Improvisação tem sido considerada uma característica importante para agentes que pretendem operar de maneira consistente com a situação do momento, exibindo um comportamento credível e interessante. A improvisação deve estar presente tanto nos agentes individuais quanto nas sociedades de agentes. Desta maneira, esta tese irá abordar estes dois aspectos da improvisação. Propomos a visão de que, agentes capazes de realizar improvisação, os agentes improvisacionais, são um tipo de agente deliberativo capaz de solucionar problemas por improvisação. Neste sentido, buscamos identificar dentro de uma arquitetura clássica de agentes deliberativos, a arquitetura BDI (belief-desire-intention), a existência e/ou a possibilidade da inclusão de componentes de improvisação nesta arquitetura. Para resolver problemas complexos, estes agentes precisam estar agrupados em sociedades e estas sociedades, por sua vez, precisam produzir comportamentos coerentes. A coordenação é a área da Inteligência Artificial responsável por este objetivo. Propomos que a coordenação de agentes que improvisam pode ser realizada por meio de um processo de direção improvisacional, no sentido usado no contexto do teatro improvisacional. Ao longo deste documento, iremos mostrar nosso entendimento sobre agentes improvisacionais como agentes deliberativos e coordenação como direção improvisacional. Com isto, defende-se nesta tese que o uso da improvisação em agentes improvisacionais possibilita que os agentes improvisem comportamentos interativos, de maneira coerente, melhorando seu desempenho como solucionadores de problemas, criando e mantendo uma ilusão de vida para os agentes interativos e contribuindo para o aperfeiçoamento dos sistemas multiagentes.

O presente trabalho analisa diferentes modelos de representação temporal usados em arquiteturas conexionistas e propõe o uso de um novo modelo neural, chamado Neurônio Diferenciador-Integrador (NDI) para aplicação com processamento de sinais temporais. O NDI pode ser interpretado como filtro digital. Seu funcionamento exige poucos recursos computacionais e pode ser de grande valia em problemas onde a solução ideal depende de uma representação temporal instantânea, facilidade de implementação, modularidade e eliminação de ruído. Após a definição do modelo, o mesmo é sujeito a alguns experimentos teóricos utilizado em conjunto com arquiteturas conexionistas clássicas para resolver problemas que envolvem o tempo, como previsão de séries temporais, controle dinâmico e segmentação de seqüências espaço-temporais. Como conclusão, o modelo neural apresenta grande potencialidade principalmente na robótica, onde é necessário tratar os sinais sensoriais ruidosos do robô de forma rápida e econômica.

