1. SEMINÁRIO DE SISTEMAS BASEADOS
EM CONHECIMENTO
Alan Vidotti Prando
Eduardo Briguentti
Agent-Based Software Development
2004. Luck,M., Ashri, R., d'Inverno, M.
Artificial Intelligence: A Modern Approach
2010. Russel, S., Norvig, P.
2. Agent-Based Computing
• A computação mudou muito nos últimos 60 anos.
• Na década de 90 iniciou-se a utilização da INTERNET.
• O mundo em pouco mais de 10 anos se CONECTOU de
maneira assustadora.
• Escolas, casas. Cidades, estados. TUDO CONECTADO!
• Isso mudou a maneira de desenvolvermos e escrevermos
serviços e softwares.
• Gerou novos tipos de problemas e oportunidades.
• A necessidade deixou de ser de um sistema individual e
passou a ser de SISTEMAS DISTRIBUÍDOS E
DINÂMICOS.
• Ou seja, é necessário mais FLEXIBILIDADE.
3. Agent-Based Computing
• Para atender essa NOVA REALIDADE, é necessário
uma MELHORIA na maneira tradicional dos modelos e
paradigmas computacionais.
• Por esse ambiente ser mais flexível, é necessário um software
com GRAU DE AUTONOMIA elevado, com
componentes que RESPONDAM
DINAMICAMENTE as mudanças que constantemente
ocorrem afim de atingir os objetivos.
• Nesse novo contexto, a TECNOLOGIA DOS
AGENTES se tornou uma das mais valiosas armas para
solucionar esses problemas emergentes, e gerenciar essa
nova complexidade de maneira mais objetiva.
4. Agent-Based Computing
• AGENTES são ENTIDADES AUTONOMAS, capazes de
solucionar problemas em ambientes ABERTOS E
DINÂMICOS.
• Agentes podem INTERAGIR e COOPERAR com outros
agentes, mesmo possuindo objetivos diferentes.
• Devido a sua característica se encaixar no modelo de negócio atual,
SISTEMAS BASEADOS EM AGENTES estão sendo
bastante utilizados tanto academicamente quanto comercialmente. Já
existem exemplos reais de benefícios que esse tipo de abordagem traz
para a indústria como um todo.
• Para o real entendimento, é importante distinguir o paradigma de
programação ORIENTADO A OBJETOS de AGENT-
BASED.
5. Agent-Based Computing
Object Technologies
• Agentes e objetos encapsulam ESTADO e PROPRIEDADE.
• Agentes provem um nível de ABSTRAÇÃO ainda MAIOR.
• Objetos são PASSIVOS, e INVOCADOS quando necessário.
• Agentes podem DECIDIR por eles mesmos quando participar de um
atividade computacional ou quando realizar uma determinada operação.
Por isso eles são considerados AUTONOMOS .
• Em termos de modelagem, objetos são uma maneira de visualizar o
mundo. Na abordagem Agent-Based, essa representação do mundo real
passa ser muito mais NATURAL, em que indivíduos iteragem entre
sí de acordo com sua propria agenda e prioridade.
• Agentes NÃO PODEM SER INVOCADOS
DIRETAMENTE.
6. Agent-Based Computing
Basic Notions
• Agentes propõem uma ABORDAGEM ENCORPADA
de resolver problemas em AMBIENTES
COMPLEXOS.
• Agentes recebem entradas desses ambientes através de
SENSORES, e atua nesse ambiente de maneira objetiva,
com foco em solucionar o problema.
• Entretanto, apesar da aceitação geral sobre agente ser uma
ENTIDADE COMPUTACIONAL capaz de exibir
comportamento FLEXÍVEL em ambientes dinâmicos e
imprevisíveis, ainda existe um debate que busca uma
definição mais precisa sobre o comportamento dos agentes
dentro de contextos diferentes.
7. Agent-Based Computing
Basic Notions
• Existem duas visões sobre agentes: FRACA E FORTE.
• A FRACA prove quatro propriedades consideradas NECESSÁRIAS
e SUFICIENTES para o comportamento dos agentes:
(1) AUTONOMIA: agentes devem ser entidades independentes que
iniciam suas atividades sem intervenção direta.
(2) REATIVIDADE: agentes podem monitorar ambientes e
responder rapidamente e efetivamente para mudanças.
