Agenti intelligenti: il cammino verso l’AI che comprende e supporta

Negli ultimi decenni, la società ha subito una trasformazione profonda. I ritmi di vita si sono accelerati, le strutture familiari si sono diversificate e le esigenze quotidiane sono mutate di conseguenza. Il lavoro ha invaso sempre più spazi personali, la mobilità è diventata una necessità costante e il tempo dedicato alla cura di sé e degli altri sembra ridursi inesorabilmente. In questo scenario, la tecnologia è un elemento di supporto, ma il suo ruolo va oltre: contribuisce attivamente a ridefinire il nostro modo di vivere e interagire con il mondo.

L’automazione e l’intelligenza artificiale stanno diventando sempre più rilevanti in risposta alle nuove esigenze della società contemporanea. La crescente richiesta di assistenza domestica, di strumenti per la gestione delle attività quotidiane e di supporto per le fasce più vulnerabili della popolazione riflette un bisogno che va oltre la semplice comodità. Si tratta di una necessità legata all’equilibrio tra tempo, benessere e qualità della vita. La tecnologia, in questo contesto, può offrire soluzioni efficienti, capaci di adattarsi alle esigenze delle persone e di personalizzarsi nel tempo.

La tecnologia come presenza accudente

L’introduzione di agenti intelligenti nei contesti domestici, professionali e sanitari rappresenta una prospettiva concreta per affrontare questa trasformazione. Se in passato il concetto di assistenza era legato esclusivamente alla presenza umana, oggi l’idea di un supporto continuo e contestualizzato grazie all’intelligenza artificiale sta prendendo piede. L’adozione di questi sistemi, tuttavia, non può essere guidata esclusivamente dall’innovazione tecnologica, ma deve tenere conto delle implicazioni sociali, etiche e culturali. La vera sfida è sviluppare tecnologie avanzate che si integrino armoniosamente nella vita delle persone, rispondendo a esigenze concrete e favorendo una società più sostenibile e inclusiva.

Sarebbe affascinante immaginare un ritorno a un’epoca in cui la cura della casa e delle persone non era soltanto un compito, ma un’arte tramandata con dedizione. Un tempo, nelle famiglie, c’era sempre qualcuno che vegliava sugli altri con discrezione: una nonna che conosceva le abitudini di ogni membro della casa, una zia nubile che si occupava della gestione domestica con attenzione quasi invisibile, un maggiordomo nei contesti più aristocratici, che anticipava i bisogni prima ancora che fossero espressi.

Oggi, in un mondo dai ritmi frenetici, la tecnologia potrebbe restituire questa forma di presenza accudente, non per sostituire il calore umano, ma per supportarlo. Un assistente robotico che non si limiti a eseguire comandi, ma che impari nel tempo le abitudini di chi lo circonda, riconosca i piccoli dettagli quotidiani che rendono la vita più fluida e sappia quando è il momento di intervenire senza dover essere esplicitamente chiamato in causa.

Un maggiordomo artificiale potrebbe occuparsi della casa con la stessa dedizione di una figura familiare, ricordando le preferenze di ogni membro, adattandosi ai cambiamenti nello stile di vita, prevedendo esigenze future con sensibilità e intelligenza.

Questa idea di assistenza potrebbe non limitarsi al solo contesto domestico, un sistema capace di comprendere chi assiste e di accompagnarlo nella quotidianità potrebbe rivelarsi prezioso anche in altri ambiti.

Pensiamo all’assistenza sanitaria, una tecnologia che monitori con discrezione lo stato di salute di una persona anziana o fragile, che suggerisca azioni preventive o segnali anomalie prima che diventino emergenze. Oppure immaginiamo un tutor intelligente, capace di affiancare bambini e ragazzi nel loro percorso educativo, riconoscendo le loro difficoltà e adattando il proprio approccio per favorire un apprendimento più naturale e coinvolgente.

L’interazione uomo-robot, quindi, può estendersi ben oltre la gestione della casa. Un agente intelligente potrebbe diventare una guida, un sostegno discreto che si integra nei diversi momenti della vita, offrendo assistenza e accompagnando le persone nel loro percorso, senza mai imporsi, ma diventando parte del loro equilibrio quotidiano.

L’idea di un assistente in grado di comprendere il contesto, anticipare i bisogni e interagire in modo naturale con le persone si collega direttamente al concetto di agente intelligente. In ambito informatico, un agente è un sistema software o robotico dotato di capacità percettive e decisionali, capace di operare in autonomia per raggiungere obiettivi specifici. A differenza di un semplice programma che esegue istruzioni predefinite, un agente intelligente analizza l’ambiente circostante, elabora informazioni in tempo reale e adatta il proprio comportamento in base alle situazioni che incontra.

