• Causal Models
• Causal Networks
• DO operation
• Learning Algorithm
• Multiagent Systems

I modelli Causali sono strumenti importanti nel mondo dell’AI. Nell’ultimo periodo, si osserva una crescente attenzione su di essi. L’obiettivo generale della tesi è lo studio e l’applicazione del Ragionamento Causale in un ambiente Smart Home multi-agente. I passi del processo di ragionamento, insieme con la Ladder of Causation introdotta da Pearl, sono la chiave per la comprensione dei Modelli Causali. Il lavoro analizza anche un altro importante strumento per l’espressione di causa in un sistema: le Reti Bayesiane. Queste sono considerate portatrici sia di probabilità che di causalità. Gli importanti concetti di intervention e conterfactual sono essenziali per la formulazione dell’approccio utilizzato. Infatti, essi sono i punti chiave nell’algoritmo di learning di modelli causali che viene applicato. L’algoritmo, in congiunto con l’ambiente di simulazione iCasa, sfrutta la possibilità di apprendere un modello causale da zero, a volte solamente tramite dati osservazionali, anch’essi derivanti dal sistema di simulazione. Questo è oggetto di test che vogliono analizzare i risultati ottenuti a partire da configurazioni di rete differenti. Il lavoro vuole estendere l’algoritmo verso una dimensione multi-agente, con l’intento di migliorare performance e risultati. Anche questa parte è soggetta a test. Questo primo approccio multi-agente può aprire la strada a future implementazioni della fase di learning, ma anche porre le basi per la realizzazione di un protocollo standard di comunicazione tra agenti, dove lo scambio di messaggi è la novità che viene introdotta nell’algoritmo per ottenere collaborazione e cooperazione tra di essi.

Causal Models are an important instrument in the AI world. In the last period, it is observable a growing attention on them. The general objective of the thesis is the investigation and application of Causal Reasoning in a Smart Home multi-agent environment. The steps of the reasoning process, joined with the Ladder of Causation introduced by Pearl, are the key for the comprehension of Causal Models. The work also analyzes another important instrument for the expression of causation in a system: Bayesian Networks. They are marked both as carriers of probability and causality. The important concepts of intervention and counterfactuals are essential for the formulation of the used approach. Indeed, they are the key concepts in the applied learning algorithm of causal models. The algorithm, in conjunction with the iCasa simulation environment, exploits the possibility to learn a causal model from scratch, sometimes only requiring observational data, also coming from the simulation system. This is object of tests aimed to analyze results from different configurations of network parameters. The work wants to extend the algorithm toward a multi-agent solution, with the intent of improving performances and results. Tests are executed even on this part. This first multi-agent approach can open the way for future implementations of the learning phase, but also lay the foundations for the realization of a standard communication protocol between agents, where the exchange of messages is the novelty introduced in the algorithm, in order to realize collaboration and cooperation between them.