Sistemes Intel·ligents Distribuïts

Esteu aquí

Inici » Estudis » Graus » Grau en Enginyeria Informàtica » Pla d'estudis » Assignatures » Sistemes Intel·ligents Distribuïts
Crèdits
6
Tipus
Complementària d'especialitat (Computació)
Requisits
  • Prerequisit: IA
Departament
CS
Web
https://sites.google.com/upc.edu/grau-sid
Mail
Hi ha dos objectius en aquest curs: en primer lloc, proveïr els estudiants dels coneixements matemàtics i computacionals suficients per analitzar sistemes distribuïts intel·ligents mitjançant models adequats, i en segon lloc, il·lustrar diverses estratègies de coordinació i mostrar com implementar-les i optimitzar-les. El curs s'estructura en una combinació de classes teòriques i exercicis de laboratori fent servir plataformes reals de hardware i de simulació. Es tracten els següents temes: 1) introducció als concepts claus com per exemple el concepte d'auto-organització i a les eines de software i hardware utilitzats durant el curs, 2) exemples de sistemes intel•ligents distribuïts naturals, artificials i híbrids, 3) conceptes d'aprenentatge automàtic: tècniques mono- i multi-agents, i 4) estratègies de coordinació i control distribuït.

Professorat

Responsable

  • Sergio Álvarez Napagao ( )

Altres

  • Javier Vazquez Salceda ( )
  • Ramon Sangüesa Sole ( )
  • Ulises Cortés García ( )

Hores setmanals

Teoria
2
Problemes
0
Laboratori
2
Aprenentatge dirigit
0
Aprenentatge autònom
6

Competències

Competències Transversals

Treball en equip

  • G5 [Avaluable] - Ser capaç de treballar com a membre d'un equip, ja sigui com a un membre més, ja sigui realitzant tasques de direcció, amb la finalitat de contribuir a desenvolupar projectes d'una manera pragmàtica i amb sentit de la responsabilitat; assumir compromisos tenint en compte els recursos disponibles.
    • G5.3 - Identificar els rols, les habilitats i les carències dels diferents membres del grup. Proposar millores en l'estructura del grup. Interactuar amb eficàcia i professionalitat. Negociar i gestionar conflictes en el grup. Reconèixer i donar suport o assumir el paper de líder en el grup de treball. Avaluar i presentar els resultats del treball de grup. Representar el grup en negociacions amb terceres persones. Capacitat de col·laborar en un entorn multidisciplinar. Conèixer i saber aplicar les tècniques per a promoure la creativitat.

Competències Tècniques de cada especialitat

Especialitat computació

  • CCO2 - Desenvolupar de forma efectiva i eficient els algorismes i el software apropiats per a resoldre problemes complexos de computació.
    • CCO2.1 - Demostrar coneixement dels fonaments, dels paradigmes i de les tècniques pròpies dels sistemes intel·ligents, i analitzar, dissenyar i construir sistemes, serveis i aplicacions informàtiques que utilitzin aquestes tècniques en qualsevol àmbit d'aplicació.
    • CCO2.2 - Capacitat per a adquirir, obtenir, formalitzar i representar el coneixement humà d'una forma computable per a la resolució de problemes mitjançant un sistema informàtic en qualsevol àmbit d'aplicació, particularment en els que estan relacionats amb aspectes de computació, percepció i actuació en ambients o entorns intel·ligents.