L’evoluzione di questa tecnologia ha portato alla nascita di agenti sempre più sofisticati, capaci di apprendere dall’esperienza, collaborare con altri agenti e interagire con gli esseri umani in modi che fino a poco tempo fa sembravano fantascienza. Oggi, questi sistemi trovano applicazione in diversi ambiti, dall’assistenza sanitaria all’educazione, dalla gestione delle città intelligenti alla robotica collaborativa.

Agenti intelligenti e scenari applicativi

L’assistenza agli anziani e l’invecchiamento sano sono temi sempre più centrali nelle agende politiche e sociali. L’aumento dell’aspettativa di vita porta con sé nuove sfide: garantire alle persone una qualità della vita elevata anche in età avanzata e, allo stesso tempo, sostenere un sistema sanitario che deve rispondere a un numero crescente di richieste di assistenza. Gli agenti intelligenti possono contribuire in questo contesto affiancando medici e caregiver, monitorando parametri di salute e suggerendo attività per stimolare la mente e il corpo. Il loro ruolo si estende alla vita quotidiana, offrendo supporto discreto e continuo.

Anche nel campo dell’educazione e della formazione, i sistemi interattivi basati su agenti intelligenti stanno trasformando il modo in cui le persone apprendono. Un assistente educativo può adattare il proprio approccio in base alle esigenze dello studente, fornendo spiegazioni più dettagliate quando rileva una difficoltà o proponendo esercizi personalizzati per rafforzare le competenze. L’apprendimento dinamico e su misura risulta particolarmente efficace nei contesti in cui i metodi tradizionali non riescono a soddisfare le necessità di tutti gli studenti, come nelle classi numerose o nella didattica a distanza.

Gli agenti intelligenti e la gestione di ambienti complessi

L’impiego degli agenti intelligenti si estende anche alla gestione di ambienti complessi, come le città intelligenti e le infrastrutture automatizzate. Sistemi capaci di analizzare in tempo reale i flussi di traffico, ottimizzare i consumi energetici o coordinare l’intervento dei servizi di emergenza sono già una realtà in molte metropoli, e il loro sviluppo sta evolvendo rapidamente. In questi scenari, la capacità di interpretare il contesto e prevedere le esigenze degli utenti gioca un ruolo essenziale nel migliorare l’efficienza e la sostenibilità delle città del futuro.

L’interazione tra esseri umani e sistemi intelligenti

Tutti questi ambiti condividono un elemento fondamentale: l’interazione tra esseri umani e sistemi intelligenti. Questa relazione non può ridursi alla semplice esecuzione di comandi, ma deve basarsi su una comprensione più profonda del contesto e sull’adattamento alle dinamiche complesse della realtà quotidiana. Qui emergono le sfide chiave della comunicazione uomo-macchina, e gli agenti intelligenti rappresentano un paradigma tecnologico in grado di affrontarle.

Un assistente intelligente deve rilevare segnali di affaticamento, riconoscere cambiamenti nelle abitudini e interpretare il linguaggio del corpo per offrire un supporto realmente utile. Lo stesso vale per il settore educativo, dove un agente di apprendimento deve individuare le difficoltà di uno studente e adattare il proprio metodo in tempo reale. In questi contesti, la tecnologia non può limitarsi a rispondere a input predefiniti, ma deve essere in grado di comprendere intenzioni, interpretare situazioni e adattarsi a scenari imprevisti.

Dai computer ai compagni digitali

Gli agenti intelligenti offrono un modello in cui le macchine non eseguono semplicemente istruzioni, ma sviluppano capacità di apprendimento e adattamento. Dai semplici strumenti esecutivi si passa a sistemi capaci di comprendere e rispondere alle esigenze dell’utente. Questo cambiamento segna una nuova fase nello sviluppo dell’intelligenza artificiale: dai computer ai compagni digitali.

Affinché questa evoluzione diventi concreta, restano diverse sfide da affrontare. La progettazione di agenti intelligenti non si limita alla potenza computazionale, ma tocca aspetti come la trasparenza nei processi decisionali, la fiducia nelle interazioni uomo-macchina e le implicazioni etiche. Un agente deve spiegare perché ha preso una decisione e su quali informazioni si è basato. In ambiti critici, come la sanità, comprendere il ragionamento dell’AI è essenziale per garantire sicurezza e affidabilità.

