O que é um agente reflexo baseado em modelo?

Os agentes reflexivos baseados em modelos são projetados para operar em ambientes dinâmicos ou parcialmente observáveis. O modelo de referência interno do agente é atualizado como resultado das ações do agente, permitindo que o modelo deduza outros aspectos de seu ambiente. Por sua vez, o agente se refere ao seu estado interno para informar ações futuras.

A diferença entre agentes reflexivos baseados em modelos e agentes reflexivos simples é que, embora ambos os tipos de agentes de IA possam utilizar a percepção de Agente de IA para reagir a ambientes em constante mudança em tempo real, os agentes reflexivos baseados em modelos possuem uma memória persistente do seu ambiente. Agentes reflexivos simples são uma forma menos complexa de IA agêntica que toma decisões com base unicamente no estado atual do ambiente. 

Com apenas sua percepção atual disponível, agentes reflexivos simples são limitados em termos de tomada de decisão informada: eles não podem recordar informações anteriores nem antecipar como seu ambiente mudará, seja por suas próprias ações ou por outros fatores externos. 

Ao contrário dos agentes reflexivos simples, os agentes reflexivos baseados em modelos mantêm um estado interno simbólico que registra percepções passadas e fatos ambientais inferidos. O modelo interno permite que eles lidem com ambientes parcialmente observáveis ou dinâmicos de forma mais eficaz. Esses agentes podem prever como as ações podem causar mudanças no ambiente, possibilitando processos de tomada de decisão adaptativos.

Os agentes reflexivos baseados em modelos são compostos por quatro componentes primários:

• Sensores
   

• Modelo interno
   

• Componente de raciocínio
   

• Atuadores

Os sensores permitem que o agente perceba estímulos e informações ambientais. A entrada sensorial pode incluir informações físicas diretas, como um feed de câmera ou leitura de temperatura, ou dados virtuais como conexões de API ou feeds simulados. Sem sensores, o agente não seria capaz de coletar e aprender com os dados ambientais.

O modelo interno representa a compreensão atual do agente sobre seu ambiente, incluindo experiências passadas, estados inferidos não vistos e previsões de como possíveis ações podem mudar esse ambiente.

Um componente de raciocínio toma decisões com base nos dados do modelo interno. O raciocínio do agente é frequentemente baseado em regras, como na regra condição-ação, que utiliza regras pré-definidas que indicam ao agente como agir.  

A regra de ação condicionada estabelece uma série de declarações se-então que dizem a um agente o que fazer em uma situação específica. Por exemplo, com um carro autônomo, uma regra de ação condicional pode instruir o agente a frear quando um obstáculo for detectado na frente do veículo autônomo. Ou se o agente estiver controlando uma casa inteligente, ele pode ligar o ar condicionado quando o termostato registrar uma temperatura especificada. 

Outros componentes de raciocínio utilizam o modelo estado-ação, que descreve os possíveis estados de um sistema e quaisquer ações ou eventos que possam fazer com que ele migrar entre esses estados. Na área da saúde, os modelos de ação de estado podem prever como a condição de um paciente pode melhorar ou piorar com possíveis tratamentos.

Os atuadores, ou elementos de desempenho, são os meios pelos quais o agente afeta seu ambiente. As ações podem ser físicas ou virtuais, como saídas de software ou chamadas de API. Em robótica, um atuador é o robô físico que o agente controla. Em um ambiente doméstico inteligente, um atuador é o sistema de controle climático da casa. Para um assistente virtual, os atuadores podem ser conexões de API com ferramentas relevantes, como um calendário.

A maioria dos agentes reflexivos baseados em modelos opera de acordo com um ciclo comportamental de quatro estágios:

1. Detecção  

2. Modelagem interna
    

3. Tomada de decisões
    

4. Ação

Após cada ação, o modelo reinicia o ciclo, reavaliando seu ambiente, atualizando seu modelo e fazendo uma nova escolha. Esses loops são explicitamente de não aprendizado: o modelo interno do agente é atualizado, mas as regras do agente não são.

O agente utiliza seus sensores para perceber seu ambiente e coletar dados observáveis. Por exemplo, um agente que opera uma frota de bots de entrega pode utilizar suas câmeras para detectar pedestres e tráfego de rua.

Usando os dados ambientais que percebe, o agente cria ou atualiza o modelo interno de seu ambiente do mundo real. O modelo utiliza dados observáveis para inferir o estado de aspectos não observáveis do ambiente. Os modelos internos também apresentam ações em potencial para o agente tomar e prever como essas ações podem afetar seu ambiente.

O agente utiliza as informações do seu modelo interno e a lógica do seu componente de raciocínio para decidir sobre uma ação. Se um robô de entrega detectar um sinal de caminhada e nenhum tráfego em sentido contrário, ele pode decidir atravessar a rua.

Na fase de ação, o agente utiliza seus atuadores para executar a decisão tomada na fase de tomada de decisão. Nosso bot entregador acionaria seu motor para enviar energia para suas rodas e atravessaria a rua, rodando em seu caminho.

