Cos'è un agente riflessivo basato su modello?

Gli agenti riflessivi basati su modello sono progettati per operare in ambienti dinamici o parzialmente osservabili. Il modello interno dell'agente si aggiorna in base alle azioni che esso compie, consentendogli di dedurre ulteriori informazioni sul proprio ambiente. A sua volta, l'agente utilizza il proprio stato interno per guidare le azioni future.

La differenza tra gli agenti riflessivi basati su modello e gli agenti riflessivi semplici è che, mentre entrambi i tipi di agenti AI possono utilizzare la percezione degli agenti AI per reagire in tempo reale ai cambiamenti dell'ambiente, gli agenti riflessivi basati su modello dispongono di una memoria persistente del proprio ambiente. Gli agenti riflessivi semplici rappresentano una forma meno complessa di agentic AI, poiché prendono decisioni basandosi esclusivamente sullo stato corrente dell'ambiente. 

Avendo a disposizione solo la percezione dello stato attuale, i semplici agenti riflessivi presentano limiti nella capacità di prendere decisioni informate: non sono infatti in grado né di ricordare informazioni precedenti né di prevedere come l'ambiente cambierà, sia in seguito alle proprie azioni sia a causa di altri fattori esterni. 

A differenza degli agenti riflessivi semplici, gli agenti riflessivi basati su modello mantengono uno stato interno simbolico che registra le percezioni passate e le informazioni dedotte sull'ambiente. Il modello interno consente loro di gestire ambienti parzialmente osservabili o dinamici in modo più efficace. Questi agenti sono in grado di prevedere come le proprie azioni potrebbero modificare l'ambiente, consentendo loro di adottare processi decisionali adattivi.

Gli agenti riflessi basati su modelli sono composti da quattro componenti principali:

• Sensori
   

• Modello interno
   

• Componente di ragionamento
   

• Attuatori

I sensori permettono all'agente di percepire stimoli e informazioni ambientali. Gli input sensoriali possono includere informazioni fisiche dirette, come il feed video di una telecamera o la lettura di un sensore di temperatura, oppure dati virtuali, come connessioni API o feed simulati. Senza sensori, l'agente non sarebbe in grado di acquisire dati dall'ambiente né di apprendere da essi.

Il modello interno rappresenta la comprensione attuale che l'agente ha del proprio ambiente, incluse le esperienze passate, le informazioni dedotte su stati non direttamente osservabili e le previsioni su come le possibili azioni potrebbero modificarlo.

Un componente di ragionamento prende decisioni sulla base dei dati contenuti nel modello interno. Il ragionamento dell'agente è spesso basato su regole, come nel caso della regola condizione-azione, che utilizza regole predefinite che indicano all'agente come agire.  

La regola condizione-azione definisce una serie di affermazioni if-then che dicono all'agente cosa fare in una situazione specifica. Ad esempio, nel caso di un'auto a guida autonoma, una regola condizione-azione potrebbe indicare all'agente di frenare quando viene rilevato un ostacolo davanti al veicolo. Oppure, se l'agente controlla una smart home, potrebbe attivare l'aria condizionata quando il termostato rileva una determinata temperatura. 

Altri componenti di ragionamento utilizzano invece il modello stato-azione, che descrive i possibili stati di un sistema e le azioni o gli eventi che possono determinarne il passaggio da uno stato all'altro. Nel settore sanitario, i modelli stato-azione possono prevedere come le condizioni di un paziente potrebbero migliorare o peggiorare in seguito alle diverse terapie possibili.

Gli attuatori, o elementi di esecuzione, sono i mezzi attraverso cui l'agente agisce sul proprio ambiente. Le azioni possono essere fisiche o virtuali, come gli ouput del software o le chiamate API. Nella robotica, un attuatore è il robot fisico che l'agente controlla. In un contesto di smart home, uno degli attuatori è il sistema di climatizzazione della casa. Per un assistente virtuale, gli attuatori potrebbero essere connessioni API a strumenti rilevanti, come un calendario.

La maggior parte degli agenti riflessivi basati su modello opera secondo un ciclo comportamentale in quattro fasi:

1. Rilevamento
    

2. Modellazione interna
    

3. Processo decisionale
    

4. Azione

Dopo ogni azione, il modello riavvia il ciclo, rivalutando il proprio ambiente, aggiornando il modello interno e prendendo una nuova decisione. Questi cicli sono esplicitamente privi di apprendimento: il modello interno dell'agente viene aggiornato, ma le regole che ne governano il comportamento rimangono invariate.

L'agente utilizza i suoi sensori per percepire l'ambiente e acquisire i dati osservabili. Ad esempio, un agente che gestisce una flotta di robot per le consegne può utilizzare le loro telecamere per rilevare la presenza di pedoni e il traffico stradale.

Utilizzando i dati ambientali che percepisce, l'agente crea o aggiorna il modello interno del suo ambiente reale. Il modello utilizza dati osservabili per dedurre lo stato degli aspetti non osservabili dell'ambiente. I modelli interni forniscono anche potenziali azioni che l'agente può intraprendere e prevedono come tali azioni possano influenzare il suo ambiente.

L'agente utilizza le informazioni nel suo modello interno insieme alla logica del componente di ragionamento per decidere un'azione. Se un robot per le consegne rileva il segnale di attraversamento pedonale senza traffico in arrivo, potrebbe decidere di attraversare la strada.

Nella fase d'azione, l'agente utilizza i suoi attuatori per eseguire la decisione presa nel processo decisionale. Il nostro robot per le consegne attiverebbe il motore per trasmettere potenza alle ruote e attraversare la strada, proseguendo così il proprio percorso.