Un’altra sfida riguarda la comprensione del linguaggio naturale: interagire con un agente deve essere un’esperienza intuitiva, senza la necessità di adattarsi a comandi rigidi o a frasi strutturate in modo artificiale. Inoltre, la fiducia degli utenti è centrale: accettare una tecnologia autonoma significa percepirne il funzionamento come trasparente e prevedibile. La ricerca sta lavorando per rendere gli agenti più affidabili, migliorando la spiegabilità e integrando principi etici nei processi decisionali.

Gli agenti devono essere scalabili e interoperabili, in grado di comunicare con diversi dispositivi e adattarsi a infrastrutture esistenti. Il paradigma agent-based consente di modellare sistemi capaci di operare in ambienti complessi, interagire con gli utenti e prendere decisioni in modo autonomo e contestualizzato.

Una breve panoramica teorica sugli agenti intelligenti

La nozione di agente intelligente ha assunto diverse sfumature nel corso degli anni, ma una delle definizioni più consolidate è quella proposta in [1][2][3], secondo cui un agente è ‘‘un sistema software o hardware situato in un ambiente, capace di percepirlo attraverso sensori, di agire in modo autonomo e di perseguire obiettivi specifici attraverso il proprio comportamento proattivo, reattivo e socialmente interattivo’’.

Questa definizione mette in evidenza tre proprietà chiave. Un agente è proattivo, perché non si limita a rispondere passivamente agli stimoli, ma persegue attivamente i propri obiettivi. È reattivo, poiché è in grado di rispondere a cambiamenti nel suo ambiente. Infine, può essere socialmente interattivo, ovvero cooperare o competere con altri agenti o con esseri umani per raggiungere determinati scopi.

Queste caratteristiche distinguono gli agenti da altri sistemi software più tradizionali, rendendoli particolarmente adatti a operare in ambienti complessi e dinamici. Tuttavia, non tutti gli agenti intelligenti hanno lo stesso livello di sofisticazione. In base alla loro capacità di elaborazione delle informazioni e di pianificazione delle azioni, è possibile distinguere diverse tipologie di agenti.

Agenti reattivi      

I sistemi più semplici sono quelli reattivi, che basano il loro comportamento su regole di risposta diretta agli stimoli ambientali. Un agente reattivo non costruisce una rappresentazione esplicita del mondo, ma agisce sulla base di associazioni predefinite tra input e output. Questa architettura, pur essendo computazionalmente efficiente e adatta a scenari con dinamiche rapide, mostra limiti evidenti quando si tratta di prendere decisioni complesse o di adattarsi a situazioni impreviste.

Agenti deliberativi

Un livello superiore di sofisticazione è rappresentato dagli agenti deliberativi, che possiedono una rappresentazione interna dello stato del mondo e utilizzano meccanismi di pianificazione per scegliere le azioni più appropriate. Questi agenti non reagiscono istantaneamente agli stimoli, ma valutano il contesto e simulano l’effetto delle loro decisioni prima di agire. Questo approccio, pur offrendo maggiore flessibilità e adattabilità, richiede capacità computazionali superiori e può risultare meno efficiente in situazioni che richiedono risposte rapide.

Agenti BDI (Belief-Desire-Intention)

Uno degli sviluppi più avanzati nell’ambito della progettazione degli agenti è rappresentato dal modello Belief-Desire-Intention (BDI) [4][5], che si ispira al modo in cui gli esseri umani prendono decisioni. Un agente BDI mantiene una struttura cognitiva basata su tre componenti fondamentali:

• Belief (credenze) – una rappresentazione dello stato del mondo, costruita sulla base delle percezioni e delle conoscenze pregresse.
• Desire (desideri) – gli obiettivi che l’agente intende raggiungere, anche se non necessariamente perseguibili contemporaneamente.
• Intention (intenzioni) – il sottoinsieme dei desideri che l’agente sceglie effettivamente di perseguire in un determinato momento, guidando le sue azioni.

Questa architettura consente di progettare agenti in grado di prendere decisioni basate su un ‘‘processo ragionato’’, valutando l’ambiente attuale in relazione agli effetti delle proprie azioni e le possibili alternative. Inoltre, il modello BDI permette di integrare una rappresentazione della conoscenza più strutturata e dinamica, facilitando la capacità degli agenti di adattarsi a situazioni mutevoli e di rispettare vincoli normativi o regole imposte dal contesto in cui operano. Per realizzare sistemi capaci di operare in ambienti complessi, non basta fornire un modello decisionale astratto: è necessario integrare strumenti per la gestione della conoscenza e per il rispetto delle norme, due aspetti che analizzeremo in dettaglio nelle prossime sezioni.