Durante os últimos anos as áreas de pesquisa sobre Agentes Inteligentes, Sistemas Multiagentes e Comunicação entre Agentes têm contribuído com uma revolução na forma como sistemas inteligentes podem ser concebidos, fundamentados e construídos. Sendo assim, parece razoável supor que sistemas inteligentes que trabalhem com domínios probabilísticos de conhecimento possam compartilhar do mesmo tipo de benefícios que os sistemas mais tradicionais da Inteligência Artificial receberam quando adotaram as concepções de agência, de sistemas compostos de múltiplos agentes e de linguagens de comunicação entre estes agentes. Porém, existem dúvidas não só sobre como se poderia escalar efetivamente um sistema probabilístico para uma arquitetura multiagente, mas como se poderia lidar com as questões relativas à comunicação e à representação de conhecimentos probabilísticos neste tipo de sistema, principalmente tendo em vista as limitações das linguagens de comunicação entre agentes atuais, que não permitem comunicar ou representar este tipo de conhecimento. Este trabalho parte destas considerações e propõe uma generalização do modelo teórico puramente lógico que atualmente fundamenta a comunicação nos sistemas multiagentes, que será capaz de representar conhecimentos probabilísticos. Também é proposta neste trabalho uma extensão das linguagens de comunicação atuais, que será capaz de suportar as necessidades de comunicação de conhecimentos de natureza probabilísticas. São demonstradas as propriedades de compatibilidade do novo modelo lógico-probabilístico com o modelo puramente lógico atual, sendo demonstrado que teoremas válidos no modelo atual continuam válidos no novo modelo. O novo modelo é definido como uma lógica probabilística que estende a lógica modal dos modelos atuais. Para esta lógica probabilística é definido um sistema axiomático e são demonstradas sua correção e completude. A completude é demonstrada de forma relativa: se o sistema axiomático da lógica modal original for completo, então o sistema axiomático da lógica probabilística proposta como extensão também será completo. A linguagem de comunicação proposta neste trabalho é definida formalmente pela generalização das teorias axiomáticas de agência e comunicação atuais para lidar com a comunicação de conhecimentos probabilísticos e pela definição de novos atos comunicativos específicos para este tipo de comunicação. Demonstra-se que esta linguagem é compatível com as linguagens atuais no caso não-probabilístico. Também é definida uma nova linguagem para representação de conteúdos de atos de comunicação, baseada na lógica probabilística usada como modelo semântico, que será capaz de expressar conhecimentos probabilísticos e não probabilísticos de uma maneira uniforme. O grau de expressibilidade destas linguagens é verificado por meio de duas aplicações. Na primeira aplicação demonstra-se como a nova linguagem de conteúdos pode ser utilizada para representar conhecimentos probabilísticos expressos através da forma de representação de conhecimentos probabilísticos mais aceita atualmente, que são as Redes Bayesianas ou Redes de Crenças Probabilísticas. Na outra aplicação, são propostos protocolos de interação, baseados nos novos atos comunicativos, que são capazes de atender as necessidades de comunicação das operações de consistência de Redes Bayesianas secionadas (MSBNs, Multiple Sectioned Bayesian Networks) para o caso de sistemas multiagentes.

A inteligência tem sido estudada como fruto de evolução biológica. Nas últimas centenas de milhões de anos, a inteligência tem evoluído juntamente com a biologia. Essa conclusão pode ser obtida ao analisar o comportamento das criaturas que emergiram assim como a sua capacidade de armazenar e processar informação. A evolução gerou criaturas possuidoras de cérebros com grande poder de adaptação. Partindo-se do pressuposto que a inteligência humana é resultado de um processo evolutivo paulatino que ocorreu ao longo de milhões de anos, faz sentido tentar repetir os mesmos passos dados ao longo da evolução da inteligência artificialmente. A evolução oferece uma rota que vai desde tipos de mentes simples até tipos de mentes mais complexas apresentando um caminho de características e capacidades que evoluíram ao longo do tempo. No presente trabalho, acredita-se que esse caminho seguido pela evolução é uma boa fonte de inspiração para a geração de inteligência artificial. De acordo com Dennett, um tipo de mente que apareceu ao longo da evolução é a mente popperiana que aprende as regras do ambiente e tem a capacidade de imaginar ou planejar estados futuros permitindo que ela se adapte com facilidade a novas e inesperadas situações. Sendo assim, modela-se e implementa-se um agente popperiano capaz de aprender as regras do seu ambiente e planejar ações futuras baseando-se no seu aprendizado. Por fim, são implementados dois protótipos de agentes popperianos para resolver problemas distintos e observa-se a capacidade dos agentes popperianos em se adaptar às condições do seu meio para alcançar seus objetivos.