(3) PROATIVIDADE: agentes possuem objetivos abrangentes
que direcionam o seu comportamento durante um longo período de
tempo, conforme as tarefas são completadas.
(4) SOCIABILIDADE: agentes devem ter a habilidade de interagir
e se comunicar com outros agentes.
8. Agent-Based Computing
Basic Notions
• Desde a caracterização de agentes, originalmente publicada em 1994,
muitos autores adicionam características como: habilidade de aprender,
mobilidade, racionalidade, etc.
• A noção FORTE ou INTENCIONAL espera que agentes atuem como
ARQUITETURAS DE CONTROLE, compreendendo
componentes mentais como desejos, motivações e crenças.
• Um artigo chamado “Is it an Agent or Just a Program?” de Franklin e
Graesser distingue agentes de programas.
• “Agente Autônomo é um sistema que além de estar situado em um
ambiente, É UMA PARTE desse ambiente e age sobre ele
buscando o seu próprio objetivo”.
• O benefício dessa abordagem é que a RIQUEZA da metáfora do
agente é PRESERVADA ao longo do seu uso, enquanto as
distintas identidades das diferentes perspectivas são utilizadas para
dirigir DIFERENTES pesquisas e desenvolvimento.
9. Agent-Based Computing
Agent Properties
• Hoje há uma afinidade de diferentes tipos de agentes, variando dos mais
genéricos, como Autonomous Agents, Software Agents e
Intelligent Agents até os mais específicos como Virtual Agents,
Inoformation Agents e Mobile Agents.
• Esses agentes estão sendo aplicados em diversos sistemas como:
Processamento de Imagem de Satélite, Gerenciamento da
distribuição da eletricidade, Jogos, etc.
• A RIQUEZA da abordagem dos agentes que permite esse uso tão
DIVERSIFICADO, tanto em sua abordagem FRACA como FORTE.
• Entretanto, devido a diversidade, as características e propriedades dos
agentes possuem grande VARIAÇÃO para cada DOMÍNIO.
• Essa variação não impacta no agente como um todo.
10. Agent-Based Computing
History of Agents
• Computação Baseada em Agentes teve inicio na década de 70, nas áreas
de Inteligência Artificial Distribuída (DAI) e Tecnologias OO Distribuídas.
• Trabalhos na DAI ajudaram no desenvolvimento de MECANISMOS e
MÉTODOS que permitiam a iteração entre agentes.
• Avanços na área de Tecnologia OO distribuída proporcionou a
INFRAESTRUTURA necessária para os Sistemas Baseados em
Agentes funcionarem dentro das premissas atuais.
• Outras áreas contribuíram com o desenvolvimento da Computação
Baseada em Agentes.
• Como mencionado, a INTERNET talvez seja a maior mudança de
todas.
11. Agent-Based Computing
History of Agents
• No momento, a Computação Baseada em Agentes atingiu um relativo
sucesso, porém AINDA É CONSIDERADA UM CAMPO
EMERGENTE.
• O maior obstáculo é a MATURIDADE das METODOLOGIAS
de desenvolvimento de Sistemas Baseados em Agentes.
• Desenvolvedores de software necessitam de FERRAMENTAS e
processos para GUIAREM e AUXILIAREM no
desenvolvimento, testes, design, arquitetura, etc.
• Outro importante aspecto é assegurar que os agentes se
INTEGREM com as tecnologias envolvidas.
• Dessa maneira, será possível tirar vantagem de todas as oportunidades.
12. Agent-Based Computing
Opportunities
(1)AMBIENTES INTELIGENTES
• A MAIOR motivação e justificativa da Tecnologia de Agentes.
• TRÊS PILARES: Computação Ubíqua, Comunicação Ubíqua e
Interfaces inteligentes para Usuários.
• Ambientes com milhares de dispositivos móveis interagindo.
• Compartilha as mesmas características dos Agentes.
(1) GRID COMPUTING
(1)Uma Infraestrutura Computacional de Alta Performance para
PROCESSAR uma larga escala de esforços/processos científicos.
(2)Também utilizado para aplicações em geral processar uma grande
quantidade de DADOS e SERVIÇOS.
(3)É fortemente sugerido a utilização de Agentes, por envolver serviços
distribuídos interagindo que garantem uma infra robusta.
13. Agent-Based Computing
Opportunities
(3)MERCADO ELETRÔNICO
• Agentes já estão sendo utilizados em fases iniciais por e-commerce e
seguradoras.
