Segundo Tafner et al., 1995, citados por Ara-Souza (2010, p.5), a inteligência artificial é uma área catalisadora do desejo humano de reproduzir inteligência em mecanismos não biológicos e constitui assim um conjunto de técnicas de programação que visam a resolução de problemas. Entre os vários métodos estatísticos existentes para o efeito, Ara-Souza (2010, p.5), citando Rezende, 2004, destaca a
aprendizagem Bayesiana que utiliza um modelo probabilístico baseado no conhecimento prévio do
problema, que é combinado com experiências de modo a determinarem-se as probabilidades de ocorrência finais de hipóteses colocadas.
Assim, as redes Bayesianas (BN – Bayesian Networks) são uma abordagem interpretativa e analítica (por meio de grafos com relações de causalidade) para o raciocínio probabilístico e consistem num método de modelação de apoio à decisão em diversas áreas da ciência.
Mais concretamente são grafos acíclicos direcionados constituídos por nós e relações de natureza probabilística que mostram a sua influência reciproca (Heckerman 1996, p.11).
Uma rede Bayesiana, considerando um conjunto de variáveis X = {X1,…, Xn}, consiste numa estrutura em rede S que codifica uma série de relações n de independência condicionada, relativas ao conjunto X, e um conjunto de distribuições probabilísticas locais P associadas a cada variável. Estes componentes em simultâneo definem a distribuição de probabilidade conjunta de X. Os nós que formam a estrutura S ligam-se um a um fazendo a ligação entre as variáveis X (Heckerman 1996, p.11).
Utilizando a nomenclatura Xipara representar as várias variáveis e nós correspondentes, definem-se
como Paios pais de Xi, sendo portanto Xidenominados de filhos relativamente a cada Pai.
Dadas as relações de independência condicionais definidas pela estrutura S da rede Bayesiana, a distribuição de probabilidade conjunta do domínio de n variáveis, é dada pela Equação 2.1.
26
Os modelos (redes ou estruturas) definidos permitem a avaliação da incerteza através da aplicação do Teorema de Bayes onde a relação entre duas variáveis X1 e X2é definida pela Equação 2.2.
2)
P(X1|X2) =
P(X2|X1)∙P(X1)P(X2)
(Equação 2.2)
A expressão representa a probabilidade de ocorrência de X1 dada a ocorrência de X2.
De forma geral pode caracterizar-se uma rede Bayesiana como um conjunto S = {X; E} onde X representa o conjunto das variáveis e E o conjunto das relações de probabilidade condicionada ou arcos.
As variáveis pai que não influenciam outras variáveis (filhos
) encontram-se em estados definidos
pela chamada probabilidade marginal.
Observe-se como exemplo, a rede Bayesiana representada na Figura 2.11.
Figura 2.11 - Exemplo de rede Bayesiana
É comum definirem-se os estados de uma variável através de uma Tabela de Probabilidade
Condicional (TPC) obtida pela combinação entre os estados e entre os nós pais e filhos.
A TPC da variável X
nda Figura 2.11 com dois estados (sim ou não) e com dois pais X
1e X
2também com estados sim ou não, é dada na Tabela 2.8:
Tabela 2.8 - Exemplo de tabela de probabilidade condicional
Cada coluna da TPC contém as probabilidades condicionais dos estados de Xn dados os estados dos seus pais sendo que a soma das mesmas deve ser igual a 1. Um nó sem pais deverá ser representado por uma TPC constituída apenas por uma coluna onde constam as probabilidades inicialmente definidas para os estados desse nó.
27
Define-se como “evidência” uma variável aleatória que tem valor conhecido e é incluída numa rede Bayesiana de estrutura também conhecida pelo seu utilizador. Esta pode ser definida simplesmente como uma observação (Ara-Souza 2010, p.28). Refere-se assim o conceito de “inferência” que pode ser definido como a “atualização da crença” (belief updating
).
Este é utilizado para demonstrar a atualização de probabilidades por toda a rede Bayesiana dado um conjunto de “evidências”. Segundo Korb & Nicholson, 2004, citados por Ara-Souza (2010, p.35), a “inferência” trata-se de um mecanismo para o cálculo, à posteriori, da distribuição de probabilidade de um conjunto de variáveis dado um conjunto de “evidências”.Serão, de seguida, apresentados alguns desenvolvimentos realizados por vários autores, focados no estudo de acidentes utilizando redes Bayesianas.
Abdat et al. (2014), desenvolveu um método que utiliza as redes Bayesianas para construção de diferentes cenários que podem ser explicativos da ocorrência de acidentes de trabalho relacionados com constrangimento físico (sobre-esforços) nos movimentos dos trabalhadores (OAMD – Occupational Accident with Movement Disturbance). O estudo centrou-se nas indústrias de construção e metalúrgica por serem dos setores mais afetados por acidentes ocupacionais. Kines, 2002, citado por Abdat et al. (2014), refere que estas são indústrias dinâmicas e perigosas devido à natureza complexa das tarefas aí realizadas, aos próprios ambientes de trabalho, à natureza transitória e aos esforços físicos elevados realizados nas tarefas.
O mesmo autor refere que as redes Bayesianas são a melhor maneira de lidar com este tipo de problema porque mostram uma representação adequada dos dados pré-processados permitindo aos especialistas identificar uma série de combinações entre os vários fatores responsáveis pela ocorrência dos acidentes. Além disto, cada combinação é composta por conhecimento qualitativo (fatores dos acidentes) e conhecimento quantitativo (ligações lógicas entre os fatores). Este tipo de representação permite a eliminação de gaps entre os vários tipos de conhecimento, unindo-os num único tipo de representação.
A metodologia utilizada por Abdat et al. (2014) é composta pelas seguintes fases: 1) Pré-Processamento da Informação;
2) Criação dos modelos das redes Bayesianas para a análise de OAMD; 3) Extração de todos os cenários possíveis para a ocorrência de acidentes.
Rivas et al. (2011) aplicaram diversas técnicas utilizando dados de duas empresas do setor mineiro e da construção de forma a determinarem a capacidade de se prever um acidente ou incidente e também a explicá-lo. Testaram técnicas como regras de associação, árvores de decisão, redes Bayesianas,
máquinas de vetores de suporte14 e de técnicas de regressão logística. A informação com a descrição das variáveis foi retirada, para a aplicação das técnicas, de 62 questionários que cobriram a análise de
28
18 acidentes e 44 incidentes. Rivas et al. (2011) concluíram que a utilização de redes Bayesianas, juntamente com as regras de associação, com as árvores de decisão e com vetores de suporte, é uma das técnicas que apresenta melhor desempenho na previsão de acontecimentos.
Martín et al. (2009) utilizaram as redes Bayesianas para estudar as circunstâncias em que certas tarefas, que envolvem a utilização de equipamentos como escadas e andaimes, se encontram. Foram portanto, estudadas tarefas que representam um risco elevado de quedas em altura dos trabalhadores. Os autores estudaram diversas variáveis (causas dos acidentes) como as posturas incorretas na utilização do material o conhecimento inadequado dos trabalhadores relativo às boas práticas de segurança. Foi ainda associado às anteriores, o tempo de realização das tarefas e consequentemente a taxa de ocorrência dos acidentes.
Os autores referiram que as redes Bayesianas são uma ferramenta que interliga as várias causas dos acidentes (ao contrário do que fazem as ferramentas de análise de acidentes convencionais fazem), permitindo a definição de modelos de causalidade de acidentes mais realísticos. Assim, os utilizadores desta ferramenta estatística, possuem informação relevante que pode ser utilizada como input em modelos de gestão para a prevenção dos riscos.