O que é um sistema multiagentes?

Cada agente dentro de um MAS tem propriedades individuais, mas todos os agentes se comportam de forma colaborativa para levar às propriedades globais desejadas.¹ Os sistemas multiagentes são valiosos para concluir tarefas complexas em grande escala que podem abranger centenas, se não milhares, de agentes.²

No centro dessa ideia estão os agentes de inteligência artificial (IA). Um agente de IA refere-se a um sistema ou programa capaz de executar tarefas de forma autônoma em nome de um usuário ou outro sistema, projetando seu fluxo de trabalho e utilizando as ferramentas disponíveis. No cerne dos agentes de IA estão os grandes modelos de linguagem (LLMs). Esses agentes inteligentes aproveitam as técnicas avançadas de processamento de linguagem natural dos LLMs para compreender e responder às entradas dos usuários. Os agentes resolvem os problemas passo a passo e determinam quando recorrer às ferramentas externas. O que diferencia os agentes de IA dos LLMs tradicionais é o uso de ferramentas e a capacidade de criar um plano de ação. As ferramentas disponíveis para um agente podem incluir conjuntos de dados, pesquisas na web e interfaces de programação de aplicativos (APIs). Da mesma forma que a tomada de decisão humana, os agentes de IA também podem atualizar sua memória à medida que adquirem novas informações. O compartilhamento de informações, o uso de ferramentas e o aprendizado adaptativo permitem que os agentes de IA sejam mais versáteis do que os modelos tradicionais de LLMs.

Para obter mais informações sobre sistemas de agente único, consulte nosso conteúdo de agentes de IA.

Os sistemas inteligentes de agente único interagem com o ambiente para planejar, chamar ferramentas e produzir respostas de forma autônoma. As ferramentas disponibilizadas a um agente fornecem informações que, de outra forma, estariam indisponíveis para o agente. Conforme descrito anteriormente, essas informações podem ser um banco de dados adquirido por meio de uma API ou outro agente. Há uma distinção aqui entre sistemas de agentes únicos e sistemas multiagentes. Ao chamar outro agente como uma ferramenta, esse agente secundário faz parte dos estímulos ambientais do agente original. Essas informações são adquiridas, e não ocorre nenhuma cooperação adicional. Já os sistemas multiagentes diferem ao envolver todos os agentes do ambiente para modelar os objetivos, a memória e o plano de ação uns dos outros.⁴ A comunicação entre agentes pode ser direta ou indireta, por meio da alteração do ambiente compartilhado.

Cada entidade dentro de um sistema multiagente é um agente autônomo até certo ponto. Essa autonomia é observada tipicamente no planejamento do agente, na chamada de ferramentas e no raciocínio geral. Em um sistema multiagentes, os agentes permanecem autônomos, mas também cooperam e coordenam as estruturas dos agentes.³ Para resolver problemas complexos, a comunicação entre os agentes e a resolução distribuída de problemas são fundamentais. Esse tipo de interação com o agente pode ser descrito como aprendizado por reforço multiagentes . As informações compartilhadas por meio dessa forma de aprendizado podem incluir informações instantâneas adquiridas por meio de sensores ou ações. Além disso, é possível compartilhar as experiências de um agente na forma de informações episódicas. Esses episódios podem ser sequências de sentimentos, ações e políticas aprendidas. Por fim, os agentes podem compartilhar suas experiências em tempo real para evitar que outros agentes aprendam repetidamente as mesmas políticas.⁵

Os agentes individuais são poderosos por conta própria. Eles podem criar subtarefas, usar ferramentas e aprender por meio de suas interações. O comportamento coletivo dos sistemas multiagentes aumenta o potencial de precisão, adaptabilidade e escalabilidade. Os sistemas multiagente tendem a superar o desempenho dos sistemas de agente único devido ao maior pool de recursos compartilhados, otimização e automação. Em vez de vários agentes aprenderem as mesmas políticas, é possível compartilhar experiências aprendidas para otimizar a complexidade e a eficiência do tempo.⁵

Os sistemas multiagentes podem operar sob várias arquiteturas. Nas redes centralizadas, uma unidade central contém a base de conhecimento global, conecta os agentes e supervisiona suas informações. Um ponto forte dessa estrutura é a facilidade de comunicação entre os agentes e o conhecimento uniforme. Um ponto fraco da centralidade é a dependência da unidade central; se falhar, todo o sistema de agentes falha.⁶

Os agentes em redes descentralizadas compartilham informações com seus agentes vizinhos em vez de com uma base de conhecimento global. Alguns benefícios das redes descentralizadas são robustez e modularidade. A falha de um agente não causa falha do sistema geral, pois não há uma unidade central. Um desafio dos agentes descentralizados é coordenar seu comportamento para beneficiar outros agentes de cooperação.⁷

Há também muitas maneiras de organizar os agentes em um sistema multiagentes, incluindo:

Uma estrutura hierárquica é semelhante a uma árvore e contém agentes com níveis variados de autonomia. Dentro de uma estrutura hierárquica simples, um agente pode ter autoridade de tomada de decisão. Em uma estrutura hierárquica uniforme, a responsabilidade pode ser distribuída entre vários agentes.⁸

Dentro desse tipo de arquitetura, os agentes são agrupados em holarquias. Um hólon é uma entidade que não pode operar sem seus componentes. Por exemplo, o corpo humano é um hólon porque não pode funcionar sem órgãos em funcionamento.⁹ De forma similar, nos sistemas holônicos de vários agentes, o agente líder pode ter vários subagentes enquanto parece ser uma entidade singular.⁸ Esses subagentes também podem desempenhar funções em outros hólons. Essas estruturas hierárquicas são auto-organizadas e criadas para atingir um objetivo por meio da colaboração dos subagentes.

