje total. El segundo término evalúa la persistencia del agente: TMax esel tiempo máximo de la prueba y TOper es el tiempo que el robot se mantuvo en operación.Si el robot trabaja durante toda la prueba no es penalizado, si no la puede terminar, si lo es.El primer término evalúa la capacidad del agente. Para ello el piso a limpiar, rectangular, sedivide conceptualmente en celdas. CL

i

es la i-ésima celda limpiada con éxito, o si se prefieretoma valor 1 si la celda se limpio, y 0 en caso contrario. DA

i

es el valor de dificultad de accesoa la i-ésima celda limpiada.

Es necesario precisar que la racionalidad de un agente se define en relación con eléxito esperado dado lo que el agente ha percibido. Esto es, no podemos exigir a unagente que tome en cuenta lo que no puede percibir, o haga lo que sus efectores nopueden hacer. Por lo tanto, la racionalidad de un agente a un tiempo dado dependede:

• La medida de desempeño que define el estándar de éxito.

• La secuencia de percepciones del agente, esto es, todo lo que el agente hallapercibido hasta el tiempo dado.

• El conocimiento del agente sobre el medio ambiente en el que está situado.

• La habilidad del agente, esto es, las acciones que el agente puede llevar a cabocon cierta destreza.

Un agente racional ideal es aquel que para toda secuencia de percepciones posible,selecciona y ejecuta una acción que se espera maximice la medida de desempeño, conbase en la información que proveen su percepción y conocimiento sobre el ambiente.

Luego entonces, es posible describir un agente por medio de una tabla con lasacciones que el agente toma en respuesta a cada posible secuencia de percepciones.Esta tabla se conoce como el mapeo percepción-acción. Por lo tanto un mapeo idealdescribe a un agente ideal y define el diseño de un agente ideal. A la búsqueda deun mecanismo que aproxime este mapeo ideal, se le conoce como el problema deselección de acción. El ejemplo 3 muestra el mapeo ideal de xbiff.

Ejemplo 3. En el caso de xbiff el mapeo ideal es muy sencillo. Si el buzón contiene al menosun mensaje con la etiqueta “nuevo”, desplegar el icono de mensaje nuevo; en cualquier otrocaso, desplegar el icono de mensajes leídos.

�.� �������������� �������� � ��������Independientemente de la implementación usada para construir a xbiff, no resultanatural identificar a los daemons de UNIX como agentes y menos aún como agentesinteligentes. Foner [7] argumenta que para ser percibido como inteligente, un agentedebe exhibir cierto tipo de comportamiento, caracterizado más tarde por Wooldridge

�.� �������������� �������� � �������� 5y Jennings [26], como comportamiento flexible y autónomo. Este tipo comportamien-to se caracteriza por su:

• Reactividad. Los agentes inteligentes deben ser capaces de percibir su medioambiente y responder a tiempo a los cambios en él, a través de sus acciones.

• Iniciativa. Los agentes inteligentes deben exhibir un comportamiento orientadopor sus metas, tomando la iniciativa para satisfacer sus objetivos de diseño (pro-activeness).

• Sociabilidad. Los agentes inteligentes deben ser capaces de interaccionar conotros agentes, posiblemente tan complejos como los seres humanos, con miras ala satisfacción de sus objetivos.

Una caracterización más detallada de autonomía es presentada por Covrigaru y Lind-say [4]. Su desiderata, que incluye algunos de los aspectos ya mencionados, expresaque un agente se percibe como autónomo en la medida en que:

1. Su comportamiento está orientado por sus metas y es capaz de seleccionar quemeta va a procesar a cada instante.

2. Su existencia se da en un período relativamente mayor al necesario para satisfa-cer sus metas.

3. Es lo suficientemente robusto como para seguir siendo viable a pesar de loscambios en el ambiente.

4. Puede interaccionar con su ambiente en la modalidad de procesamiento de in-formación.

5. Es capaz de exhibir una variedad de respuestas, incluyendo movimientos deadaptación fluidos; y su atención a los estímulos es selectiva.