• Agências de viagens e revendedoras são os domínios primários que
também devem utilizar a tecnologia no e-coomerce.
• Esse tipo de iniciativa deve expor o potencial dos agentes.
(3)SIMULAÇÃO
• Sistemas Multi-Agentes apresentam uma base natural para
treinamento de tomadores de decisões em domínios complexos.
• Por exemplo, simulação de defesa em jogos de guerra. Simuladores do
mercado para auxilio em decisões reais.
• No entretenimento, as cenas de batalha do filme Senhor dos anéis foi
desenvolvida utilizando a tecnologia de Agentes.
14. Intelligent Agents: Agents
and Environments
• Um agente tem a PERCEPÇÃO do ambiente através de
SENSORES e atua no ambiente através de ATUADORES.
• Olhos e ouvidos são a percepção, braços e pernas os atuadores.
• Em geral, a escolha de
um agente de agir
depende de uma
sequencia de fatos que
passaram por sua
percepção.
15. Intelligent Agents: Agents
and Environments
• Matematicamente falando, o comportamento do agente
pode ser expresso em uma FUNÇÃO AGENTE que
mapeia a sequencia de percepções em ações.
• A Função Agente é a abstração, e o PROGRAMA
AGENTE é a IMPLEMENTAÇÃO concreta, que roda
em algum sistema físico.
• Um aspirador de pó, por exemplo, é um agente que percebe
qual local esta sujo e realiza a limpeza. A questão é: Qual
seria a melhor maneira de realizar a limpeza? Em outras
palavras, o que faz um agente ser inteligente ou burro?
17. Good Behavior: The
Concept of Rationality
• Um AGENTE RACIONAL é aquele que FAZ A COISA
CERTA.
• Isso é determinado considerando as CONSEQUÊNCIAS do
comportamento dos agentes.
• Quando um agente é lançado em um ambiente, ele gera uma sequência
de AÇÕES de acordo com sua PERCEPÇÃO, que alteram o
ESTADO DO AMBIENTE. Se essa mudança era a
DESEJADA, o agente teve uma atuação POSITIVA. Isso é
denominado MEDIDA DO DESEMPENHO.
• Essa medida pode parecer uma tarefa fácil, mas não é. Cada agente
possui uma medida diferente, e a sua avaliação é complexa.
• O aspirador de pó poderia ser medido pelo montante de sujeira depois de
oito horas de trabalho. Mas qual é o conceito de limpo? Qual é o melhor
jeito de limpar? Rápido com pausas ou contínuo?
18. Good Behavior: The
Concept of Rationality
(1)RACIONALIDADE
• Depende de quatro fatores principais:
1. A medida de desempenho que define o critério de sucesso.
2. O conhecimento prioritário do agente sobre o ambiente.
3. As ações que o agente realiza.
4. A sequência de percepções que um agente recebe.
• ESSA É A DEFINIÇÃO DE UM AGENTE RACIONAL.
• Primeiro, nós precisamos dizer qual é a Medida da Desempenho, o que
eu sei sobre o ambiente e quais são os sensores de atuação dos
agentes. A partir dai, é decidido sobre quais circunstancias o agente é
racional.
19. Good Behavior: The
Concept of Rationality
(2)ONISCIÊNCIA, APRENDIZADO e AUTONOMIA
• Onisciência é impossível de atingir.
• Racionalidade não é o mesmo que perfeição. Racionalidade maximiza um
desempenho esperado, enquanto perfeição maximiza um desempenho
atual.
• Um AGENTE ONISCIENTE sabe o resultado atual de sua ação e
atua de acordo com o necessário.
• Se um agente não olha para os dois lados antes de atravessar a rua, ele
não vai perceber um caminhão vindo em alta velocidade.
• Além disso, um agente racional não só colhe informações como
APRENDE o maximo que puder com suas percepcões, e atua de
acordo com o necessário. Isso faz parte da sua AUTONOMIA.
20. A Natureza dos
Ambientes
Ambiente de tarefasAmbiente de tarefas são essencialmente os problemas parasão essencialmente os problemas para
os quais os agentes são as soluções.os quais os agentes são as soluções.
Ao modelar um agente, a primeira etapa sempre deve serAo modelar um agente, a primeira etapa sempre deve ser
especificar um ambiente de tarefa da forma mais completaespecificar um ambiente de tarefa da forma mais completa
possível.possível.
