Kasbah es un sistema basado en la web, a través del cual los usuarios pueden crear agentes autónomos para comprar y vender productos. El cual ha sido diseñado para ayudar a los usuarios en la búsqueda y elección del producto que mejor satisfaga sus necesidades. Así como la posterior negociación entre comprador y vendedor con el fin de obtener el mejor precio posible.

El prototipo Kasbah incluye agentes vendedores, agentes compradores y un mercado virtual. Ha sido implementado en CLOS.

Tanto los agentes vendedores o compradores que se generan funcionan de forma autónoma y una vez liberados en el mercado tienen capacidad para negociar y tomar decisiones por si mismo, sin intervención del usuario.

Los agentes vendedores cuentan con los siguientes parámetros:

Fecha deseada de venta: Es la fecha tope o limite para efectuar la venta del producto.

Precio deseado: Es el precio en el que el usuario quiere vender su producto.

Precio mínimo aceptable: Es el menor precio en el que el usuario puede vender su producto.

Mientras los agentes compradores utilizan los siguientes parámetros:

Fecha de compra: Es la fecha tope para efectuar la compra del producto.

Precio deseado: Es el precio que el usuario quiere pagar por el producto.

Precio máximo aceptable: Es el mayor precio en el que el usuario esta dispuesto a pagar por el producto.

Los agentes tanto compradores como vendedores incluyen los siguientes métodos para su interacción, lo cual le permite comunicarse directamente entre ellos.

Accet-offer? (agent_1, agent_2, offer): El agente 2 pregunta al agente 1 si acepta la oferta y este responde “accepted” o “rejected”.

What-is-price? (agent_1, agent_2): El agente 2 le pregunta al agente 1 el precio del producto ofertado. Si el agente 1 es comprador entonces el precio es lo que quiere pagar, pero si es vendedor es le precio en que quiere vender.

What-is-item? (agent_1, agent_2): El agente 2 le pregunta al agente 1 cual es el producto que compra o vende.

En Kasbah los agentes envían sus ofertas a una pizarra común y permanecen inactivos hasta que haya una respuesta.

Actualmente Kasbah negocia con 9 clases de productos, tales como CDs y cámaras, y tiene la ventaja de no requerir que los usuarios permanezcan todo el tiempo a la espera de la negociación.

Otros agentes

MAGMA (Minnesota Agent Marketplace Architecture) es una arquitectura extensible para un mercado virtual basado en agentes, que incluye todos los elementos requeridos para simular un mercado real.

Estos elementos incluyen la infraestructura de comunicaciones, mecanismos para el almacenamiento y la transferencia de los bienes, transacciones bancarias y monetarias, y los mecanismos económicos para las transacciones (directas o a través de intermediarios) entre productor y consumidor.

Además de proporcionar todos los servicios necesarios para las actividades comerciales de los agentes, los cuales estas disponibles a través de una mensajería estándar abierta API, que permite utilizar un conjunto heterogéneo de agentes, independiente de la plataforma y del lenguaje.

La Implementación actual consta de un servidor de retransmisiones (desarrollado en Allegro Common Lisp) y de un conjunto de agentes (escritos en Java), que pueden funcionar en Internet.

Magma incluye varios agentes negociantes, un servidor de publicidad y un banco.

Los agentes negociantes dirigen todo su negocio en el sistema, siendo responsables de la compra y venta de sus productos y de la negociación de los precios. Todos los agentes son funcionalmente independientes y se comunican entre si a través de sokets.

El servidor de publicidad dispone de un servicio de anuncios clasificados que incluyen búsqueda y recuperación de anuncios por categoría.

El banco provee un conjunto básico de servicios financieros incluyendo revisión de cuentas, líneas de crédito y dinero electrónico.

Infilebot Project (Proyecto que se ha estado desarrollando en Barcelona). Recibe una petición del usuario y es capaz de moverse por Internet buscando información relacionada. También filtra la información obtenida, de acuerdo con las necesidades del usuario y obtiene documentos relevantes para el usuario. Aprende de sus propias experiencias pudiendo entonces descubrir el modo mas adecuado de alcanzar objetivos y entiende las peticiones del usuario en lenguaje de alto nivel.

Referencias:

• http://www.firefly.com
• http://www.agents-inc.com
• http://www.bf.cstar.ac.com
• http://www.jango.com
• http://www.magma.ca/~mrw/agents/
• http://pattie.www.media.mit.edu/people/pattie
• http://www.kasbah.media.mit.edu

Los agentes observadores operan autónomamente, observando información específica a eventos. Cuando la información relevante del usuario es encontrada, el agente puede notificar al usuario directamente o guardar la información para accesos futuros. Por ejemplo, se descubrió un número de periódicos electrónicos sobre el Internet el cual podría producir versiones personalizadas del periódico de acuerdo al interés específico del lector, algunos son capaces de alterar suscripciones con una noticia rápida cuando una historia de interés es detectada.