Il ruolo della proattività negli agenti intelligenti

Tra le proprietà che definiscono un agente intelligente, la proattività è forse quella che meglio distingue questi sistemi da software più tradizionali. Un agente proattivo non aspetta passivamente un comando o un evento esterno per reagire, ma è in grado di formulare azioni e iniziative basate su una propria valutazione del contesto e dei suoi obiettivi.

Questa capacità rappresenta un passo fondamentale nell’evoluzione dei sistemi intelligenti. Un software convenzionale risponde a input specifici e segue un flusso predefinito di operazioni, mentre un agente proattivo monitora costantemente l’ambiente, valuta le informazioni disponibili e pianifica azioni in base a ciò che ritiene necessario per il raggiungimento dei suoi obiettivi.

Pensiamo a un agente progettato per assistere un anziano: un sistema puramente reattivo potrebbe limitarsi a segnalare un promemoria per l’assunzione di farmaci o rispondere a richieste esplicite. Un agente proattivo, invece, potrebbe riconoscere variazioni nelle abitudini della persona, adattare i suoi suggerimenti in base al comportamento osservato e persino anticipare situazioni di rischio, come una diminuzione dell’attività fisica o segnali di affaticamento.

Questa caratteristica diventa ancora più importante quando si considera la capacità di prendere decisioni autonome. Per operare efficacemente in scenari dinamici, un agente deve valutare continuamente le proprie credenze, i propri obiettivi e le opportunità disponibili, scegliendo le azioni più appropriate senza dover attendere istruzioni esplicite.

Il modello BDI esemplifica bene il ruolo della proattività: un agente dotato di credenze (Belief), desideri (Desire) e intenzioni (Intention) non si limita a reagire agli eventi, ma seleziona obiettivi, li confronta con le condizioni attuali e prende decisioni basate su priorità e vincoli. Questo approccio lo rende particolarmente adatto a contesti in cui non è possibile prevedere in anticipo tutte le situazioni che potrebbe incontrare.

Il ciclo di ragionamento di un agente BDI e la proattività

Un agente realizza la sua proattività attraverso quello che si chiama ciclo di ragionamento di un agente BDI, che descrive il modo in cui il sistema prende decisioni in base alle informazioni percepite e ai suoi obiettivi. Il funzionamento di un agente BDI può essere schematizzato in un ciclo iterativo, che prevede i seguenti passaggi:

1. Percezione dell’ambiente – L’agente raccoglie informazioni attraverso sensori o input digitali e aggiorna le proprie credenze (Belief) sullo stato del mondo.
2. Revisione delle credenze – Sulla base delle nuove informazioni, l’agente aggiorna la propria rappresentazione del contesto, modificando credenze obsolete e integrando nuovi dati.
3. Selezione degli obiettivi – L’agente valuta i suoi desideri (Desire), ovvero gli obiettivi potenzialmente perseguibili, e seleziona quelli più rilevanti in base alla situazione attuale.
4. Formazione delle intenzioni – Tra gli obiettivi identificati, l’agente sceglie un sottoinsieme di intenzioni (Intention), ovvero gli obiettivi che si impegna concretamente a realizzare. Questa selezione può dipendere da fattori come priorità, risorse disponibili e vincoli ambientali.
5. Pianificazione e azione – L’agente elabora un piano per raggiungere le intenzioni selezionate, eseguendo azioni nell’ambiente e monitorando il loro effetto.

Questo ciclo si ripete continuamente, permettendo all’agente di adattarsi dinamicamente ai cambiamenti del contesto. L’aspetto chiave della proattività emerge nella fase di selezione degli obiettivi: l’agente non attende un input esplicito per agire, ma decide autonomamente quali obiettivi perseguire e quando modificarli in base alle nuove informazioni raccolte.

Dall’agente BDI alla programmazione robotica: il ruolo del sensing continuo

L’implementazione di un modello BDI trova applicazione concreta nella robotica intelligente, dove la capacità di prendere decisioni proattive è cruciale. Un robot autonomo deve (i) percepire continuamente il suo ambiente e (ii) aggiornare la propria rappresentazione del mondo in tempo reale, al fine di adattare il proprio comportamento a situazioni impreviste.

