ok, en esta charla vamos a hablar del
conocimiento de los agentes y el

conocimiento de los agentes es el proceso
mediante el cual los agentes examinas sus

propiedades y el mundo que los rodea y
toman una decisión acerca de las acciones

que deben llevar a cabo; antes de crear el
modelo tenemos que pensar en cómo será ese

conocimiento, cuan complejo será el
conocimiento de mis agentes, que nivel de

conocimiento deberán tener y mientras más
complejo sea ese conocimiento, un mayor

esfuerzo computacional será requerido, 
pero potencialmente el modelo se verá

más realista; podría ser que si se agrega
más y más conocimiento, los agentes serán

como personas que piensan o lobos u ovejas
o lo que sea; aunque esto no es siempre el

caso; yo pienso un poco acerca de los 
modelos económicos clásicos donde por

ejemplo donde los seres humanos toman en
cuenta toda la información y tienen tiempo

infinito para calcular cual es la mejor
solución; lo cual es un conocimiento muy

complejo para un agente; pero no es 
necesariamente el modelo más realista, la

mayor parte de los humanos toman 
decisiones basados en heurísticas o reglas

de pulgar; entonces un ejemplo de donde el
conocimiento de los agentes, aún cuando

sea muy complejo, puede que no sea el más
realista

en mi primer acercamiento al tema me 
encontré con un libro de Russell y Norvig

y ellos definen 4 tipos de conocimiento de
los agentes y entonces quiero; voy a usar

las mismas categorías para hablar de los 4
tipos y eso es de lo que vamos a hablar

hoy; entonces el 1er tipo es el que 
llamamos agente reflexivo y estos son

agentes que simplemente actúan en forma 
muy sencilla; luego tenemos a los agentes

utilitarios, estos son agentes que tratan 
de maximizar una función de utilidad, los

agentes que están basados en metas que
intentan alcanzar una meta y los agentes

adaptativos, los agentes adaptativos son
agentes que no solamente pueden cambiar

sus decisiones sino que pueden cambiar sus
estrategias; vamos a hablar un poco acerca

de ello luego

los agentes reflexivos son agentes que
reaccionan y que siguen reglas muy simples

donde los agentes simplemente reaccionan a
lo que sucede alrededor y a veces son

representados por reglas de "si entonces",
muchos de los modelos de agentes que ya

estuvimos viendo son de esta clase, el
modelo de la bandada de pájaros, si corrés

el riesgo de chocar contra un pájaro,
entonces mejor alejate, mejor evitalo, ese

es un ejemplo de un agente reflexivo, por
que de algún modo refleja como lo hace el

cuerpo humano y les voy a mostrar un 
ejemplo en el modelo del tráfico básico de

los autos

hola a todos y ahora les voy a mostrar un
ejemplo del modelo básico del tráfico que

muestra como construir un agente reflexivo
entonces, les comento esto porque casi

todos los modelos que pueden llegar a usar
en esta clase están disponibles en la

biblioteca de modelos en una carpeta que
se llama IABM textbook model y si vamos al

capítulo 5, que se corresponde con la 
unidad 5 de esta clase; la mayoría de los

modelos están ahí; ahora desgraciadamente
el único que no está ahí, es aquel que

forma parte de la biblioteca estándar de
modelos; existe desde antes de que

apareciera el manual y en este caso el
modelo básico del tráfico es uno de ellos

vamos a volver a la sección en los 
próximos demos debido a que quiero mostrar

otro de los modelos básicos del tráfico,
pero ahora vamos a ciencias sociales y si

vamos para abajo vamos a encontrar el
modelo básico del tráfico; dicho sea de

paso, ustedes pueden encontrar todos estos
modelos simplemente buscándolos si

escriben traffic; entonces vamos a hacer
click en tráfico básico y vamos a abrirlo

este modelo es muy simple, si se acuerdan
vemos como se desplazan los autos, se

mueven en una sola dimensión y pueden
acelerar hasta que se topan con un atasco

y la regla reflexiva captura muy bien,
déjenme que agrande un poco este código,

la regla reflexiva es capturada muy bien 
por esta rutina "go"; en el procedimiento

go, la regla reflexiva describe, por 
ejemplo en la documentación, como debe ser

si hay un auto adelante equipare su 
velocidad, de otro modo acelere, no baje

la velocidad menos del límite ni acelere
por encima de ese límite; entonces estas

reglas reflexivas suelen tener la forma de
"si entonces" y esta no es la excepción,

entonces lo 1ro a verificar es si hay 
algún auto adelante, si es que hay un auto

adelante, si no hay un auto adelante, si
hay un auto adelante, en otras palabras si

el auto que está adelante no es igual a
nadie, en otras palabras hay un auto

adelante, entonces tiene que bajar la
velocidad del auto, si no hay un auto

adelante, ok, tiene que acelerar, entonces
si hay un auto adelante desacelere, si no

hay un auto adelante entonces acelere y
luego se modifica la velocidad para estar