FishWrap, que formó parte de los proyectos de “Noticias del futuro”, es un prototipo de lo que se pretende sean estos periódicos ciberespaciales, una combinación de noticias de diversas fuentes configuradas según los intereses particulares de cada usuario. Una de las conclusiones, aparentemente contradictorias, del departamento de Driscoll es que la producción y distribución de noticias va a ser cada vez mas local, incluso mientras se consolida su naturaleza global.

Está diseñado para direccionar las necesidades de noticias nuevas dentro de la comunidad MIT. Fishwrap intenta balancear un deseo individual de personalización con la necesidad de participar y saber acerca del mundo en general. Fishwrap provee a sus lectores de una ventana (egocéntrica) dentro de los asuntos del mundo, permitiéndole recibir noticias desde su lugar de nacimiento hasta historias de interés personal. Además para las historias seleccionadas personalmente, Fishwrap provee una continua actualización de noticias generales seleccionadas así como conecta a los lectores a la comunidad MIT y al mundo.

Fishwrap se diseño para aceptar noticias tradicionales, historias y contribuciones directas de la comunidad. Los calendarios social y cultural son también reunidos e integrados dentro del sistema. Todos los aspectos que entran al sistema son analizados para sus relación actual o geográfica. Las historias son puestas automáticamente en categorías tales como: “Star Trek”, “Softball”, “inteligencia artificial” o aún “O.J.Simpson”.

El Fishwrap empleó un modelo de noticias automatizado llamado “GLUE” el cual estaba compuesto de componentes interrelacionados que integran una noticia individual: Perfil del usuario, representación del conocimiento, distribuidores de noticias, autentificación, organización de si mismo y de la comunidad, y presentación.

Otro ejemplo de un periódico que notifica a sus lectores cuando cuenta una historia de interés es el Mercury Center de NewsHound. Los usuarios definen un perfil detallando áreas de interés, el cual es entonces remitido por el correo electrónico de NewsHound. Las historias desde varios servicios de cable son buscadas cada hora, y esas que concuerdan con el perfil de usuario son remitidos por correo electrónico al usuario inmediatamente.

NewsHound busca automáticamente las historias y muchos anuncios clasificados en las noticias del San José Mercury News, así como cientos de historias no publicadas en el papel. Selecciona artículos y anuncios que concuerdan con sus criterios y los envía directamente a su dirección de Internet. Los usuarios no tienen que gastar su tiempo buscando su información por que NewsHound hace el trabajo.

Este servicio requería de ser mejorado agregando mas inteligencia dentro del proceso de búsqueda e incluyendo un lazo de retroalimentación , de tal manera que el agente pueda aprender que las historias son realmente de interés para el subscriptor. Sin ese lazo de retroalimentación, el usuario bombardeado con información y eventualmente ignora el agente completamente.

Otras implementaciones de agentes observadores han sido el Personal View de Ziff Davis y el Personal Journal de Dow Jones, ambos son periódicos electrónicos personalizados, y JobCenter, el cual mira o busca propaganda para lugares de trabajo las cuales empatan con lo que el subscriptor quiere. Sin embargo, se podría argumentar que estas implementaciones son sólo search engines (motores de búsqueda) automatizados, así el nivel de inteligencia parece ser bajo.

Personal Journal de Dow Jones y Co. provee al usuario con una versión electrónica personalizada del diario Wall Street basados en los temas de selección de los suscriptores.

Personal Journal considerado el primer periódico electrónico para el cliente que provee una lectura rápida concisa de noticias relevantes e información para profesionales y más. Presenta una combinación del diario Wall Street, resúmenes de negocios y noticias a lo amplio del mundo, deportes y clima, es decir, Personal Journal ofrece un resumen de noticias primero en la mañana y luego también cortos de noticias actualizadas las 24 horas del día.

Personal Journal está disponible las 24 horas del día siete días a la semana, para cualquiera que tenga una computadora basada en Windows y un módem con una velocidad de 9600 o más rápido. Personal Journal no está disponible en Internet.

Ziff Davis Personal View es otro servicio libre de noticias calientes de las mejores fuentes de noticias, sino también filtra o selecciona las noticias, dándole al usuario solamente las historias que quiere seguir. Los usuarios llenan un perfil el cual es usado para seleccionar historias de interés. Entonces Web, página personalizada es creada para cada usuario del sistema.

Un ultimo ejemplo de aplicación es JobCenter que envia anuncios de porciones de trabajo por el correo electrónico. Y funciona a través de una búsqueda automática de los trabajos que concuerden con lo que los empleadores están buscando. Cada día, el JobCenter va a trabajar para emparejar (comparar) cada envío con la última base de datos que ingresa. Los resultados son regresados por correo electrónico.