6. Ninguna de sus funciones, acciones o decisiones, está totalmente gobernada porun agente externo.

7. Una vez en operación, el agente no necesita ser programado nuevamente por unagente externo.

De entre todos estos puntos, el sexto requiere una defensa rápida puesto que ladimensión social de los agentes no será abordada en este texto4. En filosofía políticaliberal, es aceptado que los agentes solo pueden llegar a ser autónomos si se da unconjunto de condiciones necesarias para ello. Diferentes condiciones son consideradas,por ejemplo Rawls [17] habla de bienes primarios, bienes que son medios necesariospara que el agente tenga mayor éxito para satisfacer sus “intenciones” y avanzar ensu plan de vida a largo término. Es necesaria una pluralidad de tales bienes paraconfigurar lo que él llama contexto de elección. Esta pluralidad es posible únicamentesi el agente tiene una relación cercana con su ambiente social y cultural. En el contextode Inteligencia Artificial, es Newell [16] en su Unified Theories of Cognition (p. 20),

4 Castelfranchi [3] presenta una excelente introducción a las interacciones sociales entre agentes.

6 ������� ������������quien ofrece argumentos similares y señala la bimodailidad entre la autonomía y lapertenencia a una comunidad social.

Covrigaru y Lindsay argumentan que ser autónomo, depende no sólo de la habili-dad para seleccionar metas u objetivos de entre un conjunto de ellos, ni de la habilidadde formularse nuevas metas, sino de tener el tipo adecuado de metas. Los agentes ar-tificiales son usualmente diseñados para llevar a cabo tareas por nosotros, de formaque debemos comunicarles que es lo que esperamos que hagan. En un sistema compu-tacional tradicional esto se reduce a escribir el programa adecuado y ejecutarlo. Unagente puede ser instruido sobre que hacer usando un programa, con la ventaja co-lateral de que su comportamiento estará libre de incertidumbre. Pero programar unagente de esta forma, atenta contra su autonomía, teniendo como efecto colateral laincapacidad del agente para enfrentar situaciones imprevistas mientras ejecuta su pro-grama. Las metas y las funciones de utilidad son dos maneras de indicarle a un agentelo que hacer, sin decirle cómo hacerlo.

�.� ����� ��������Por medio ambiente, entendemos el espacio donde un agente, o un grupo de ellos, seencuentra situado. Brooks [2] argumenta que el medio ambiente por excelencia es elmundo real, y en su propuesta todo agente toma una forma robótica. Por el contrario,Etzioni [5], considera que no es necesario que los agentes tengan implementacionesrobóticas porque los ambientes virtuales, como los sistemas operativos y el web, sonigualmente válidos que el mundo real. En esta presentación asumimos la posición deEtzioni, resaltando que lo importante es que la interacción del agente con su ambientese de en los términos señalados en nuestra definición de agente, esto es, en formaautónoma bajo persistencia temporal. Russell y Norvig [19] señalan que, más allá deesta controversia, es importante identificar que existen diferentes tipos de ambientes:

• Observable vs. Parcialmente observable. Si los sensores de un agente le per-miten percibir el estado completo del ambiente en cada punto en el tiempo,decimos que el ambiente es observable. Un ambiente es efectivamente observa-ble si los sensores del agente detectan todos los aspectos relevantes para decidirque acción debe llevarse a cabo. Relevancia aquí depende de la definición defunción de desempeño. Los ambientes observables son convenientes debido aque en ellos, un agente no necesita mantener el historial de estados del ambien-te para ser efectivo. Un ambiente puede ser parcialmente observable debido ala imprecisión y el ruido en los sensores; o bien porque algunos aspectos delambiente caen fuera del rango de lectura de los sensores.