Quanto mais restrito o ambiente, o problema se torna maisQuanto mais restrito o ambiente, o problema se torna mais
fácil de projetar.fácil de projetar.
21. Especificando um
Ambiente de Tarefa
UM MOTORISTA DE TAXI AUTOMATIZADO
1)Especificar a medida de desempenho (o sucesso do agente)
Chegar ao destino correto
Minimizar o consumo de combustível e desgaste.
Minimizar o custo da viagem etc
1)Definir o ambiente (dificuldades existentes)
Tipos de estrada varia?
A estrada contém tráfego?
O taxi irá interagir com passageiros?
22. Especificando um
Ambiente de Tarefa
3) Definir os atuadores e sensores
Atuadores
Acelerador
Direção e frenagem
Formas para se comunicar com outros veiculos (buzina)
Sensores
Cameras
Velocimetro
Periféricos de entrada
Sonar / infravermelho (para calcular distância e detecteção
de barreiras)
23. Outros exemplos
Tipo de
Agente
Medida de
desempenho
Ambiente Atuadores Sensores
Sistema de
diagnóstico
médico
Paciente
saudável,
minimizar
custo,
processos
judiciais
Paciente,
hospital,
equipe
Exibir
perguntas,
testes,
diagnósticos,
tratamento,
indicações
Entrada pelo
teclado para
sintomas,
descobertas,
respostas do
paciente
Robô de
seleção de
peças
Percentagem
de peças em
bandejas
corretas
Correia
transportador
a com peças;
bandejas
Braço e mão
articulados
Câmera,
sensores
angulares
articulados
24. Propriedades de
Ambientes de Tarefas
A categorização dos ambientes de tarefas em grupos
ajudam na escolha do design e na aplicabilidade das
técnicas de implementação de agentes.
25. Tipos de Ambientes de
Tarefas
Completamente observável x parcialmente observávelCompletamente observável x parcialmente observável
Deterministico x Estocástico x incertoDeterministico x Estocástico x incerto
Episódico x SeqüencialEpisódico x Seqüencial
Estático x DinâmicoEstático x Dinâmico
Discreto x ContínuoDiscreto x Contínuo
26. CompletamenteCompletamente
Observável xObservável x
Parcialmente ObservávelParcialmente Observável
• O ambiente éO ambiente é completamente observávelcompletamente observável se os sensores dose os sensores do
agente detectam todos os aspectos que são relevantes para a escolhaagente detectam todos os aspectos que são relevantes para a escolha
da ação.da ação.
• Um ambiente éUm ambiente é parcialmente observávelparcialmente observável devido ao ruído e adevido ao ruído e a
sensores imprecisos.sensores imprecisos.
• Ex.: Aspirador de pó com apenas um sensor de sujeira local não podeEx.: Aspirador de pó com apenas um sensor de sujeira local não pode
saber se há sujeiras em outros quadrados.saber se há sujeiras em outros quadrados.
27. Deterministico xDeterministico x
Estocástico x IncertoEstocástico x Incerto
• Se o próximo estado do ambiente é completamenteSe o próximo estado do ambiente é completamente
determinado pelo estado atual e pela ação executadadeterminado pelo estado atual e pela ação executada
pelo agente, dizemos que o ambiente épelo agente, dizemos que o ambiente é
deterministicodeterministico.(ex.: Jogo de xadrez).(ex.: Jogo de xadrez)
• Caso contrário ele éCaso contrário ele é estocásticoestocástico. (ex.: motorista de. (ex.: motorista de
táxi)táxi)
• IncertoIncerto: Não é totalmente observável e nem: Não é totalmente observável e nem
determinístico.determinístico.