Nei robot di servizio o nei robot assistivi, il sensing continuo gioca un ruolo chiave. Sensori di prossimità, telecamere, microfoni e dispositivi biometrici forniscono un flusso costante di dati che l’agente deve interpretare per aggiornare le proprie credenze e prendere decisioni informate. Ad esempio, un robot domestico può rilevare se una persona mostra segni di fatica e suggerire una pausa. In un contesto assistivo, un robot per anziani è in grado di riconoscere variazioni nei movimenti e adattare il proprio comportamento per offrire supporto senza risultare invasivo. Nell’ambito educativo, un robot può valutare il livello di attenzione di uno studente e modificare il ritmo delle spiegazioni per favorire l’apprendimento.

La stretta relazione tra percezione, aggiornamento delle credenze e decisioni autonome fa sì che gli agenti BDI siano particolarmente adatti alla programmazione robotica.

L’architettura BDI ha trovato applicazione concreta in diversi framework per la programmazione di agenti intelligenti, dimostrandosi un modello efficace per lo sviluppo di sistemi autonomi. Questi strumenti permettono di sviluppare agenti in grado di percepire l’ambiente, aggiornare la loro conoscenza e prendere decisioni basate su obiettivi e vincoli. Tra i più noti troviamo JASON e JADE [6][7], e altri strumenti sviluppati in ambito accademico e industriale:

• JASON è un framework basato su Java che implementa il modello BDI. Consente di scrivere agenti intelligenti attraverso un linguaggio di programmazione dichiarativo, definendo credenze, desideri e intenzioni in modo strutturato. È spesso utilizzato per simulazioni multi-agente e applicazioni robotiche.
• JADE (Java Agent DEvelopment framework) è un framework per la programmazione di agenti distribuiti. Sebbene non sia specificamente BDI, è molto utilizzato per la creazione di sistemi multi-agente, soprattutto in scenari industriali e di telecomunicazione.
• GOAL e 2APL sono altri linguaggi per la programmazione di agenti BDI, più orientati alla ricerca e allo sviluppo di nuove architetture cognitive.
• ROSPlan, parte dell’ecosistema ROS [8], integra concetti di pianificazione con architetture agent-based per la robotica, avvicinandosi alla gestione di ambienti dinamici.

In figura è mostrato un semplice esempio di un programma che definisce un agente, le sue credere ed i suoi piani.

Grazie a framework come JASON, è possibile implementare agenti reattivi e deliberativi con un buon livello di autonomia. Tuttavia, esistono ancora sfide aperte, soprattutto per quanto riguarda:

• L’interazione in ambienti dinamici – un agente deve aggiornare continuamente la sua conoscenza e adattarsi a nuove situazioni.
• La rappresentazione della conoscenza – attualmente, molti agenti lavorano su credenze esplicite, ma l’integrazione con modelli più avanzati, come i Knowledge Graph [9], è ancora un’area di ricerca attiva.
• Il rispetto di norme e vincoli – la capacità di seguire regole e adattarsi a nuove restrizioni è un tema cruciale, soprattutto in ambiti come la robotica assistiva e l’AI etica.

Un altro aspetto da tenere in considerazione è: come gli agenti intelligenti costruiscono ed aggiornano la conoscenza. Così come un essere umano, per prendere decisioni efficaci in ambienti complessi, un agente intelligente non può basarsi esclusivamente su regole predefinite o su una conoscenza statica. Deve invece essere in grado di costruire, aggiornare e utilizzare dinamicamente una rappresentazione del mondo.

Uno dei punti di forza del modello BDI (Belief-Desire-Intention) è proprio la capacità di gestire una conoscenza interna che evolve nel tempo. La componente Belief (credenze) rappresenta lo stato attuale del mondo secondo l’agente, ed è costantemente aggiornata attraverso il sensing continuo e le interazioni con l’ambiente. Questo permette agli agenti di non agire su dati obsoleti, ma di adattare le proprie decisioni in base a informazioni sempre aggiornate.

Tradizionalmente, i sistemi basati su intelligenza artificiale si affidavano a basi di conoscenza statiche, ovvero insiemi di regole e fatti che rimanevano invariati nel tempo. Tuttavia, in scenari reali, queste conoscenze possono diventare rapidamente obsolete o incomplete.

Per affrontare questa sfida, l’uso di agenti intelligenti richiede modelli dinamici di rappresentazione della conoscenza, capaci di acquisire continuamente nuove informazioni dall’ambiente attraverso sensori e interazioni. La loro base di conoscenza deve essere costantemente aggiornata, eliminando dati obsoleti o incoerenti per mantenere una visione accurata della realtà. Inoltre, l’integrazione di informazioni provenienti da fonti eterogenee, come sensori fisici, database e altri agenti, consente di migliorare l’affidabilità e la completezza delle decisioni prese dal sistema.