Agentes de compra comparativa

Los agentes de compras son capaces de hacer comparaciones y encontrar el mejor precio para un artículo. Los vendedores al por menor pueden protegerse a ellos mismos de este tipo de competición dando a sus productos nombres únicos o bloqueando el acceso a los agentes de búsqueda (como está sucediendo a la gente Bargain Finder).

Actualmente, el agente comprobador mejor conocido en Internet es el agente Bargain Finder de Andersen Consuling. Este agente hace comparaciones de los precios de venta para discos compactos (CDs). El Bargain Finder exhibe algunas características de un agente inteligente en el que un número de diferentes partes están envueltas, la operación es remota y la información es difícil de encontrar. Los factores principales que pesan contra la clasificación de la Bargain Finder como un verdadero agente inteligente es que solamente su manejo es un problema de una sola dimensión, a saber, comparando precios para un único producto. No tiene que negociar o deshacerse de nada, así que la “inteligencia” requerida es mínima. La parte inteligente está siendo capaz de hablarles a diferentes vendedores de CD.

Bargain Finder, se ha representado en el ciberespacio como una esfera amarilla con casco de minero y se dedica a buscar discos compactos baratos en Internet. Su misión se ve obstaculizada cuando el vendedor de un disco descubre que está negociando con un agente virtual, en lugar de un ser humano. ShopBot realiza la misma función, pero aprende de sus errores, para que los vendedores no descubran que es una criatura artificial.

Good Shuff Cheap. Con el cual pretenden ofrecer un agente inteligente sin embargo, está restringido a su propia tienda (operación local), y es un poco mas que un motor de búsqueda el cual puede enviar autónomamente correo electrónico.

Agentes notificadores

Jango es un agente notificador de productos en Internet, que utiliza los servicios del buscador Excite y esta basado en la recuperación de información en paralelo de la web.

Cuando un usuario ingresa el nombre del producto que quiere comprar, Jango automáticamente determina que tiendas y sitios son relevantes. Entonces consulta estos sitios y rápidamente prepara informes para el comprador, incluyendo datos tales como: información detallada del producto, análisis comparativo, precio y especificación del producto. En caso que el usuario vaya a comprar, Jango cumplimenta el formulario del pedido.

Un agente de recomendación es capaz de encajar su rendimiento a una preferencia individual aprendiendo de la conducta pasada del usuario. Un número de aplicaciones Internet ayudan al tener habilidad de aprender. Probablemente el mas conocido es el sistema de recomendación de música Firefly.

Originalmente fue llamado servicio de recomendación de música HOMR y fue desarrollada por Agentes Inc.. Es un agente de software capaz de comunicarse con otros usuarios y recomendar música que sabe que disfrutará.

Firefly aprende de sus opiniones e influencia y utiliza esa información para servir mejor sus necesidades. Usa los gustos, opiniones, preferencias e idiosincrasia aún más similares a Ud. en orden a sugerirle nueva música que le podría gustar también. Es el mas usado y exacto y mucha gente lo usa, llegando a ser uno de los más listos.

El efecto ‘aprender’ es ayudado a ser incrementado por la exactitud de las predicciones. Sin embargo este es conseguido por el usuario ingresando mas información sobre él mismo/ella misma.

La predicción está basada sobre correlaciones con lo que otra gente dice, lo que ellos disfrutan escuchando, y aquí entra la inteligencia artificial. Cuando un nuevo artista es añadido al sistema, este no será incluido en las recomendaciones hasta que otra gente haya provisto ratings al artista.

Yahoo usa la tecnología FireFly para personalizar su generador de listas “top” de música y películas.

Otros agentes tales como el Similarities Engine y el WebHunter funcionan de una manera similar. Otra clase de agentes, los cuales ayudan a tener la capacidad de aprender incluye aplicaciones de computadora las cuales automatizan tareas repetitivas. Como el volumen de mensajes electrónicos incrementa, hay un gran potencial de mercado para agentes inteligentes los cuales ayudan a los usuarios a manejar esa información.

NewsWeeder usa técnicas de aprendizaje para encontrar interesantes paginas de web y artículos Usenet. Similarmente, esta aplicación depende de lo que los usuarios digan que encuentren interesante. Muchos pueden encontrar esto molesto. Tal vez un método más útil de encontrar si un articulo es interesante puede ser más efectivo.

The Similarities Engine. Este sistema le recomienda música para que usted pruebe, después de que usted ingresa los nombres de sus discos favoritos. Simplemente ingresa el nombre de los cinco CDs que actualmente son sus favoritos. Dentro de un pequeño período de tiempo usted recibirá sus resultados como un mensaje en el correo electrónico. El mensaje será una lista de temas que el sistema predice que usted también los disfrutará. Este servicio es muy similar al Firefly.