Gli agenti riflessivi basati su modello sono efficaci negli ambienti che richiedono un rilevamento continuo e un processo decisionale in tempo reale, come la robotica, i veicoli autonomi e l'AI applicata ai videogiochi in tempo reale. 

Nel campo della robotica e dei veicoli autonomi, gli agenti riflessivi basati su modello navigano in ambienti dinamici per ridurre al minimo i rischi e guidare il robot o il veicolo fino alla sua destinazione. Gli agenti AI nei videogiochi possono prevedere le azioni dei giocatori e reagire di conseguenza, offrendo il livello di sfida previsto dal game designer. 

Nei casi d'uso di automazione aziendale su larga scala, gli agenti riflessivi basati su modello massimizzano l'efficienza, ottimizzando la produzione e gli inventari in risposta al variare delle condizioni.

Gli agenti riflessivi non sono gli unici tipi di agenti disponibili. Altri tipi di agenti includono:

• Agenti basati sugli obiettivi
   

• Agenti basati sull'utilità
   

• Agenti di apprendimento
   

• Agenti gerarchici

Gli agenti basati su obiettivi lavorano verso un obiettivo specifico. Mentre gli agenti riflessivi operano generalmente in modo reattivo seguendo una serie di regole if-then, gli agenti basati sugli obiettivi utilizzano tecniche di risoluzione dei problemi per determinare come raggiungere obiettivi specifici. Il piano consiste in una serie di azioni e attività specifiche che hanno buone probabilità di condurre al raggiungimento dell'obiettivo. 

Gli agenti basati sugli obiettivi utilizzano algoritmi di machine learning per la ricerca e la pianificazione, come A\* o lo Stanford Research Institute Problem Solver (STRIPS), per generare una sequenza di azioni finalizzata al raggiungimento dell'obiettivo.

Gli agenti basati sull'utilità sono simili agli agenti basati sugli obiettivi, ma pongono una maggiore enfasi sull'efficienza. Una funzione di utilità analizza i possibili stati futuri per individuare la massima efficacia e assegna un valore numerico ai diversi esiti, così da ridurre l'incertezza. La strategia ottimale è quella che massimizza l'utilità attesa delle scelte dell'agente. Gli agenti basati sull'utilità sono finalizzati a ottenere i migliori risultati nel lungo periodo.

Gli agenti di apprendimento sono dotati di un elemento di apprendimento che ottimizza il comportamento e i processi decisionali dell'agente sulla base dei risultati sue decisioni passate. Un componente generatore di problemi propone nuove strategie di esplorazione, aiutando l'agente a individuare comportamenti più efficaci invece di limitarsi a ripetere quelli già adottati. Questi agenti intelligenti migliorano nel tempo. 

Gli agenti che apprendono utilizzano metodi come l'l'apprendimento supervisionato, l'apprendimento non supervisionato e l'apprendimento per rinforzo per affinare il proprio comportamento. 

Ad esempio, un agente di apprendimento incaricato di creare un sistema di determinazione dinamica dei prezzi analizzerà la risposta dei consumatori e l'andamento della domanda per ottimizzare i prezzi futuri. Gli agenti di apprendimento possono adattarsi alle preferenze di un singolo utente, utilizzando l'elaborazione del linguaggio naturale (NLP) e un'interfaccia chatbot per elaborare input e feedback.

Gli agenti gerarchici vengono utilizzati nei sistemi multi-agente: gli agenti di livello superiore suddividono i compiti complessi in attività secondarie, che vengono poi assegnate agli agenti di livello inferiore per l'esecuzione. Gli agenti di livello superiore possono essere costituiti da modelli linguistici di grandi dimensioni (LLM) più complessi, mentre quelli di livello inferiore utilizzano architetture più semplici per eseguire i compiti assegnati. Tuttavia, i sistemi agentici gerarchici possono impiegare agenti di qualsiasi livello di complessità. 

I due gruppi di agenti collaborano tra loro: gli output di un gruppo diventano gli input dell'altro e viceversa. Il workflow agentico coordina la comunicazione e la cooperazione tra i diversi livelli di agenti nel sistema AI.

Sebbene gli agenti riflessivi basati su modello offrano una notevole flessibilità, non sono adatti a ogni tipo di applicazione. I limiti degli agenti riflessivi basati su modello includono: 

• Requisiti di calcolo: mantenere e aggiornare continuamente il modello interno può richiedere notevoli risorse computazionali, riducendo la capacità dell'agente di reagire rapidamente negli ambienti in cui il fattore temporale è critico.
   

• Dipendenza dal modello interno: un agente riflessivo basato su modello è efficace solo quanto lo è il suo modello interno. Se il modello si discosta dalle condizioni del mondo reale, l'agente può prendere decisioni non ottimali o addirittura errate.
   

• Adattabilità limitata: gli agenti riflessivi basati su modello non sono in grado di apprendere autonomamente né di aggiornare il proprio insieme di regole. Se l'ambiente cambia oltre le condizioni per cui l'agente è stato programmato, non si adatterà.
   

• Assenza di pianificazione a lungo termine: gli agenti riflessivi basati su modello sono, per loro natura, reattivi. A differenza degli agenti basati sugli obiettivi o degli agenti di apprendimento, non sono in grado di sviluppare strategie a lungo termine per perseguire obiettivi più ampi.
   

• Funzione a scopo unico: gli agenti riflessivi basati su modello sono progettati per svolgere una funzione specifica e non sono in grado di bilanciare direttive multiple o in conflitto tra di loro.