Objectius

  1. Conèixer el conceptes bàsics d'Intel.ligencia Artificial distribuïda
    Competències relacionades: G7.1, G9.1, CCO2.1,
  2. Coneixer el concepte d'agent intel.ligent i el seu rol en el desenvolupament de sistemes intel.ligents multiagent
    Competències relacionades: CCO2.1,
  3. Conèixer les lògiques específiques per a la intel.ligencia artificial i els sistemes multiagent
    Competències relacionades: G9.1, CCO2.1, CCO2.2,
    Subcompetences:
    • Conéixer el formalisme de lógica de creencies
    • Conèixer el formalisme de les lògiques temporals
  4. Conèixer metodologies de desenvolupament d'ontologíes i saber aplicar-les a un problema real
    Competències relacionades: G7.1, G9.1, G5.3, CCO2.1, CCO2.2,
    Subcompetences:
    • Conèixer el formalisme de les lògiques de descripció
    • Conèixer i aplicar les metodologies de desenvolupament d'ontologies
    • Conèixer els llenguatges d'ontologies proposats pel W3C
  5. Conèixer i aplicar metodologies de desenvolupament de sistemes multiagent
    Competències relacionades: G7.1, G9.1, G5.3, CCO2.1, CCO2.2,
  6. Conèixer els protocols d'interacció entre agents
    Competències relacionades: G7.1, CCO2.1, CCO2.2,
  7. Saber analitzar les necessitats de comunicació d'un sistema multiagent i saber desenvolupar un protocol de comunicació
    Competències relacionades: G7.1, G9.1, CCO2.1, CCO2.2,
  8. Entendre els elements bàsics de la teoria de jocs i teoria de la decisió i la seva relació amb els sistemes multiagent
    Competències relacionades: G7.1, G9.1, CCO2.2,
  9. Conèixer els mecanismes de negociació i el seu rol en els sistemes multiagent
    Competències relacionades: G7.1, G9.1, CCO2.1, CCO2.2,
  10. Conèixer les aplicacions dels sistemes intel.ligents en la robòtica
    Competències relacionades: G7.1, CCO2.1,

Continguts

  1. Perspectives de la Intel.ligència Artificial
    Introducció a les àrees reals d'aplicació d'Intel·ligència Artificial
  2. Introducció als agents intel.ligènts
    Que es un agent?
    L'agent com element basic de construcció de sistemes.
    Tipologies d'agents.
    Arquitectures i metodologies de construcció d'agents
  3. Ontologies
    Que es una Ontologia?
    Metodologies de construcció d'Ontologies.
    Lógiques de descripció.
    Lenguatges d'ontologies
  4. Logiques per la Intel.ligència Artificial
    Raonament per aplicacions d'Intel.ligència Artificial.
    Logiques modals.
    Logiques Temporals.
    Raonament amb incertessa
  5. Comunicació
    Necesitats de comunicació entre agents.

    Speech Act Theory.

    Lleguatges de comunicació entre agents
  6. Coordinació
    Necessitat de coordinació en sistemes multiagents.
    Cooperació
    Negociació entre agents intel.ligents
  7. Introducció als Agents Físics
    Agents per el mòn real: Robòtica, domotica, visiò artificial, control

Activitats

Activitat Acte avaluatiu


Perspectives de l'Intel.ligència Artficial

L'alumne coneixerà els orígens i els fonaments de la Intel · ligència Artificial així com algunes de les àrees d'aplicació. Per reforçar l'aprenentatge de l'alumne haurà de llegir i comprendre el material assignat pel professor.
  • Teoria: Que es un agent? L'agent com element basic de construcció de sistemes. Tipologies d'agents. Arquitectures i metodologies de construcció d'agents
  • Laboratori: Introducció al Laboratori. Sessió teòrica explicant com les tendències en desenvolupament de software porten a sistemes multi-agent. Contrast entre el concepte de objecte i el concepte de agent. Introducció als agents i sistemes multi-agent (incloent-hi, punts de vista, influències i petites definicions).
  • Aprenentatge autònom: Organització dels materials del curs
Objectius: 1
Continguts:
Teoria
2h
Problemes
0h
Laboratori
2h
Aprenentatge dirigit
0h
Aprenentatge autònom
6h

Introducció als agents intel.ligènts


  • Teoria: Que es un agent? L'agent com element basic de construcció de sistemes. Tipologies d'agents. Arquitectures i metodologies de construcció d'agents
  • Problemes: Problemes per consolidar els conceptes de tipus de agent i de entorn. Identificació dels tipus de entorn i les seves propietats i intentar trobar el millor tipus d'agent per aquest entorn.
  • Laboratori: Anàlisi de metodologies de disseny de software. Identificació dels problemes que presenten aquestes metodologies i com es poden abordar. Introducció a metodologies de disseny de agents, i contrast amb les a metodologies de disseny de software tradicionals (orientades a objectes).
Objectius: 2 5
Continguts:
Teoria
4h
Problemes
0h
Laboratori
4h
Aprenentatge dirigit
0h
Aprenentatge autònom
14h