Agentes reflexivos baseados em modelos são eficazes em ambientes que exigem detecção contínua e tomada de decisão em tempo real, como robótica, veículos autônomos e IA de jogos em tempo real. 

Com robótica e veículos autônomos, os agentes reflexivos baseados em modelos navegam em ambientes dinâmicos para minimizar danos e orientar o robô ou veículo até seu destino. Os agentes de jogo podem prever ações do usuário e reagir para apresentar o grau de desafio necessário ao designer do jogo. 

Em casos de uso de automação empresarial em larga escala, agentes reflexivos baseados em modelos maximizam a eficiência, ajustando a produção e o estoque em resposta a condições variáveis.

Agentes reflexivos não são os únicos tipos de agentes existentes. Outros tipos de agentes:

• Agentes baseados em objetivos
   

• Agentes baseados em utilitário
   

• Agentes de aprendizado
   

• Agentes hierárquicos

Agentes baseados em objetivos trabalham em direção a um objetivo específico. Enquanto agentes reflexivos normalmente operam reativamente sob um conjunto de condicionais "se-então", agentes baseados em objetivos utilizam técnicas de resolução de problemas para descobrir como alcançar objetivos específicos. O plano consiste em uma série de ações e tarefas específicas que provavelmente levarão à conclusão da meta. 

Agentes baseados em objetivos utilizam algoritmos de aprendizado de máquina de busca e planejamento, como o A\* ou o Stanford Research Institute Problem Solver (STRIPS), para gerar uma sequência de ações destinadas a atingir o objetivo.

Os agentes baseados em utilitários são semelhantes aos agentes baseados em objetivos, mas com foco na eficiência. Uma função de utilitário analisa estados futuros em potencial para obter a máxima eficácia e atribui um valor numérico aos resultados para mitigar a incerteza. A estratégia ideal é aquela que maximiza a utilidade esperada das escolhas do agente. Os agentes baseados em utilitários estão concentrados na obtenção dos melhores resultados de longo prazo.

Os agentes de aprendizado apresentam um elemento de aprendizado que otimiza o comportamento do agente e os processos de tomada de decisão com base nos resultados de suas escolhas passadas. Um componente gerador de problemas propõe novas estratégias exploratórias, ajudando o agente a descobrir comportamentos melhores em vez de repetir os antigos. Esses agentes inteligentes melhoram com o tempo. 

Os agentes de aprendizado utilizam métodos como aprendizado supervisionado, aprendizado não supervisionado e aprendizado por reforço para aprimorar seu comportamento. 

Por exemplo, um agente de aprendizado solicitado a criar um sistema de preços dinâmico analisará a resposta e a demanda do consumidor para ajustar os preços futuros. Os agentes de aprendizado podem se adaptar às preferências de um único usuário, utilizando processamento de linguagem natural (PLN) e uma interface de chatbot para processar entradas e feedback.

Agentes hierárquicos são usados em sistemas multiagentes: agentes de nível superior dividem tarefas complexas em subtarefas e, em seguida, as atribuem a agentes de nível inferior para as concluírem. Agentes de nível superior podem ser grandes modelos de linguagem (LLMs) mais complexos, enquanto agentes de nível inferior utilizam arquiteturas mais simples para executar tarefas. No entanto, os sistemas agênticos hierárquicos podem utilizar agentes de qualquer nível de complexidade. 

Os dois grupos de agentes trabalham juntos, as saídas de um grupo alimentando as entradas do outro e vice-versa. O fluxo de trabalho agêntico coordena a comunicação e a cooperação entre os níveis de agentes no sistema de IA.

Embora os agentes reflexivos baseados em modelos ofereçam flexibilidade considerável, não são adequados para todas as aplicações. Os limites dos agentes reflexivos baseados em modelo: 

• Requisitos computacionais: A manutenção e a atualização constantes do modelo interno podem consumir recursos computacionais consideráveis, o que pode reduzir a capacidade do agente de reagir rapidamente em ambientes sensíveis ao tempo.
   

• Dependência do modelo interno: Um agente reflexivo baseado em modelo é tão eficaz quanto seu modelo interno. Se esse modelo divergir das condições do mundo real, o agente poderá tomar decisões abaixo do ideal ou até mesmo incorretas.
   

• Adaptabilidade limitada: os agentes reflexivos baseados em modelos não podem aprender e atualizar de forma independente seu conjunto de regras. Se o ambiente mudar além das condições para as quais o agente foi programado, ele não conseguirá se adaptar.
   

• Sem planejamento no longo prazo: os agentes reflexivos baseados em modelos são reativos por natureza. Ao contrário dos agentes baseados em metas ou de aprendizado, não podem desenvolver estratégias de longo prazo para buscar objetivos mais amplos.
   

• Objetivo único: Os agentes reflexivos baseados em modelos são projetados para atingir uma função específica e não conseguem equilibrar múltiplas diretrizes ou diretrizes conflitantes.