ALGORITMO PARA CONSTRUÇÃO DE UMA DCN

A construção de uma DCN (quadro 3) segue inicialmente os mesmos passos utilizados no desenvolvimento de mapas cognitivos e mapas cognitivos Fuzzy, e que foi apresentado na quadro 1 do capítulo 3. Entretanto, para a construção de tomadas de decisões estratégicas, devem-se acrescer mais etapas ou passos no desenvolvimento da DCN.

A utilização do algoritmo acima para modelagem de sistemas dinâmicos pode sofrer pequenas alterações, dependendo do tipo de problema que se quer modelar (controle supervisório, robótica, mundo virtual, tomada de decisão, etc.). Por exemplo, pode não ser necessário o uso de relações fuzzy ou de conceitos do tipo variação. Ou ainda, pode não ser necessária uma etapa de treinamento ou de aprendizado. Também os algoritmos utilizados em cada uma das etapas podem ser diferentes. No entanto, a construção de um modelo cognitivo baseado em DCN segue sempre a mesma sequência de etapas mostrada no algoritmo de um FCM clássico.

Etapa 1: Identificação dos conceitos e suas funções (entrada, saída, fator e seleção),

as suas interligações, e / ou seleção das relações entre conceitos, determinando sua natureza causal (positiva, negativa, neutra) e seus tipos (fuzzy, seleção, fator, causal).

Etapa 2: Aquisição de dados inicial, através da opinião ponderada de especialistas e

/ ou análise de um modelo matemático, ou análise de dados e/ou comportamento dinâmico do sistema.

Etapa 3: Apresentação de dados sobre as opiniões de vários peritos para um sistema

de inferência fuzzy que tem como resultado os valores de pesos da DCN.

Etapa 4: A construção da base de regras fuzzy que tem como inferência os valores de

pesos da DCN para as relações fuzzy, caso esse tipo de relação seja implementada.

Etapa 5: Tratamento da informação, adaptação e otimização da DCN, ajustando as

suas respostas para a saída desejada. Caso necessário, são empregados algoritmos de aprendizagem por reforço para refinamento dinâmico do modelo ou qualquer outro algoritmo de treinamento (AG, PSO, hebbiano, etc.).

Etapa 6: Construção da base de regras dos conceitos e relações de seleção, e, caso

seja implementada, construção das regras de aprendizado por reforço.

Etapa 7: Validação do modelo DCN que é testado em condições de operação do

sistema modelado. Quadro 3. Construção de uma DCN Fonte: Autoria própria.

Um dos passos mais importantes na qualidade do modelo obtido está na realização dos passos 1 e 2 do algoritmo acima. De fato, a abstração do conhecimento necessário para a realização dos passos não é uma simples tarefa e se alguma informação relevante ao comportamento do sistema não for modelada, certamente prejudicará as etapas sequentes na construção da DCN.

De um modo geral: as etapas 1, 2 e 3 são semelhantes ao desenvolvimento de um FCM clássico (DCNi) (Identificação, aquisição e números fuzzy). A etapa 4 (relação fuzzy) é específica de uma DCNi, porém modela causa e efeito de modo contínuo e é opcional. A etapa 5 - adaptação (FCM, DCNi ou DCN1). A Etapa 6 - inclusão base de regras (nível estratégico) DCNf ou DCN2. E, finalmente, a etapa 7, etapa de validação do modelo, pode ser usada a cada nível de construção da DCN. Ou seja, inicialmente deve-se validar a DCNi (causa-efeito), depois valida DCNf com a inclusão das ações de planejamento (base de regras, eventos) e A.R. (opcional). Observando-se que: O sucesso das etapas sequentes também depende do sucesso das etapas antecedentes. Deste modo, a validação de cada nível DCN (nível 1 e nível 2) atenua essa dificuldade. Além disso, a DCN nível 2 diferentes funcionalidades podem ser desenvolvidas (modularidade), neste contexto, pode-se valida-las separadamente.

Para facilitar a construção da rede dinâmica utilizando o algoritmo proposto, esta Tese também propõe uma arquitetura para a modelagem do conhecimento baseado em DCN, a qual é mostrada na figura 16.

Figura 16 - Arquitetura DCN Fonte: autoria própria

A arquitetura DCN, como mostra a figura 16, de um modo geral apresenta dois blocos extremos que representam as interfaces de entrada e saída, um bloco inferior que representa o motor de inferência e/ou tomada de decisão. Os dois blocos superiores representam a base de regras e relações para tratamento do conhecimento na forma dinâmica e de eventos. Essa representação em blocos auxilia no entendimento do funcionamento da arquitetura como um todo. Deste modo, as aplicações que empreguem DCN terão representações gráficas semelhantes, basicamente com

diferenças nas variáveis de entrada e saída. Na prática, esses blocos darão origem a conceitos e relações, como por exemplo, os blocos de interfaceamento com o ambiente em que o modelo será inserido, são feitos através de conceitos de entrada e saída da DCN. O bloco Relações causais e fuzzy representa as tomadas de decisões contínuas e representam as suas respectivas relações e os conceitos conectados, o bloco base de regras linguísticas representa as outras relações, em especial, as relações e conceitos de seleção e fator com suas respectivas regras que modelam as ações orientadas pela ocorrência de eventos.

De um modo geral, a arquitetura é baseada numa hierarquia de conhecimento com duas camadas ou níveis. No primeiro nível, o conhecimento é modelado e formalizado através de conceitos e relações causa-efeito, de forma semelhante à construção de um FCM na sua proposta original. No entanto, ainda no primeiro nível, podem ser necessários ajustes através de treinamento e/ou aprendizado por reforço para adequar o modelo inicial aos dados históricos do problema, tal qual foi apresentado no capítulo 3. Também neste nível é possível que as relações causais variantes no tempo sejam modeladas através de funções e/ou através de um sistema fuzzy relacional.

No segundo nível, modela-se um conhecimento heurístico mais ligado à análise avaliativa do ambiente em que está inserido o modelo, uma avaliação se os objetivos e/ou o desempenho do modelo estão sendo atingidos é realizada culminado na tomada de decisão. Em resumo, modela-se um conhecimento relativo ao planejamento estratégico da aplicação. Este conhecimento é modelado através de base de regras fuzzy ou não, as quais são disparadas quando o sistema se encontra em algum estado especial. O resultado da execução dessas regras gera valores de peso para as relações seja na mesma camada seja na camada inferior. Os conceitos inseridos no mapa neste nível em geral são do tipo fator, e tem por função ponderar os diversos conceitos envolvidos na tomada de decisão de acordo com o estado atual da DCN.

Esta proposta de arquitetura explora a capacidade de aquisição de conhecimento estruturado, com diferentes fontes de conhecimento, representadas pelos diferentes blocos. Essas fontes podem ou não ter a mesma origem, o que permite a construção de tomadas de decisões de baixo nível (relações causais) e estratégicas por um especialista ou um grupo de especialistas trabalhando de modo simultâneo ou não.

Neste contexto, essa arquitetura pode ser considerada um “White board” (COPPIN, 2010).