Ontologies

Els estudiants no només han d'assistir a les lliçons, sinó també fer exercicis sobre la utilització de les ontologies i discutir amb el professor i altres estudiants quan és millor utilitzar cada tècnica. Al laboratori els estudiants aplicaran el que han après en un problema.
  • Teoria: Que es una Ontologia? Metodologies de construcció d'Ontologies. Lógiques de descripció. Lenguatges d'Ontologies
  • Problemes: Sessió on es resol un problema sobre robots exploradors del planeta mart.
  • Laboratori: Introducció a ontologies. S'explica el model de ontologia OWL. Es fa servir una ontologia de exemple (PizzaOntology) per explicar els conceptes bàsics: Classes, propietats de objecte i propietats de dades. Conceptes avançats de ontologies. S'explica com treballa un raonador sobre una ontologia OWL i com es poden inferir classes especificant les propietats que han de complir els membres que pertanyin a la classe. S'expliquen les diferents opcions de les propietats de objecte i de dades (funcional, transitiva, inversa...). Metodologies de disseny de ontologies. Introducció a la eina Protegé per desenvolupament de ontologies. S'introdueix l'enunciat de la pràctica.
Objectius: 4
Continguts:
Teoria
4h
Problemes
0h
Laboratori
4h
Aprenentatge dirigit
0h
Aprenentatge autònom
18h

Lògiques per la Intel.ligència Artificial


  • Teoria: Raonament per aplicacions d'Intel.ligència Artificial. Logiques modals. BDI Logiques Temporals. Raonament amb incertessa
  • Problemes: Problemes per consolidar conceptes de raonament. Es fa servir el problema box world per demostrar el rendiment de cada tipus de raonament, com la planificació es millor que un comportament aleatori, i com re¿considerar pot ser contraproduent. S'introdueixen els conceptes de OverCommitment i UnderCommitment.
  • Laboratori: Introducció a la plataforma de agents Jade. Explicació de conceptes bàsics sobre la plataforma, els serveis que proporciona i la forma en que es desenvolupen agents per la plataforma. Els estudiants desenvolupen el seu primer agent JADE. El codifiquen i l'injecten a la plataforma de agents.
Objectius: 3
Continguts:
Teoria
2h
Problemes
0h
Laboratori
6h
Aprenentatge dirigit
0h
Aprenentatge autònom
15h

Exam Parcial

L'examen parcial es durà a terme durant les hores de classe estàndard. Les persones que no aprovin el parcial serà avaluada de nou en l'examen final.
Objectius: 2 3 4 5 1
Setmana: 8
Tipus: examen de teoria
Teoria
2h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
0h

Comunicació

Els estudiants no només han d'assistir a les lliçons, sinó també fer exercicis sobre la utilització dels mecanismes de comunicació entre els agents i discutir amb el professor i altres estudiants quan és millor utilitzar cada tècnica. Al laboratori els estudiants aplicaran el que han après en un problema.
  • Problemes: Sessió on els estudiants presenten un primer sketch del disseny de les seves ontologies. D'aquesta manera, el professor i els companys de classe poden aportar recomanacions i critiques constructives al disseny.
  • Laboratori: JADE. Es refresquen conceptes de JADE. S'introdueix en profunditat l'ús de serveis de la plataforma i mètodes per arrancar-la i injectar-hi agents. Els alumnes realitzen exercicis sobre els conceptes introduïts amb la supervisió del professor. Introducció dels últims conceptes sobre JADE. Pas de paràmetres, behaviours, protocols i pas de missatges entre els agents. Els alumnes realitzen exercicis sobre els conceptes introduïts amb la supervisió del professor
Objectius: 6 7
Continguts:
Teoria
4h
Problemes
0h
Laboratori
4h
Aprenentatge dirigit
0h
Aprenentatge autònom
15h

