El modelo de software Belief–Desire–Intention (BDI) es una arquitectura de software desarrollada para programar agentes inteligentes. Se caracteriza superficialmente por la implementación de las creencias, deseos e intenciones de un agente, pero en realidad utiliza estos conceptos para resolver un problema particular en la programación de agentes: separar la actividad de seleccionar un plan (de una biblioteca de planes o de un planificador externo) de la ejecución de los planes actualmente activos. En consecuencia, los agentes BDI pueden equilibrar el tiempo dedicado a deliberar sobre planes (eligiendo qué hacer) y a ejecutar esos planes (haciéndolo). Una tercera actividad, crear los planes en primer lugar (planificación), no está dentro del alcance del modelo y se deja al diseñador del sistema y al programador.
El modelo BDI está inspirado en la teoría de Michael Bratman sobre el razonamiento práctico humano, que también utiliza los términos creencia, deseo e intención. Para Bratman, el deseo y la intención son ambas pro-actitudes (actitudes mentales relacionadas con la acción), pero el compromiso distingue la intención del deseo, lo que lleva a una persistencia temporal en los planes y a que se hagan más planes sobre la base de aquellos a los que uno ya está comprometido. El modelo de software BDI aborda parcialmente estos problemas: la persistencia temporal en el sentido de referencia explícita al tiempo no se explora, pero la naturaleza jerárquica de los planes es más fácil de implementar, ya que un plan consiste en pasos algunos de los cuales pueden invocar otros planes, lo que implica un tipo de persistencia temporal.
##Agentes BDI
Un agente BDI es un tipo particular de agente de software racional acotado imbuido con actitudes mentales: creencias, deseos e intenciones. Estas actitudes se implementan en una arquitectura que incluye componentes como creencias, deseos, metas, intenciones, planes y eventos.
- Creencias representan el estado informativo del agente - sus creencias sobre el mundo, incluyéndose a sí mismo y a otros agentes. Las creencias pueden incluir reglas de inferencia, permitiendo que el encadenamiento hacia adelante conduzca a nuevas creencias. El término "creencia" en lugar de "conocimiento" reconoce que lo que un agente cree puede no ser necesariamente verdadero. Las creencias se almacenan en una base de datos, a veces llamada base de creencias o conjunto de creencias.
- Deseos representan el estado motivacional del agente - objetivos o situaciones que el agente le gustaría lograr, como encontrar el mejor precio o volverse rico.
- Metas son deseos que han sido adoptados para su búsqueda activa, con la restricción de que el conjunto de deseos activos debe ser consistente(por ejemplo, uno no debería tener metas concurrentes de ir a una fiesta y quedarse en casa).
- Intenciones representan el estado deliberativo - lo que el agente ha elegido hacer. Las intenciones son deseos a los que el agente se ha comprometido, lo que significa en sistemas implementados que el agente ha comenzado a ejecutar un plan.
- Planes son secuencias de acciones (recetas o áreas de conocimiento) que un agente puede realizar para lograr una o más de sus intenciones. Los planes pueden incluir otros planes, reflejando la idea de Bratman de que los planes son inicialmente solo parcialmente concebidos.
- Eventos son disparadores para la actividad reactiva, actualizando creencias, disparando planes o modificando metas. Los eventos pueden generarse externamente (a través de sensores) o internamente.
El modelo BDI también se ha extendido con un componente de obligaciones, dando lugar a la arquitectura de agente BOID para incorporar obligaciones, normas y compromisos en entornos sociales.
##Intérprete BDI
Un intérprete BDI idealizado, basado en la línea PRS de SRI, opera de la siguiente manera:
- Inicializar el estado.
- Repetir:
- Opciones: generador-de-opciones (cola-de-eventos)
- Opciones seleccionadas: deliberar(opciones)
- Actualizar intenciones(opciones-seleccionadas)
- Ejecutar()
- Obtener nuevos eventos externos()
- Descartar actitudes no exitosas()
- Descartar actitudes imposibles()
Este intérprete cicla a través de generar opciones a partir de eventos, deliberar para seleccionar opciones, actualizar intenciones, ejecutar planes y manejar nuevos eventos, mientras descarta actitudes que no tienen éxito o son imposibles.
##Lógicas Formales y Razonamiento
Un aspecto importante del modelo de software BDI es la existencia de modelos lógicos a través de los cuales los agentes BDI pueden definirse y razonarse. La investigación ha llevado a axiomatizaciones de algunas implementaciones BDI y descripciones lógicas formales como la BDICTL de Anand Rao y Michael Georgeff, que combina una lógica multi-modal(con modalidades para creencias, deseos e intenciones) con la lógica temporal CTL*. Más recientemente, Michael Wooldridge extendió BDICTL para definir LORA( Lógica de Agentes Racionales, incorporando una lógica de acción para razonar sobre agentes individuales e interacciones en sistemas multi-agente.
##Limitaciones y Críticas
El modelo de software BDI es un ejemplo de una arquitectura de razonamiento para un agente racional único y una preocupación en sistemas multi-agente más amplios. Las limitaciones conocidas incluyen:
- Aprendizaje: Los agentes BDI carecen de mecanismos específicos para aprender del comportamiento pasado y adaptarse a nuevas situaciones.
- Tres actitudes: Los teóricos de la decisión clásicos y los investigadores de planificación cuestionan la necesidad de tener las tres actitudes, mientras que la investigación en IA distribuida cuestiona si las tres actitudes son suficientes.
- Lógicas: Las lógicas multi-modales subyacentes al BDI, que no tienen axiomatizaciones completas y no son eficientemente computables, tienen poca relevancia en la práctica.
A pesar de estas limitaciones, el modelo BDI sigue siendo influyente en los sistemas basados en agentes. Ha sido propuesto por Steven Umbrello y Roman Yampolskiy como un medio para diseñar vehículos autónomos para valores humanos, y continúa informando la investigación en Artificial intelligence y sistemas multi-agente. La separación del modelo entre deliberación y ejecución tiene paralelos en otras áreas de la IA, como Reinforcement learning y la planificación, y sus conceptos son relevantes para el diseño de vehículos autónomos y Robotics.
##Aplicaciones y Relevancia
La arquitectura BDI se ha aplicado en diversos dominios, incluyendo vehículos autónomos, Robotics y videojuegos. Proporciona un marco para implementar agentes racionales que pueden equilibrar el comportamiento reactivo y deliberativo. Aunque no asegura todas las características asociadas con agentes inteligentes, como creencias privadas o comunicación, ofrece un enfoque estructurado para la programación de agentes. La influencia del modelo se extiende a sistemas multi-agente y modelado basado en agentes, y sigue siendo un tema de investigación en Artificial intelligence y ciencia cognitiva.
A partir de principios de la década de 2020, BDI continúa siendo estudiado y extendido, con esfuerzos para integrar mecanismos de aprendizaje y abordar desafíos computacionales. Sus fundamentos formales, como BDICTL y LORA, proporcionan una base para verificar el comportamiento del agente, aunque las implementaciones prácticas a menudo simplifican estas lógicas. El énfasis del modelo en actitudes mentales ofrece un enfoque inspirado en humanos para diseñar sistemas inteligentes, distinguiéndolo de arquitecturas puramente reactivas o puramente deliberativas.