28. Episódico x SeqüencialEpisódico x Seqüencial
• No ambiente episódico a experiência do agente é divididoNo ambiente episódico a experiência do agente é dividido
emem episódios atômicosepisódios atômicos. Cada episódio consiste em o. Cada episódio consiste em o
agente perceber e então agir. Cada episódio não dependeagente perceber e então agir. Cada episódio não depende
das ações que ocorreram em episódios anteriores. (Ex.:das ações que ocorreram em episódios anteriores. (Ex.:
Robô em uma linha de montagem de peças)Robô em uma linha de montagem de peças)
• Caso contrário ele éCaso contrário ele é seqüencialseqüencial (Ex.: Jogo de xadrez)(Ex.: Jogo de xadrez)
29. Estático x DinâmicoEstático x Dinâmico
• EstáticoEstático – o ambiente não muda enquanto o agente– o ambiente não muda enquanto o agente
escolhe a ação a realizar. (ex.: jogo de xadrez semescolhe a ação a realizar. (ex.: jogo de xadrez sem
relógio)relógio)
• Semi-estáticoSemi-estático - Se o ambiente não muda enquanto- Se o ambiente não muda enquanto
o agente faz a ação, mas a pontuação do agenteo agente faz a ação, mas a pontuação do agente
muda.(ex.: jogo de xadrez com relógio)muda.(ex.: jogo de xadrez com relógio)
• DinâmicoDinâmico – quando o ambiente muda enquanto o– quando o ambiente muda enquanto o
agente escolhe a ação a realizar. (ex.: Motorista deagente escolhe a ação a realizar. (ex.: Motorista de
táxi)táxi)
30. Discreto x ContínuoDiscreto x Contínuo
• DiscretoDiscreto - quando existe um o número limitado de- quando existe um o número limitado de
ações e percepções distintas claramente definidas.ações e percepções distintas claramente definidas.
(ex.: jogo de xadrez)(ex.: jogo de xadrez)
• ContínuoContínuo – percepção e ações mudam– percepção e ações mudam
constantemente (ex.: motorista de táxi)constantemente (ex.: motorista de táxi)
31. Conhecido xConhecido x
DesconhecidoDesconhecido
• Não se refere ao ambiente em si, mas ao estado de conhecimento doNão se refere ao ambiente em si, mas ao estado de conhecimento do
agente sobre as “leis da física” do ambiente.agente sobre as “leis da física” do ambiente.
• Há uma diferença entre ambientes conhecidos e desconhecidos paraHá uma diferença entre ambientes conhecidos e desconhecidos para
os observáveis e parcialmente observáveis. É possível um ambienteos observáveis e parcialmente observáveis. É possível um ambiente
conhecido ser parcialmente observável, como é o caso do jogoconhecido ser parcialmente observável, como é o caso do jogo
paciência, no qual é sabido as regras, porém eu ainda não posso verpaciência, no qual é sabido as regras, porém eu ainda não posso ver
as cartas até que sejam viradas..as cartas até que sejam viradas..
• Um exemplo de um ambiente desconhecido e totalmente observável éUm exemplo de um ambiente desconhecido e totalmente observável é
um jogo de videogame novo, no qual a tela mostra todo o estado doum jogo de videogame novo, no qual a tela mostra todo o estado do
jogo, porém o jogador ainda não sabe o que os botões fazem até testá-jogo, porém o jogador ainda não sabe o que os botões fazem até testá-
los.los.
32. O Motorista de TaxiO Motorista de Taxi
O motorista de taxi seria:O motorista de taxi seria:
•Parcialmente observável, multi-agente,Parcialmente observável, multi-agente,
estocastico, sequencial, dinâmico, continuo, e naestocastico, sequencial, dinâmico, continuo, e na
maioria dos casos conhecido, pois o motoristamaioria dos casos conhecido, pois o motorista
conhece geográficamente o local.conhece geográficamente o local.
33. Estrutura de Agentes
• Agente - programa + arquitetura
• Programa - uma função que implementa o
mapeamentos das percepções (entradas) para as
ações (saída).
• Arquitetura - suporte para execução do programa
(dispositivo com sensores)
34. Programa
• Recebe todas as percepções como entrada através
dos sensores e retorna uma ação a ser executada
através dos atuadores.
• Para a construção de um agente racional dessa
forma, é necessário construir uma tabela com uma
entrada para toda sequencia de entradas.
• Para o caso do motorista de táxi seria impossível
criar tal tabela.
35. Desafio
• O grande DESAFIO DE IA é produzir comportamento racional de
um programa pequeno, ao invés de uma vasta tabela.
• Exemplo:
1.Tabelas de raízes quadradas utilizadas por engenheiros
2.Substituídas por um programa de 5 linhas que corresponde ao
método de Newton
• Fazer o que o método de Newton fez pelas raízes
quadradas.
36. Agente Reativo Simples
Selecionam as ações com base somente na percepção atual.