Un esempio concreto di questo approccio è l’uso di Knowledge Graph (grafi della conoscenza) e basi di conoscenza semantiche, che permettono di rappresentare in modo strutturato entità, relazioni e concetti, aggiornandoli dinamicamente in base ai nuovi dati raccolti.

Riconoscere, comprendere ed apprendere sonoaspetti cruciali quando un robot deve rispettare norme o vincoli contestuali. Ad esempio, un robot assistivo in una struttura sanitaria deve conoscere e applicare regolamenti specifici sulla sicurezza, aggiornando la propria rappresentazione delle procedure a seconda delle situazioni che incontra.

L’uso di una rappresentazione dinamica della conoscenza non si limita a migliorare la capacità decisionale degli agenti, ma apre la strada a sistemi che seguono regole e norme in modo adattivo. Se un agente è in grado di aggiornare la propria conoscenza sulle normative di un ambiente, può comportarsi in modo conforme senza necessità di una riprogrammazione manuale.

Questo punto ci porta ad una domanda: come gli agenti possono integrare norme e vincoli nelle loro decisioni, garantendo un comportamento sicuro e prevedibile?

Norme e vincoli nei sistemi ad agenti: una sfida aperta

Per operare in ambienti reali, gli agenti intelligenti devono rispettare vincoli fisici, sociali e contestuali. Un robot di servizio, ad esempio, deve adattarsi alle regole di un ospedale o di una casa di riposo, garantendo sicurezza e trasparenza nelle interazioni. Tuttavia, le norme non sono statiche e possono variare in base alla situazione, rendendo necessaria una gestione flessibile. Un agente che segue regole predefinite rischia di non adattarsi a scenari imprevisti, mentre un sistema capace di aggiornare la propria conoscenza può operare in modo più efficace.

Un approccio promettente consiste nel rappresentare esplicitamente la conoscenza attraverso tre categorie chiave: oggetti, ovvero gli elementi con cui l’agente interagisce, azioni, che definiscono le operazioni possibili, e norme, che regolano l’esecuzione delle azioni sugli oggetti. Questa struttura permette di modellare relazioni dinamiche, rendendo la conoscenza adattabile e interpretabile.

I Knowledge Graph, integrati con gli agenti intelligenti, offrono un modello efficace per organizzare informazioni in modo flessibile. In questa rappresentazione, gli oggetti sono nodi, le azioni collegano questi nodi e le norme stabiliscono le condizioni di validità delle connessioni. Questo approccio consente agli agenti di interrogare la propria base di conoscenza in tempo reale, aggiornando vincoli e regole in base alle nuove informazioni.

Ad esempio, un robot assistivo può verificare se è autorizzato a somministrare un farmaco o se deve prima ottenere conferma. Se una prescrizione viene aggiornata, il knowledge graph si modifica automaticamente, evitando errori e garantendo un comportamento sempre conforme. L’integrazione di questa rappresentazione con i framework di programmazione degli agenti è una sfida ancora aperta, ma rappresenta un passo fondamentale per sviluppare sistemi autonomi capaci di rispettare vincoli contestuali e normativi, operando in modo sicuro ed efficiente.

Dai singoli agenti ai sistemi multi-agente: collaborazione e coordinamento

In scenari complessi, un singolo agente intelligente potrebbe non essere sufficiente per risolvere tutti i problemi. In molte applicazioni reali, è necessario che più agenti collaborino, scambiandosi informazioni e distribuendo i compiti in modo efficiente. Questa esigenza ha portato allo sviluppo dei sistemi multi-agente (MAS, Multi-Agent Systems), in cui più entità intelligenti interagiscono tra loro per raggiungere obiettivi comuni o competere in un ambiente condiviso.

I sistemi multi-agente offrono vantaggi significativi:

• Distribuzione delle responsabilità – ogni agente può specializzarsi in un compito specifico, rendendo il sistema più scalabile.
• Robustezza e adattabilità -se un agente fallisce, gli altri possono adattarsi e compensare il problema.
• Efficienza nell’esecuzione di compiti complessi – la suddivisione delle attività riduce i tempi di elaborazione e migliora la gestione delle risorse.

In un ospedale intelligente, ad esempio, un sistema multi-agente può coordinare il lavoro tra robot di assistenza, software di gestione delle emergenze e agenti virtuali che forniscono informazioni ai pazienti. In logistica, più agenti possono organizzare il flusso delle merci e ottimizzare le rotte di trasporto.