• Determinista vs. Estocástico. Si el próximo estado del ambiente está determina-do por la acción que ejecuta el agente, se dice que el ambiente es determinista. Siotros factores influyen en el próximo estado del ambiente, éste es estocástico. Siel ambiente es parcialmente observable, entones aparecerá como no estocástico.Esto es particularmente cierto en el caso de ambientes complejos, donde es di-fícil dar seguimiento a los aspectos no observables del ambiente. Generalmente

�.� ����� �������� 7es mejor considerar estas propiedades del ambiente, desde el punto de vista delagente. El carácter estocástico del ambiente captura dos nociones importantes:

1. El hecho de que los agentes tienen una esfera de influencia limitada, esdecir, en el mejor de los casos tienen un control parcial de su ambiente;

2. y el hecho de que las acciones de un agente puede fallar y no lograr elresultado deseado por el agente.

Por ello, es más sencillo construir agentes en ambientes deterministas. Si el am-biente es determinista, excepto para las acciones de otros agentes, se dice que elambiente es estratégico.

• Episódico vs. Secuencial. En un ambiente episódico, la experiencia de un agen-te puede evaluarse en rondas. Las acciones se evalúan en cada episodio o ronda, esto es, la calidad de la acción en los episodios subsecuentes, no depende delas acciones ocurridas en episodios previos. Por ejemplo, el detector de basuraen las botellas de una cervecería es episódico: la decisión de si una botella estasucia o no, no depende de los casos anteriores. Dada la persistencia temporal delos agentes, estos tienen que hacer continuamente decisiones locales que tienenconsecuencias globales. Los episodios reducen el impacto de estas consecuen-cias, y por lo tanto es más fácil construir agentes en ambientes episódicos. Unprograma que juega ajedrez está en un ambiente secuencial.

• Estático vs. Dinámico. Si el ambiente puede cambiar mientras el agente se en-cuentra deliberando, se dice que es dinámico; de otra forma, se dice estático. Siel ambiente no cambia con el paso del tiempo, pero si lo hace con las accionesdel agente si lo hace, se dice que el ambiente es semi-dinámico. Los ambientesdinámicos tienen dos consecuencias importantes: Un agente debe percibir con-tinuamente, porque aún si no ha ejecutado ninguna acción entre los tiempos t

0

y t1

, el agente no puede asumir que el estado del ambiente sea el mismo en t0

que en t1

; Otros procesos en el ambiente pueden interferir con las acciones delagente, incluyendo las acciones de otros agentes. Por lo tanto, es más sencillodiseñar agentes en ambientes estáticos.

• Discreto vs. Continuo. Si hay un número limitado de posibles estados del am-biente, distintos y claramente definidos, se dice que el ambiente es discreto; deotra forma se dice que es continuo. Esta propiedad puede aplicarse al estado delambiente; a la forma en que se registra el tiempo y; a las percepciones y accionesde los agentes.Es más fácil construir agentes en ambientes discretos, porque lascomputadoras también son sistemas discretos y aunque es posible simular siste-mas continuos con el grado de precisión deseado, una parte de la informacióndisponible se pierde al hacer esta aproximación. Por lo tanto, la informaciónque manejan los agentes discretos en ambientes continuos es inherentementeaproximada.

• Mono vs. Multi-Agente A pesar de que esta categorización de los ambientesparece obvia, esconde una cuestión en extremo relevante: ¿Qué entidades en elsistema son considerados por el agente como agentes? En general, un agente

8 ������� ������������considerara a otra entidad como un agente si su desempeño depende del com-portamiento de esa entidad. La clave aquí es el concepto de interacción que dalugar a ambientes competitivos y cooperativos.

Esta categorización sugiere que es posible encontrar diferentes clases de ambientes.Russell y Norvig [19] presentan algunos ejemplos de ambientes bien estudiados enInteligencia Artificial y sus propiedades (ver Cuadro 1). Cada ambiente, o clase de am-bientes, requiere de alguna forma agentes diferentes para que estos tengan éxito. Laclase más compleja de ambientes corresponde a aquellos que son inaccesibles, no epi-sódicos, dinámicos, continuos y multi-agente, lo que desgraciadamente correspondea nuestro ambiente cotidiano.