Diferentes correntes da psicopedagogia apontam que a negociação é fundamental em interações de ensino-aprendizagem. No entanto, pouca pesquisa tem sido baseada em uma noção precisa do que é negociação e de como esta se relaciona com a aprendizagem. Este trabalho descreve um modelo para negociação pedagógica, aplicado a um ambiente multiagente de aprendizagem. Após discussão de exemplos ilustrativos e revisão bibliográfica de áreas de pesquisa relacionadas, a negociação é definida utilizando quatro características: o que está sendo negociado, os estados iniciais e finais de negociação e o processo de negociação em si. A tese concentra-se nos processos de negociação, para que um modelo seja desenvolvido baseado na interação argumentativa entre o sistema e o aluno, a partir da construção de redes bayesianas. É proposto que a atitude proposicional mais relevante para interações de negociação pedagógica está relacionada a um processo de equalização mútua de graus de confiança entre o professor e o aluno. Como conclusão, são apresentados os resultados alcançados, resumidos na implementação do Ambiente Multiagente ProbabiLístico Inteligente de Aprendizagem – AMPLIA. Os primeiros resultados da implementação do ambiente e o modelo geral da negociação pedagógica implantada puderam ser vistos durante um curso piloto realizado no Hospital de Clínicas de Porto Alegre.

O objetivo deste trabalho é apresentar a base teórica para o problema de aprendizagem através de exemplos conforme as ref. [14], [15] e [16]. Aprender através de exemplos pode ser examinado como o problema de regressão da aproximação de uma função multivaluada sobre um conjunto de dados esparsos. Tal problema não é bem posto e a maneira clássica de resolvê-lo é através da teoria de regularização. A teoria de regularização clássica, como será considerada aqui, formula este problema de regressão como o problema variacional de achar a função f que minimiza o funcional Q[f] = 1 n n Xi=1 (yi ¡ f(xi))2 + ¸kfk2 K; onde kfk2 K é a norma em um espa»co de Hilbert especial que chamaremos de Núcleo Reprodutivo (Reproducing Kernel Hilbert Spaces), ou somente RKHS, IH definido pela função positiva K, o número de pontos do exemplo n e o parâmetro de regularização ¸. Sob condições gerais a solução da equação é dada por f(x) = n Xi=1 ciK(x; xi): A teoria apresentada neste trabalho é na verdade a fundamentação para uma teoria mais geral que justfica os funcionais regularizados para a aprendizagem através de um conjunto infinito de dados e pode ser usada para estender consideravelmente a estrutura clássica a regularização, combinando efetivamente uma perspectiva de análise funcional com modernos avanços em Teoria de Probabilidade e Estatística.

