Por quê utilizar Sistemas Especialistas

Desde o início do uso de SE já se utilizavam motores "probabilísticos". O 1º SE de uso real, o MYCIN (que realizava diagnósticos médicos), era baseado em regras com "probabilidade" de ocorrência59do tipo:

Se SINTOMAS = (FEBRE, VÔMITO, DIARREIA) E IDADE_PACIENTE = (0_À_10_ANOS) ENTÃO DOENÇA = DESIDRATAÇÃO [PROB. REGRA = 65%]

Desta forma se chega a conclusão de que não se está tão fora do que se espera de um SE tradicional, com um mecanismo probabilístico melhorado em anexo.

O motivo que indica esta classe de SE é o fato de que se lida com a "incerteza". Quando se diz "incerteza" refere-se ao fato de que apesar de haverem diversas aplicações com suas jogadas, não existe ainda uma maneira confiável de se obter uma análise dos objetivos e da estratégia, bem como da “previsibilidade” de quais seqüências de ações irão obter o resultado esperado de outra forma que não seja a das séries estatísticas. Pelo que se verificou, uma abordagem estatística (resultados de diversas aplicações) e probabilística (probabilidades das decisões mais resultados conhecidos) pode resolver de forma satisfatória o problema de criar um SSD para JE.

Não se deve esquecer que se está atuando sobre um jogo, que como na vida real, possui diversos “atores” diferentes, cada um com um comportamento e “visão” próprios da aplicação, agindo e reagindo de maneiras diversas e “imprevisíveis”, sem uma análise estatística que permita definir o comportamento mais comum ou esperado em situações complexas semelhantes. Desta maneira se quer que o SE reaja da maneira mais “previsível” para atingir o objetivo do jogo.

Isto gera situações curiosas, em que as decisões computadas são contrárias ao que o senso “comum” de diversos especialistas recomendariam, sem uma análise mais profunda de fatores “escondidos” sob os números considerados para a tomada de decisão. Ou seja, normalmente uma certa combinação de fatores “deveria” ser tratada de uma maneira, mas outros fatores “escondidos”, que normalmente não são considerados por baixa ocorrência

58

Nossa preferência de nome para o conjunto clássico. 59

As probabilidades eram utilizadas pela heurística dos SE para determinar a ordenação das regras (qual era testada primeira) até se atingir uma função objetivo.

ou influência em situações normais, encontram-se em uma situação de exceção, que recomenda a ação sugerida pelo SE.

Estes fatores “escondidos” normalmente são de tal ordem subjetivos ou específicos para cada caso, que mesmo com o uso de outras técnicas (e.g. fuzzy) o especialista não se lembra de colocá-las no sistema, além de serem de difícil expressão60 na base de conhecimento do sistema.

A maneira usual para tais eventos serem tratados é através de uma análise estatística quanto a sua ocorrência e posterior tratamento por generalização, uma vez que são exceções que ocorrem sob combinações específicas das variáveis analisadas. Uma solução “geral” para estes casos, mesmo que não seja a ideal caso-a-caso, normalmente resolve satisfatoriamente por retira-la desta posição na jogada seguinte.

Ainda existe o problema da explosão combinatória das regras. Em SE convencionais e fuzzy quanto maior o volume de variáveis, maior o n.º esperado de regras que devem ser supridas. Normalmente, para sistemas como o que se desenvolveu, estas regras “devem ser” bidirecionais, ou seja, a análise realizada pelo motor de inferência das regras deve permitir que se avance das premissas às conclusões e, se necessário, das conclusões se possa voltar às premissas. Como não se tem a "certeza" como base deste sistema o uso de motores de inferência convencionais forçaria à inclusão de um volume de pelo menos o dobro de regras, um conjunto premissasñ conclusões, outro conclusõesñ premissas, com

as suas respectivas probabilidades, permitindo então que o mesmo pudesse responder a questões do tipo:

"Em um dado questionário de avaliação de perfis61para contratação de empregados alguém respondeu x para a pergunta A e y para a pergunta B, a probabilidade de que seja o tipo Z é de w%"; mas se quiser-se ter certeza de que o tipo seja Z com probabilidade de 100% (para fins de seleção, etc.) então ainda se fariam as perguntas A e B? E quais seriam as respostas que se gostaria que fossem dadas (deveriam ser dadas)? Será que ainda seriam x e y, ou as melhores não seriam agora k e j ou l62?