Ambiente Observable Determinista Episódico Estático Discreto SMACrucigrama si si no si si monoAjedrez con reloj si estratégico no semi si multiBackgammon si estocástico no si si multiPoker parcial estocástico no si si multiTutor inglés parcial estocástico no no si multiBrazo robótico efectivo estocástico si no no monoControl refinería parcial estocástico no no no monoRobot navegador parcial estocástico no no no monoAnálisis imágenes si si si semi no monoManejo de autos parcial estocástico no no no multiDiagnóstico parcial estocástico no no no mono

Cuadro 1: Ejemplos de ambientes estudiados en Inteligencia Artificial y sus propiedades se-gún Russell y Norvig [19].

Con los elementos discutidos hasta ahora, es posible definir a un agente racionalcomo aquel que exhibe un comportamiento flexible y autónomo, mientras está situadoen un sistema de información, por ej., un sistema operativo o el web. Esto constituye loque Wooldridge y Jennings [26] llaman la noción débil de agente, como contra partede una noción fuerte que además de las propiedades mencionadas hasta ahora, utilizatérminos que hacen referencia a propiedades que solemos aplicar exclusivamente alos seres humanos y que he entrecomillado hasta ahora en el texto: creencias, deseos,intenciones. Si descartamos que el medio ambiente sea un sistema de informaciónnecesariamente, los robots pueden ser caracterizados como agentes racionales.

�.� ����Hasta el momento hemos hablado de los agentes en términos de su comportamiento.En algún momento tendremos que discutir los detalles internos de los agentes. Nues-tro trabajo consistirá en diseñar un programa de agente: una función que implemente laselección de acción. Asumimos que tal programa se ejecutará en algún dispositivo decómputo, identificado como la arquitectura del agente. La arquitectura de un agentepuede ser una simple computadora, o puede incluir dispositivos hardware especiales,como cámaras de vídeo, sonares, etc. Además, la arquitectura puede proveer software

�.� �������� � ���������� ��������� 9Agente Desempeño Ambiente Actuadores SensoresSistema salud paciente, paciente, hospital, preguntas, lecturas,diagnóstico minimizar costos y persona, pruebas reportes,médico demandas tratamientos diagnósticos, respuestas

Cuadro 2: Ejemplos de agentes y su descripción PAGE según Russell y Norvig [19].

que funcione como el sistema operativo del agente, por ejemplo, que facilite la inter-acción del programa de agente con la computadora donde se ejecuta, de forma que elagente pueda ser programado a un nivel más alto. La siguiente expresión resume larelación entre agente, arquitectura y programa:

agente = arquitectura+ programa

Antes de diseñar al programa de un agente, debemos tener una idea clara de lasposibles percepciones, acciones, medida de desempeño a satisfacer y la clase de am-biente en la que el agente estará situado. Por sus siglas en inglés, a esta descripción sele conoce como PEAS (performance, environment, actuators, sensors). El Cuadro 2 mues-tra un caso de estudio.

�.� �������� � ���������� ���������Se sugiere una lectura rápida de los capítulos uno y dos del libro de Russell y Nor-vig [19] para una panorámica del tema de los agentes racionales con respecto a laInteligencia Artificial. Huns y Singh [10] ofrecen una colección de artículos funda-mentales en el área, algunos de los cuales serán revisados en las tareas del curso.Weiß [23] estructuró el primer texto completo y coherente sobre el estudio de los Sis-temas Multi-Agentes. Su introducción al libro es altamente recomendable como unarevisión de los problemas propios del área. Finalmente Wooldridge [25] nos ofreceun texto de introducción básico a los Sistemas Multi-Agentes, imprescindible por sucobertura y complejidad moderada.

Problema 1. Describa un ejemplo de agente y su medio ambiente. Base su descripción enel esquema PEAS ¿Existe un mapeo ideal para su agente? ¿Puede definir una medida dedesempeño para su agente?

Problema 2. Describa un agente financiero que opera en un mercado de valores, en los térmi-nos utilizados en este capítulo.