Tese (doutorado)—Universidade de Brasília, Instituto de Artes, Programa de Pós-Graduação em Artes, 2016. / Submitted by Albânia Cézar de Melo (albania@bce.unb.br) on 2016-08-22T16:18:26Z No. of bitstreams: 1 2016_FranciscodePaulaBarreto.pdf: 14395210 bytes, checksum: e1a08ce9c1faaf64e1629ca25671ed73 (MD5) / Approved for entry into archive by Raquel Viana(raquelviana@bce.unb.br) on 2016-10-20T20:19:43Z (GMT) No. of bitstreams: 1 2016_FranciscodePaulaBarreto.pdf: 14395210 bytes, checksum: e1a08ce9c1faaf64e1629ca25671ed73 (MD5) / Made available in DSpace on 2016-10-20T20:19:43Z (GMT). No. of bitstreams: 1 2016_FranciscodePaulaBarreto.pdf: 14395210 bytes, checksum: e1a08ce9c1faaf64e1629ca25671ed73 (MD5) / Esta pesquisa teórico-prática de doutorado adota uma visão transdisciplinar, aprofundando a pesquisa realizada no âmbito do mestrado (BARRETTO, 2011) e propõe um novo conceito descrito como Artelligent. A palavra Artelligent tem a sua origem na junção das palavras latinas ars/artis e intelligere. A palavra ars, correspondente ao termo grego tékne, descreve basicamente uma habilidade prática para produzir artefatos e ao mesmo denota um conhecimento, ciência, metodologia relacionado à alguma teoria arte-científica. Para este caso, consideramos que trata-se de um conceito envolvendo a expressão ou habilidade imaginativa representadas em suas mais amplas vertentes como pintura, musica e literatura e que tem associado algum potencial emocional ou estético. Já a palavra intelligere, também oriunda do latim, está na raiz da palavra inteligente e é uma composição da palavras inter, isto é, entre, e legere, que significa escolher, coletar, colher, reunir. Juntas, inter e legere significam perceber, reconhecer, compreender, entender e realizar. Um sistema Artelligent pode ser definido como um sistema autopoiético que através da utilização de técnicas especificas de inteligência artificial, representa o conhecimento de forma extensível e, considerando os princípios que regem o processo criativo humano, é capaz de exibir resultados de caráter reconhecidamente emergentes em um determinado ambiente. É apresentada nesta pesquisa uma estrutura, a fim de definir claramente quais as técnicas, conceitos e princípios devem ser aplicados a fim de criar tais sistemas Artelligentes, sobretudo considerando os conceitos de autopoiese, cunhado por Maturana e Varela (1970) e emergência como uma heurística para criatividade. A fim de explorar esses conceitos, apresentamos Zer0, uma jogo que convida o interagente à realizar uma deriva em um universo governado por formas geométricas. Através de interações com outras formas, o jogador é capaz de evoluir a partir de uma única forma de linha para formas mais complexas. Zer0 é um sistema multiagentes capaz de compor música emergente em tempo real. _________________________________________________________________________________________________ ABSTRACT / This theoretical and practical research adopts a transdisciplinary point of view, based on a previous master research (BARRETTO, 2011), and proposes a new concept described as Artelligent. The word Artelligent has its origin at the junction of Latin words ars/artis and intelligere. The word ars, corresponding to the Greek term tékne, basically describe a practical skill to produce artifacts and, at the same time, indicate knowledge, science or methodology related to some art-scientific theory. In this case, we consider that it involves the expression or an imaginative skill represented in its broader aspects such as painting, music and literature associated with some emotional or aesthetic potential. The word intelligere, also derived from Latin, is at the root of the word intelligent and is a composition of the word inter, that is, between, and legere, which means choose, collect, harvest, gather. Together, inter and legere mean perceive, recognize, understand, understand and perform. An Artelligent system can be defined as an autopoietic system, which through the use of specific techniques of artificial intelligence, represents knowledge in an extensible way and considering the principles that describe the human creative process, is able to demonstrate recognizably emergent results in a given environment. It is also presented a framework in order to clearly define the techniques, concepts and principles that should be applied or considered in order to create such Artelligent systems, especially considering the concepts of autopoiesis, created by Maturana and Varela (1970) and emergence as a heuristic for creativity or novelty creation. In order to explore these concepts, we present Zer0, a game that invites the interactor to perform a drift in a universe governed by geometric shapes. Through interactions with other existing forms, the player is able to evolve from a single line to more complex shapes. Zer0 is a multi-agent system able to compose emergent music in real time.

Made available in DSpace on 2014-05-21T02:01:44Z (GMT). No. of bitstreams: 1 000458136-Texto+Completo-0.pdf: 1716431 bytes, checksum: 17b30dfc5da2cb4b2915eb5fd0832eca (MD5) Previous issue date: 2014 / Reinforcement learning (RL) is a technique to compute an optimal policy in stochastic settings where actions from an initial policy are simulated (or directly executed) and the value of a state is updated based on the immediate rewards obtained as the policy is executed. Existing efforts model opponents in competitive games as elements of a stochastic environment and use RL to learn policies against such opponents. In this setting, the rate of change for state values monotonically decreases over time, as learning converges. Although this modeling assumes that the opponent strategy is static over time, such an assumption is too strong with human opponents. Consequently, in this work, we develop a meta-level RL mechanism that detects when an opponent changes strategy and allows the state-values to “deconverge” in order to learn how to play against a different strategy. We validate this approach empirically for high-level strategy selection in the Starcraft: Brood War game. / Reinforcement learning (RL) é uma técnica para encontrar uma política ótima em ambientes estocásticos onde, as ações de uma política inicial são simuladas (ou executadas diretamente) e o valor de um estado é atualizado com base nas recompensas obtida imediatamente após a execução de cada ação. Existem trabalhos que modelam adversários em jogos competitivos em ambientes estocásticos e usam RL para aprender políticas contra esses adversários. Neste cenário, a taxa de mudança de valores do estado monotonicamente diminui ao longo do tempo, de acordo com a convergencia do aprendizado. Embora este modelo pressupõe que a estratégia do adversário é estática ao longo do tempo, tal suposição é muito forte com adversários humanos. Conseqüentemente, neste trabalho, é desenvolvido um mecanismo de meta-level RL que detecta quando um oponente muda de estratégia e permite que taxa de aprendizado almente, a fim de aprender a jogar contra uma estratégia diferente. Esta abordagem é validada de forma empírica, utilizando seleção de estratégias de alto nível no jogo Starcraft: Brood War.