Desta forma se tem um conjunto muito grande de regras (combinação n questões por m respostas por o tipos por y características desejadas ou esperadas), de forma que um

60

Explicação dada pelos especialistas à regra e a razão para a criação da mesma. 61

A maioria dos sistemas de avaliação de perfis se baseiam em análises estatísticas de questionários, e.g.: MBTI – Myers-Briggs Type Indicator (Indicador de Tipo Myers-Briggs) [MYE85 e MYE87] e Multipolaridade Cerebral, de Miranda [MIR97].

62

sistema tradicional ficava virtualmente inviável para as limitações de tempo e recursos desta tese.

No caso de SE neuronais poder-se-iam empregá-los se não fossem duas dificuldades:

• o custo computacional na reconstrução da rede interna do sistema para cada mudança ou acréscimo de informação (jogadas, aplicações e variáveis analisadas). Não que o seu uso seja impossível, mas o modelo de redes neuronais não é adequado quando o que se busca não é o crescimento do conhecimento63 para uma situação totalmente nova, que deve ser feita baseada no conhecimento existente e no método de tentativa e erro. Aqui as decisões possíveis não mudam, o que pode ocorrer é uma mudança na distribuição das jogadas, o que a princípio exigiria somente o recálculo das probabilidades das regras para as jogadas, deixando todo o resto igual, e; • a falta de um mecanismo de explicação do por quê da obtenção dos

resultados. Como são baseados em um sistema de “caixa preta”, em que camadas de neurônios escondidos são aplicados ao processo de aprendizagem e decisão, os sistemas neuronais mostram-se extremamente complexos para que sejam criadas ferramentas de explicação das decisões tomadas. Tão complexas que acabaria-se criando um outro sistema, quer de regras de produção, probabilístico ou fuzzy, para explicar-se os resultados. Utilizar um SE Fuzzy? Não parece o caso. Toda a construção do modelo Fuzzy ou Difuso é melhor aplicada no grau ou crença na possibilidade de classificação de um evento, não se prendendo ao "detalhe" de qual é sua probabilidade conhecida ou esperada de ocorrência.

Exemplo: "Digamos que alguém esteja levantando o perfil de candidatos ao cargo de digitador, quais as características que são mais importantes? Quais as respostas que um candidato deve dar para ter a possibilidade de vir a ser um bom digitador? Qual é a possibilidade do candidato que tenha um perfil diferente do esperado seja ainda assim um excelente profissional, ou quem sabe melhor?"

Mais informações, mais regras a serem previstas, mais tempo e CPU necessárias, sem responder as perguntas: "Será que tal sofisticação é necessária? Gera resultados tão

63

superiores aos outros que valha a pena investir neste modelo?" Muitas perguntas, poucas respostas, nenhuma "certeza".

Outras categorias de SE? Não é de conhecimento deste autor de outras linhas de pesquisa que divirjam destes 4 grandes (Regras, Probabilísticos, Neuronais e Fuzzy), todos são uma coleção de variações sobre estas 4 linhas, combinando-as de maneiras diversas.

Resta portanto uma análise das vantagens que os SEP possuem para uso neste sistema proposto:

• Quanto à manipulação da "incerteza 64 ", os SEP podem apresentar divergências, mas serão originadas por problemas na definição de variáveis e tamanhos de amostras, que podem gerar erros na escolha pelo motor de probabilidade da melhor resposta.

• Quanto à explosão de regras, os SEP lidam melhor com isto pois, como são baseados em sua maioria nas teorias bayseanas, tendem a pressupor um estado neutro65, que só é modificado se houverem regras que tratem desta mudança.

Isto significa que se não houvesse uma maneira de se definirem todas as regras do sistema, o sistema mesmo assim funcionaria66, o que é o objetivo final.