WebHunter es un sistema WWW personalizado que filtra documentos, lo que pretende aliviar el problema que enfrenta el usuario con la sobrecarga de información. El WebHunter le provee con su muy personalizado agente WWW basándose en los documentos WWW que usted ha expresado de su gusto en el pasado.

Eyes. Es un agente autónomo de búsqueda el cual examina continuamente libros recién publicados. A cualquier hora que un libro nuevo coincida con sus especificaciones, la notifica a usted vía correo electrónico.

Open Sesame es un agente que aprende de lo que observa de sus actividades y aprende de aquellas tareas que usted repite una y otra vez. Open Sesame aún mantiene tareas cruciales autónomas que usted puede fácilmente olvidar, como reconstruir su escritorio. Sea si usted es un usuario novato o uno poderoso, Open Sesame hace que su trabajo sea más simple y eficiente.

Los agentes que interactúan en un entorno de software son los llamados softbots (software robots), o knowbots y se definen como agentes inteligentes o asistentes personales electrónicos, también son considerados como robots que habitan en el ciberespacio.

Y es en Internet donde los agentes parecen tener mayor oportunidad de éxito al permitir automatizar la búsqueda de un producto en las mejores condiciones de venta a través de múltiples vendedores simultáneamente. Lo cual permitiría reducir la búsqueda por parte de los compradores a través de numerosas tiendas en línea y ofrecerle un conjunto de variadas ofertas que sean eficientes económicamente.

Por otra parte los agentes realizan comparaciones en línea de forma mas eficiente que las efectuadas convencionalmente, y favorecen la competencia entre empresas productoras.

Otra aplicación es sugerirle al cliente productos basados en la preferencia de otros clientes con gustos similares. También tenemos los agentes intermediarios, los cuales debido a la fragmentación del mercado y la diversidad de proveedores, es posible dividirlos en una serie de componentes para que los intermediarios se ocupen de uno de esos componentes e insertares entre los compradores y vendedores.

Sistemas de comercio electrónico: comprenden desde simples servicios de compra en línea a infraestructura más complejas que proporcionan una amplia gama de servicios.

Estos sistemas implementan un o varias de las etapas siguientes:
1. Identificación de las necesidades del comprador.
2. Elección del producto a comprar.
3. Elección del vendedor donde se realizara la compra.
4. Negociación
5. Compra y envío.
6. Uso y evaluación del producto adquirido.

Para su mejor comprensión los agentes se clasifican en:
1. Agentes de recomendación.
2. Agentes de compra comparativa
3. Agentes notificadores
4. Agentes observadores
5. Agentes de negociación

Agentes de recomendación: tienen como misión realizar recomendaciones a los usuarios de productos que podrían interesarles, basándose en su perfil y en el conocimiento del contexto del negocio. Ejemplo: FireFly.

Agentes de compra comparativa: su objetivo es encontrar al comerciante que ofrece las mejores condiciones de compra de un producto deseado por el usuario. Ejemplo: Bargain Finder.

Agentes notificadores: son los encargados de notificar a sus usuarios la aparición o detección de productos acordes a sus preferencias o necesidades. Ejemplo: Jango.

Agentes observadores: son los que se dedican a observar la información relevante a un usuario para luego notificársela. Ejemplo FishWrap.

Agentes de negociación: pretenden trasladar al mercado electrónico los procesos de negociación que se producen normalmente a la hora de realizar una transacción comercial. Para la cual existen agentes compradores y vendedores que colaboran para llegar a algún acuerdo en a las condiciones de adquisición de un producto. Ejemplo: Kasbah.

Sistemas multiagentes

Son entornos poblados con mas de un agente inteligente donde cada uno de ellos es capaz de tomar sus propias decisiones para alcanzar sus objetivos. Lo que implica tener en cuenta el nivel de cooperación y coordinación entre los distintos agentes y las vías de comunicación.

Descomposición de tareas.

Uno de los problemas de la IAD es como representar los problemas ya que la descomposición de los mismos depende en gran medida de su formulación. La descripción debe incluir la información sobre las características y atributos del problema así como del dominio y del entorno del problema. Una vez dada la descripción de una tarea, la descomposición de una tarea y asignación de subtareas a múltiples agentes se debe tener en cuenta que los agentes tengan capacidad para llevarla a cabo y disponibilidad de recursos.

Las técnicas más empleadas para realizar una descomposición automática de las tareas por parte de los agentes son:
• Tareas inherentes descomponibles: la propia descripción de la tarea incluye su descomposición.
• Descomposición por el programador: esto es muy común en los SCPD
• Planificación jerárquica: es uno de los sistemas más empleados para descomponer de forma automática. Las tareas se definen en forma de planes que satisfacen unos objetivos y da lugar a arboles Y/O. Un plan contiene subplanes.
• Agregación de subtareas: enfoque ascendente en vez del enfoque descendente en la descomposición.