Abordagens probabilísticas são extensivamente utilizadas para resolver problemas de alta dimensionalidade em diferentes campos. O filtro de partículas é uma abordagem proeminente no campo da Robótica, devido a sua adaptabilidade a modelos não lineares com distribuições multimodais. Contudo, seus resultados são fortemente dependentes da qualidade e do número de amostras requeridas para cobrir o espaço de busca. Em contrapartida, análise de intervalos lida com problemas de alta dimensionalidade através da redução do espaço de busca. Essas reduções são feitas através de técnicas intervalares que garantem matematicamente que a solução procurada está contida no resultado do método, uma vez que a modelagem do problema tenha sido feita corretamente. Métodos intervalares não descartam quaisquer soluções factíveis, com isso o resultado pode ser pouco representativo. Não obstante, não é possível definir precisamente onde a solução está no intervalo definido como solução. A estratégia proposta combina o melhor das duas abordagens. A ideia principal do método proposto é usar técnicas intervalares para melhorar os resultados do filtro de partículas, limitando o espalhamento das partículas e acelerando a convergência do método. Nós esperamos que o método proposto consiga fazer a distribuição e controle de partículas de forma mais eficiente, resultando possivelmente em um método mais preciso. A abordagem proposta é ilustrada através do tratamento do problema de localização global de robôs subaquáticos.

Este trabalho descreve o desenvolvimento de um protótipo de sistema especialista de consulta para identificação e classificação de ambiente sedimentares em Geologia, o Sistema GEOXPERT. E dada ênfase especial ao processo de aquisição de conhecimento. O sistema busca identificar depósitos turbiditos são um tipo de rocha reservatório de petróleo) utikizando, de forma aproximada, a forma de raciocício usual de um geólogo especialista em Geologia Sedimentar. O processo de aquisição de conhecimento é analisado desde as fases iniciais de observações de dados e construção do modelo geológico, até o processo final de codificação para uso pelo computador. O conhecimento geológico é representado através de um grafo de espaços que define os caminhos da interação e contém as evidências e seus valores em relação à comprovação da hipótese. A estrutura de controle usa uma estratégia dirigida por objetivos e inclui tratamento de ijncerteza e teste de consistência das informações do usuário. Um protótipo do Sistema GEOXPERT foi implementado e testado, demonstrando suas capacidades e comportamento. / This dissertation describes the design of GEOXPERT, a prototype expert system providing consultational advice on both identification and classification of geological environments. paper emphasis is on knowlegde acquisition, The problem in focus is the identification of turbidite deposits (a kind of petroleum rock reservoir) abd thei component parts, by using reasoning methods similar to the usual methods employed by experts in sedimentary. The knowledge acquisition process is analysed since the preliminary steps of data observation and geological model construction up to the final process of codification for computer processing. Geological knowledge is represented in a structure called space graph, which includes geological hypotheses. The control structure uses a goal-oriented strategy and includes uncertainty treatment and consistency test for input information. A prototype of the system has been implemented and limited testing has shown the capabilities and behavior of the system.