Coordinació


  • Teoria: Necessitat de coordinació en sistemes multiagents. Cooperació Negociació entre agents intel.ligents
  • Laboratori: Introducció a l'ús de JENA per manipular la base de coneixement de conceptes ontològics. El professor introdueix un exemple sobre l'ús de JENA en una ontologia de exemple (PizzaOntology) i proposa petites modificacions als alumnes. El professor supervisa la execució de la modificació
Objectius: 8 9
Continguts:
Teoria
5h
Problemes
0h
Laboratori
7h
Aprenentatge dirigit
0h
Aprenentatge autònom
15h

Introducció als Agents Físics

Els estudiants no només han d'assistir a les classes, sinó també llegir els documents proposats
  • Teoria: Introducció als Agents Físics
  • Laboratori: Sessións dedicades completament al desenvolupament de la pràctica. El professor proporciona suport als alumnes i respon els seus dubtes
Objectius: 10
Continguts:
Teoria
4h
Problemes
0h
Laboratori
3h
Aprenentatge dirigit
0h
Aprenentatge autònom
7h

Evaluació del exercicis práctics

La entrega del informe sobre los trabajos prácticos (3 o 4 cuatro) hizo a lo largo de las sesiones de laboratorio.
Objectius: 5 6 7
Setmana: 15 (Fora d'horari lectiu)
Tipus: entrega
Teoria
0h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
0h

Examen Final

Examen final per a tots els continguts del curs.
Objectius: 2 3 4 5 6 7 8 9 10 1
Setmana: 15 (Fora d'horari lectiu)
Tipus: examen de teoria
Teoria
3h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
0h

Metodologia docent

La metodologia docente consistirà en l'exposició de la teoria en classes de teoria i l'aplicació dels conceptes en les classes de problemes i laboratori.

L'examen serà únic per a tots els grups de l'assignatura.

Mètode d'avaluació

L'avaluació es basa en un examen final i un examen parcial, l'avaluació de les assignacions del curs, i una qualificació per al treball de laboratori. Els exàmens finals i parcial posaran a prova els coneixements teòrics i de metodologia adquirits pels estudiants durant el curs. La qualificació de les assignacions del curs es basarà en les presentacions dels petits problemes proposats durant el curs. La nota de laboratori es basarà en els informes i treballs pràctics de laboratori duts a terme durant el curs.

Aproximadament a la meitat del curs hi haurà un examen parcial alliberatori, que cobrira la primera meitat del temari (alliberatori només si la qualificació obtinguda és de 5 o més). L'examen final posarà a prova tant la primera com la segona part del curs. La primera meitat és obligatòria per a aquells estudiants que no van aprovar l'examen parcial, i opcional per a la resta. El màxim de les dues notes es convertiran en la qualificació de la primera part.


La qualificació final es calcularà de la següent manera:


Npar = examen de part del grau

NEx1 = 1ª meitat de l'examen final

NEx2 = 2ª meitat de l'examen final

Nota de teoria = [max (Npar, NEx1) + NEx2] / 2

Nota final = Nota de teoria * 0,5 + nota dels exercicis pràctics * 0,2 + nota de laboratori * 0,3 (codi i informe)


Evaluació de les competencies

La evaluación de la competencia en el trabajo en equipo se basa en el trabajo realizado durante los trabajos de prácticas.

Bibliografia

Bàsica:

Complementaria:

  • Introduction to AI robotics - Murphy, R.R, MIT Press , 2019. ISBN: 9780262348157

Web links

  • (Third edition) by Stuart Russell and Peter Norvig The leading textbook in Artificial Intelligence. Used in over 1200 universities in over 100 countries. The 25th most cited publication on Citeseer (and 2nd most cited publication of this century). http://aima.cs.berkeley.edu/

Capacitats prèvies

Els alumnes han d'haver cursat previament l'assignatura Intel.ligència Artificial