L’approccio multi-agente è già impiegato con successo in diversi ambiti dell’intelligenza artificiale e della robotica. Per esempio, la robotica collaborativa permette a flotte di robot di operare insieme in magazzini automatizzati, come nel caso di Amazon Robotics, o in missioni di esplorazione spaziale, come i robot della NASA. Nel settore della mobilità, i sistemi di trasporto intelligenti ottimizzano il flusso dei veicoli, contribuendo a ridurre la congestione e i consumi energetici. In ambito finanziario, agenti autonomi analizzano i mercati e prendono decisioni di investimento, mentre nel settore dell’intrattenimento, i personaggi non giocanti (NPC) dei videogiochi e delle simulazioni interagiscono dinamicamente con l’ambiente e con gli utenti.Nella robotica di servizio, i sistemi multi-agente possono migliorare l’interazione con l’utente: un assistente robotico potrebbe delegare compiti a un altro agente specializzato, ad esempio per raccogliere dati medici o suggerire azioni basate sullo stato di salute di una persona.

A che punto siamo con l’uso degli agenti intelligenti in Robotica e in AI

Ma, a che punto siamo con l’uso degli agenti intelligenti in Robotica e in AI?

Dal punto di vista implementativo, i sistemi basati su agenti intelligenti sono ormai consolidati in diversi settori, ma esistono ancora sfide aperte che ne limitano l’applicazione in scenari più complessi. Nella tabella che segue si propone una panoramica.

Gli sviluppi attuali suggeriscono che il prossimo passo per gli agenti intelligenti sarà l’integrazione con modelli di apprendimento avanzati e con architetture che permettano loro di ragionare in modo più complesso. I sistemi multi-agente, combinati con knowledge graph e tecniche di AI generativa, potrebbero portare a una nuova generazione di agenti capaci di apprendere, spiegare e interagire in modo naturale con l’ambiente e con gli esseri umani.

Questo ci porta al prossimo tema: l’integrazione tra agenti intelligenti e modelli avanzatidi AI, come i Large Language Models (LLM) [10], un’area in forte crescita e con enormi potenzialità.

Explainability e trust: rendere i robot più trasparenti e affidabili

L’interazione tra esseri umani e sistemi intelligenti non si basa solo sulle capacità tecniche dei robot, ma anche sulla fiducia che gli utenti ripongono in essi. Se un sistema è percepito come opaco o imprevedibile, l’utente potrebbe sentirsi a disagio o addirittura rifiutare di utilizzarlo. Ecco perché il concetto di explainability (spiegabilità) è diventato cruciale: un robot non deve solo prendere decisioni, ma deve essere in grado di spiegare il perché delle sue azioni in modo comprensibile per l’essere umano.

Questa capacità migliora la fiducia nell’interazione, rendendo il sistema più prevedibile e gestibile. Un assistente intelligente che riesce a comunicare il motivo per cui suggerisce una certa azione o per cui segue una determinata strategia risulta più accettabile e utile per l’utente.

Ma come possiamo implementare questa caratteristica in agenti e sistemi multi-agente?

Gli agenti intelligenti sono naturalmente predisposti a supportare l’explainability grazie alla loro struttura basata su credenze (Belief), obiettivi (Desire) e intenzioni (Intention).

Un agente BDI può spiegare il proprio comportamento indicando quali credenze ha utilizzato per valutare la situazione, quali obiettivi ha ritenuto prioritari e perché ha selezionato una certa azione invece di un’altra.

Il progetto di ricerca ETHIC

Nel Laboratorio di Robotica dell’Università degli Studi di Palermo, da anni lavoriamo nelle direzioni delineate in questo articolo, sviluppando sistemi intelligenti in grado di operare in ambienti complessi. I nostri progetti si concentrano sull’integrazione di agenti intelligenti e modelli avanzati di intelligenza artificiale, con particolare attenzione alla spiegabilità, alla fiducia e all’adattabilità dei robot in contesti reali.

Uno dei principali progetti di ricerca è ETHIC, che mira a dotare i robot di un modello computazionale di introspezione etica. Il concetto alla base è che un robot possa valutare le proprie azioni in modo simile all’”esame di coscienza” umano, esaminando i propri processi decisionali e allineandoli a valori compatibili con quelli umani. L’obiettivo è sviluppare agenti in grado di riflettere sulle proprie scelte, giustificarle e, se necessario, adattare il proprio comportamento in funzione di principi etici e norme contestuali.