As coalizões são úteis em casos de agentes singulares de baixo desempenho em um grupo. Nessas situações, os agentes se unem temporariamente para aumentar a utilidade ou o desempenho. Após o desempenho desejado ser alcançado, as coalizões são desfeitas. Pode ser difícil manter essas coalizões em ambientes dinâmicos. O reagrupamento muitas vezes é necessário para melhorar o desempenho.⁹

As equipes têm uma estrutura semelhante às coalizões. Em equipes, os agentes cooperam para melhorar o desempenho do grupo. Os agentes em equipes não trabalham de forma independente, ao contrário das coalizões. Os agentes em equipes são muito mais dependentes uns dos outros, e sua estrutura é mais hierárquica do que as coalizões.⁸

O comportamento dos agentes em um sistema multiagentes geralmente reflete os comportamentos que ocorrem na natureza. Os comportamentos dos agentes a seguir podem se aplicar a agentes multisoftwares e multirrobôs.

O comportamento coletivo observado em sistemas multiagentes pode assemelhar-se ao de pássaros, peixes e seres humanos. Nesses sistemas, os agentes compartilham um objetivo e exigem alguma organização para coordenar seu comportamento. O agrupamento está relacionado à sincronização direcional, e a estrutura desses agrupamentos pode ser descrita por estas heurísticas:¹⁰

• Separação: tentativa de evitar colisão com agentes próximos.
• Alinhamento: tentativa de igualar a velocidade dos agentes próximos.
• Coesão: tentativa de permanecer próximo de outros agentes.

No contexto de agentes de software, essa coordenação é crucial para sistemas multiagentes que gerenciam redes de transporte, como sistemas ferroviários.

O posicionamento espacial dos agentes em um sistema multiagentes pode ser comparado ao efeito enxame que ocorre na natureza. Por exemplo, os pássaros voam em sincronia, ajustando-se aos pássaros vizinhos. Do ponto de vista técnico, o efeito enxame é a auto-organização e agregação emergentes entre agentes de software com controle descentralizado.¹¹ Um benefício do efeito enxame é que um operador pode ser treinado para gerenciar um enxame de agentes. Esse método é menos caro em termos computacionais e mais confiável do que treinar um operador para cada agente.¹²

Os sistemas multiagentes podem resolver muitas tarefas complexas do mundo real. Alguns exemplos de domínios aplicáveis incluem:

Há várias características dos sistemas multiagentes que oferecem vantagens, incluindo:

Os sistemas multiagentes podem se ajustar a ambientes variados ao adicionar, remover ou adaptar agentes.

A cooperação de vários agentes permite um conjunto maior de informações compartilhadas. Essa colaboração permite que sistemas multiagentes resolvam problemas e tarefas mais complexos do que sistemas de agente único.

Os sistemas de agente único exigem que um agente execute tarefas em vários domínios, enquanto cada agente em um sistema multiagentes pode ter conhecimento especializado em um domínio específico.

Os frameworks multiagentes tendem a superar o desempenho dos agentes únicos.¹⁹ Isso ocorre porque, quanto mais planos de ação estiverem disponíveis para um agente, mais aprendizado e reflexão ocorrerão. Um agente de IA que incorpora conhecimento e feedback de outros agentes de IA com especialidades em áreas relacionadas pode ser útil para a síntese de informações. Essa colaboração de back-end de agentes de IA e a capacidade de preencher lacunas de informações são exclusivas dos frameworks agênticos, tornando-os uma ferramenta eficiente e um avanço significativo na inteligência artificial.

Há vários desafios no projeto e na implementação de sistemas multiagentes, incluindo:

Sistemas multiagentes construídos sobre os mesmos modelos de base podem enfrentar falhas compartilhadas. Essas fraquezas podem causar uma falha em todo o sistema de todos os agentes envolvidos ou expor a vulnerabilidade a ataques adversos.²⁰ Isso destaca a importância da gestão de dados na construção de modelos de base e a necessidade de processos completos de treinamento e testes.

Um dos maiores desafios da construção de sistemas multiagentes é o desenvolvimento de agentes capazes de coordenar e negociar uns com os outros. Essa cooperação é essencial para o funcionamento de um sistema multiagentes.

Os agentes que atuam de forma autônoma e independente em redes descentralizadas podem ter experiência de comportamentos conflitantes ou imprevisíveis. A detecção e o gerenciamento de problemas no sistema mais amplo podem ser difíceis nessas condições.