Função AGENTE-ASPIRADOR-REATIVO ([posição, estado])
retorna uma ação
se estado = sujo
então retorna aspirar
senão se posição = A
então retorna direita
senão se posição = B
então retorna esquerda
• Se está sujo não precisamos verificar outras condições.
• O mesmo Pode acontecer em ambientes mais complexos como
o do taxi. (Veículo da frente freia)
• Reflexo no ser-humano.
LIMITADO → Só será acionado se o ambiente for completamente
observável
37. Agentes Reativos
Baseados em Modelos
• Lidar com possibilidade de observação parcial
• O agente deve manter um estado interno que dependa do
histórico de percepções e reflita os aspectos não observados
no estado atual
• Conhecimentos necessários para atualizar o estado interno:
• Como o ambiente evoluí independente do agente
• Como as ações do agente afeta o mundo
• É NECESSÁRIO UM MODELO DO MUNDO
39. Limitações
• Conhecer os estados do ambiente não é
suficiente para tomar uma boa decisão
• No caso do taxi ao chegar em um cruzamento
com 3 diferentes caminhos, a escolha não pode
ser feito reativamente ou baseada no modelo. A
decisão dependende onde o motorista quer
chegar.
40. Agentes Baseados em
Objetivos
• O agente recebe alguma informação sobre seu objetivo.
• O agente pode escolher ações que alcancem o objetivo de 2
formas:
• Direta: O resultado de uma única ação atinge o objetivo.
• Complexa: Sequência de ações para atingir o objetivo.
(Algoritmos de busca e planejamento)
• Agentes reativos: frear o carro quando o carro da frente frear
• Agente base em objetivo: carro da frente freia → carro da
frente diminui velociada → objetivo: não atingir outros carros →
ação: frear
41. Agente Baseado em
Utilidade
• Objetivos apenas não dão alta qualidade para a
maioria dos ambientes
• Se um estado é mais desejável que o outro então
terá mais utilidade para o agente.
• Ideal para quando existem objetivos comflitantes,
por exemplo, escolha entre velocidade pela
segurança.
42. Agente com
aprendizagem
• Turing propõe contruir máquinas com
aprendizagem para depois ensiná-las
• A aprendizagem permite ao agente atuar
em ambientes totalmente desconhecidos e
se tornar mais competente do que seu
conhecimento inicial permite.
43. Componentes de um
agente com
aprendizagem
• Elemento de aprendizagem
Determina de que maneira o elemento de desempenho deve ser
modificado para ser melhor no futuro.
• Crítico
Informa ao elemento de aprendizado como o agente está se
comportando em relação ao desempenho
É um elemento necessário pois as percepções não oferecem esse
tipo de informação
44. Componentes de um
agente com
aprendizagem
• Elementos de desempenho
Seleciona as ações externas
Recebe percepções e decide sobre ações
• Gerador de problemas
Sugere ações que levarão a experiências novas e
informativas.
45. Agente com
aprendizagem
No caso do taxista:
• Elemento de desempenho: Conhecimento e procedimentos
para dirigir
• Crítico: Observa o mundo e repassa para o elemento de
aprendizagem a reação dos outros motoristas a uma ação do
agente
• Elemento de aprendizagem: É capaz de formular uma regra
afirmando que a ação foi boa ou ruim. Modifica o elemento de
desempenho pela instalação da nova regra
• Gerador de problemas: Identifica áreas que precisam ser
melhoradas. Sugere experimentos, por exemplo, testar os freios
em diferentes superfícies
46. Como os Componentes
dos Agentes Funcionam
Podemos criar representações baseadas em medidas de quantas
“estruturas internas” o modelo tem, do menor para o maior:
• Modelos Atômicos: Não tem estrutura interna. Todo trabalho é
executado a partir de uma representação atômica.
Exemplo: a tarefa de viajar de uma cidade a outra no país. Pode
ser representada por “2 caixas pretas” que representam a cidade,
sem levar em consideração o trajeto necessário para se chegar
nelas.
47. Como os Componentes
dos Agentes Funcionam
• Modelos de fabrica: Tem uma estrutura interna e varia de
acordo com o problema. Normalmente há variaveis, atributos e
metricas de performance. Com esse modelo é possível
representar incertezas.
• Modelos estruturados: Tem uma estrutura interna mais
complexa na qual é possível não só representar variaveis e
valores. Através de modelos estruturados é possível representar
como os diversos objetos no mundo ser relacionam aumentando
a expressividade da representação.