Contattataci

Struttura del corso

Introduzione ai Sistemi Multi-Agente

  • Panoramica sugli agenti, sugli ambienti e sui modelli di interazione
  • Cooperazione, competizione e autonomia nei sistemi basati su agenti
  • Applicazioni in settori come la logistica, la robotica e il supporto decisionale

Concetti Fondamentali sull’Architettura degli Agenti

  • Confronto tra agenti reattivi e deliberativi
  • Protocolli di comunicazione e modelli di coordinazione
  • Rappresentazione della conoscenza e gestione dello stato condiviso

Implementazione degli Agenti in Python

  • Creazione di agenti tramite il framework Mesa
  • Modellazione dell’ambiente e delle interazioni tra agenti
  • Simulazione dei comportamenti degli agenti e visualizzazione dei risultati

Coordinazione e Comunicazione tra Agenti

  • Scambio di messaggi e architetture basate su memoria condivisa
  • Processi di negoziazione, raggiungimento del consenso e assegnazione dei compiti
  • Algoritmi di coordinamento (rete contrattuale, approcci basati sul mercato, modelli swarm)

Apprendimento e Adattamento nei Sistemi Multi-Agente

  • Applicazione del reinforcement learning a più agenti contemporaneamente
  • Dinamiche di apprendimento cooperativo e competitivo tra agenti
  • Utilizzo di PettingZoo e Stable-Baselines3 per lo sviluppo del MARL

Computazione Distribuita e Scalabilità dei Sistemi

  • Utilizzo di Ray per la simulazione distribuita a più agenti
  • Gestione della concorrenza e dei processi di sincronizzazione
  • Parallelizzazione delle elaborazioni e gestione ottimale delle risorse condivise

Collaborazione tra Esseri Umani e Agenti

  • Progettazione di interfacce utilizzabili per la coordinazione in cui gli esseri umani svolgono un ruolo attivo
  • Creazione di flussi di lavoro ibridi che integrano l’assistenza decisionale fornita dall’IA
  • Aspetti etici e operativi da considerare nella pratica

Progetto Finale

  • Progettare e implementare un sistema multi-agente in Python
  • Dimostrare le capacità di coordinazione e apprendimento dei vari agenti
  • Presentare i risultati delle simulazioni e analizzarne le prestazioni

Sintesi e Prospettive Future

Requisiti

  • Buona padronanza della programmazione in Python
  • Conoscenza adeguata del reinforcement learning o della progettazione di agenti IA
  • Familiarità con i concetti legati ai sistemi distribuiti e alle reti informatiche

Destinatari

  • Architetti di sistemi che progettano strutture AI collaborative o distribuite
  • Ricercatori impegnati nello studio della coordinazione e dell'intelligenza collettiva
  • Ingegneri che sviluppano flussi di lavoro ibridi tra esseri umani e agenti multipli
 28 ore

Numero di Partecipanti


Prezzo per partecipante

Corsi in Arrivo

Categorie relative