Il progetto MHARA

Un altro ambito di ricerca riguarda l’invecchiamento sano, con il progetto MHARA, che esplora l’uso della Human-Robot Interaction (HRI) per il supporto agli anziani. Il progetto prevede la progettazione di robot collaborativi e socialmente interattivi capaci di assistere e motivare le persone in attività quotidiane come cucinare, fare la spesa e svolgere esercizio fisico. Qui studiamo l’integrazione tra agenti intelligenti e modelli linguistici avanzati LLM, per migliorare la capacità dei robot di comprendere e simulare il linguaggio interiore umano, favorendo un’interazione più naturale ed efficace.

Il progetto ADVISOR

Nell’ambito della telemedicina e dell’assistenza domiciliare, il progetto ADVISOR si propone di sviluppare robot assistivi trasparenti e affidabili. Uno dei problemi principali nell’adozione della robotica in contesti domestici è la difficoltà per gli utenti di interpretare il comportamento del robot e comprenderne lo stato decisionale. Per affrontare questa sfida, ADVISOR integra tecniche di spiegabilità e fiducia, studiando come il robot possa comunicare i propri processi decisionali agli utenti, migliorando l’accettazione e l’interazione.

Il progetto I-TROPHYTS

Nel settore della riabilitazione motoria, il progetto I-TROPHYTS esplora l’uso della robotica e dell’IoT per il monitoraggio e la supervisione delle attività di riabilitazione. Utilizzando robot umanoidi e spazi intelligenti, il sistema raccoglie dati fisiologici e stress-correlati, adattando dinamicamente gli esercizi di riabilitazione alle condizioni del paziente e garantendo una supervisione personalizzata.

Tutti questi progetti sono portati avanti in collaborazione con altri atenei e centri di ricerca italiani, creando un network di ricerca multidisciplinare che unisce competenze in robotica, intelligenza artificiale, psicologia e scienze cognitive. L’obiettivo è sviluppare soluzioni innovative che rendano i robot più adattabili, trasparenti e capaci di interagire efficacemente con gli esseri umani, contribuendo all’evoluzione delle tecnologie assistive e alla loro integrazione nella società.

L’intelligenza artificiale sta assumendo un ruolo sempre più rilevante nella vita quotidiana, contribuendo a costruire sistemi capaci di interagire e supportare le persone in modo efficace. Il futuro degli agenti intelligenti dipenderà dalla capacità di bilanciare autonomia e trasparenza, efficienza e fiducia, innovazione e responsabilità. Il futuro deve andare verso la progettazione di tecnologie che arricchiscano la società e sviluppino sistemi in grado di comprendere il contesto e di adattarsi alle esigenze umane con intelligenza e consapevolezza.

Bibliografia

Zhao, W. X., Zhou, K., Li, J., Tang, T., Wang, X., Hou, Y., … & Wen, J. R. (2023). A survey of large language models. arXiv preprint arXiv:2303.18223, 1(2).

Van der Hoek, W., & Wooldridge, M. (2008). Multi-agent systems. Foundations of Artificial Intelligence, 3, 887-928.

Wooldridge, M., & Jennings, N. R. (1995). Intelligent agents: Theory and practice. The knowledge engineering review, 10(2), 115-152.

Hogg, L. M., & Jennings, N. R. (1997, November). Socially rational agents. In Proc. AAAI Fall symposium on Socially Intelligent Agents (pp. 8-10).

Rao, A. S., & Georgeff, M. P. (1995, June). BDI agents: from theory to practice. In Icmas (Vol. 95, pp. 312-319).

Rao, A. S. (1996, January). AgentSpeak (L): BDI agents speak out in a logical computable language. In European workshop on modelling autonomous agents in a multi-agent world (pp. 42-55). Berlin, Heidelberg: Springer Berlin Heidelberg.

Bordini, R. H., Hübner, J. F., & Wooldridge, M. (2007). Programming multi-agent systems in AgentSpeak using Jason. John Wiley & Sons.

Bellifemine, F., Poggi, A., & Rimassa, G. (1999, April). JADE–A FIPA-compliant agent framework. In Proceedings of PAAM (Vol. 99, No. 97-108, p. 33).

Quigley, M., Conley, K., Gerkey, B., Faust, J., Foote, T., Leibs, J., … & Ng, A. Y. (2009, May). ROS: an open-source Robot Operating System. In ICRA workshop on open source software (Vol. 3, No. 3.2, p. 5).

Chen, X., Jia, S., & Xiang, Y. (2020). A review: Knowledge reasoning over knowledge graph. Expert systems with applications, 141, 112948.