seguros de que no se van a pasar del 
límite de velocidad y que se mueva hacia

adelante; esa es la regla básica y simple
le permitimos que refleje lo que los

agentes son y esa es una forma fuerte de
conocimiento, de hecho muchos de los

modelos que hemos visto, en nuestros
ejemplos fueron reflexivos, tienen reglas

simples de la forma "si sucede esta 
condición, entonces haga esta acción"

en el próximo grupo, vamos a empezar a
hablar un poco de tipos de conocimiento un

poco más avanzados, como los agentes 
basados en la utilidad

ok, los agentes basados en la utilidad son
el siguiente nivel de los agentes, no son

necesariamente niveles estrictos, sino un
tipo diferente de conocimiento de agente

y los agentes basados en la utilidad son
agentes que intentan maximizar alguna

función de utilidad, a veces requiere que
los agentes intenten acciones diferentes y

luego observar el valor que devuelve la
función de utilidad para ver que acciones

se deben tomar para maximizar esa función
de utilidad; vamos a armar una en la

utilidad del tráfico básico, donde la
función básica de utilidad es la que

minimiza la desviación de una velocidad
eficiente en relación a la nafta, entonces

los agentes van a adaptarse en cuanto a la
velocidad a la que se mueven, básicamente

tratando de que coincidan las velocidades
lo más que puedan, entonces miremos que

pasa

ok acá vamos a mirar el modelo utilitario
básico del tráfico, que nos pemite tener a

los agentes usando la función de utilidad
para poder tomar una decisión; si miran

abajo hay un modelo utilitario básico del
tráfico en el capítulo 5 en el manual de

IABM, ustedes pueden encontrarlo 
escribiendo "utility" ya que es el único

que tiene esa palabra y lo pueden abrir

acá tenemos el modelo que se ve muy 
parecido al otro, es decir al modelo

básico del tráfico, excepto por el hecho
de que tenemos un nuevo deslizador que se

llama "velocidad eficiente" y la velocidad
eficiente se supone que es un tipo de

movimiento donde se verifica quien va
adelante y se da cuenta que si los autos

se mueven a una velocidad, entonces van a
minimizar, maximizar la eficiencia, van a

obtener la mejor relación de millas por
galones; todos los autos tratan de

alcanzar esa velocidad; como lo hacen?
bueno si vamos al código, vamos para abajo

a la rutina "go" vamos a ver que hay un
comando que dice que si el auto, si no hay

un auto adelante

si hay un auto adelante entonces aminorá
la velocidad; si no hay un auto adelante

entonces ajustá la velocidad para que sea
eficiente

si vamos abajo y vemos la rutina de 
"ajuste por eficiencia"

entonces veremos que existe un nuevo 
renglón que dice que si mi velocidad no es

equivalente a la velocidad eficiente, si
mi auto no se está moviendo a esa

velocidad especial, entonces no hagas nada
si el auto va a esa velocidad eficiente,

entonces no hagas nada, pero si se acelera
entonces ponelo debajo, mantenete por

debajo de la velocidad eficiente y 
entonces obviamente tenés que acelerar

debido a que no se puede sobrepasar la
eficiencia y si se desacelera, entonces se

va a mantener por debajo de la eficiencia
entonces se está constantemente quebrando

y subiendo y tratando de permanecer cerca
de la velocidad de la eficiencia; ahora

puede que sea posible que dada cierta
aceleración, no puedas exactamente navegar

a la velocidad eficiente, esto está bien,
vamos a intentar estar lo más cercano

posible, todo lo que se pueda y por 
supuesto, si lo miran y prestan atención a

la 1ra sentencia que dice que la velocidad
no es la velocidad eficiente, imaginemos

que estamos muy cerca de la velocidad
eficiente, entonces la aceleración no va

a bajar, porque sino hará que todos vayan
más rápido y la desaceleración significa

que tengo que estar por encima, debido al
hecho de que puede ser que la

desaceleración puede quedar muy lejos, muy
por debajo, y lo que queremos es que se

quede un poco por encima, nada va a 
cambiar en la velocidad; entonces este es

un ejemplo de la función básica de 
utilidad debido a que estamos tratando de

maximizar la utilidad de mantener la
velocidad suficiente; ok esta es una

función escrita, porque la mayor parte de
las veces los Modelos Basados en Agentes

como en cualquier modelo de computación
no vamos a escribir funciones, vamos a

escribir procedimientos computacionales, 
no funciones matemáticas, no ecuaciones,

no son procedimientos matemáticos, son
procedimientos computacionales que van a

obtener el mismo resultado que los modelos
basados en ecuaciones; ustedes pueden

imaginar que escriben una ecuación que
dice que la utilidad de la velocidad es

igual a la eficiencia del combustible bla
bla bla y luego pueden decir con otra

función elija la desaceleración o la
aceleración de tal modo que maximice la

utilidad; esencialmente eso es lo que 
hace, ya escribimos todas esas ecuaciones

y lo hemos expresado con lógica 
computacional y esa es la forma en que

muchas de las funciones cognitivas de los
agentes trabajan