VANTAGENS E DESVANTAGENS NO USO DE SISTEMAS INTELIGENTES

De modo geral, resumem-se algumas vantagens da utilização de DCNs para modelar processos complexos:

• Modularidade, a qual permite a construção de grandes modelos a partir da conexão de modelos menores.

• Conectividade, a qual reflete a capacidade de agrupamento de diferentes mapas.

• Não é necessária a existência de um modelo matemático do sistema a ser modelado.

• Capacidade de modelagem através de conhecimento empírico e prático de especialistas.

• Capacidade de treinamento e aprendizado da DCN, a partir de dados históricos do sistema, a qual possibilita minimizar ou suprimir dificuldades de aquisição de conhecimentos especialista no desenvolvimento do modelo. Este treinamento pode ser realizado de modo on-line ou off-line.

• Flexibilidade na documentação do conhecimento empírico do sistema através de um agrupamento intuitivo de causas e efeitos, na qual todas ou as principais variáveis do processo são relacionadas.

• Existência de um tratamento matemático para os modelos baseado na teoria de grafos.

• Capacidade de tomada de decisão através da inserção de base de regras na camada superior da arquitetura proposta.

• Capacidade de refinamento em tempo real de acordo com mudanças nas variáveis de ambiente, através da incorporação de um algoritmo de aprendizado por reforço.

No entanto, encontraram-se duas dificuldades na modelagem por mapas cognitivos: A primeira dificuldade está na abstração do conhecimento através de mapas que relacionam as variáveis do problema e as causas entre elas. Deste modo, após a familiarização com este tipo de modelo, as relações e os conceitos passam a ser de fácil leitura.

Outra desvantagem está na necessidade de desenvolvimento de uma interface de entrada e saída para se condicionar os sinais dentro das faixas de operação do mapa e a correspondência entre os valores atingidos e as variáveis controladas. Apesar de existir uma correspondência entre os conceitos e as variáveis reais, garantindo uma boa interpretabilidade do modelo (semelhante aos dos sistemas fuzzy), os valores assumidos por estes conceitos não tem nenhuma relação com seus valores reais, como acontece com os valores dos neurônios nas redes neurais.

Uma terceira desvantagem reside no fato de que, como as outras técnicas inteligentes tais como sistemas fuzzy e RNA entre outros, as redes dinâmicas cognitivas são heurísticas, e não se pode garantir uma solução ótima.

7.3 CONTRIBUIÇÕES

Essa Tese desenvolveu uma metodologia para modelagem de sistemas inteligentes baseada em redes dinâmicas cognitivas, que são um tipo de mapa cognitivo,

com aplicações em diferentes áreas de conhecimento. Os mapas cognitivos são representações mentais em que o conhecimento é modelado e organizado de uma forma estruturada e incremental. Esse conhecimento inicialmente modelado pode ainda ser otimizado, adaptado e /ou ajustado através de dados empregando metaheurísticas, como por exemplo, algoritmos genéticos, técnica de inteligência coletiva ou até mesmo por um processo de aprendizagem reversa empregando RNA.

Durante o desenvolvimento da Tese, estudos iniciais para construção de modelos cognitivos determinaram a inclusão nos mapas cognitivos de novos tipos de conceitos e relações que permitiram abstrair conhecimento qualitativo na forma de eventos e aumentou a capacidade de inferência de um mapa cognitivo. Como foi observado nos resultados de navegação robótica, ainda é possível fazer um ajuste e/ou refinamento dinâmico em um modelo inicialmente proposto empregando algoritmos de aprendizagem por reforço. Deste modo, a arquitetura cognitiva proposta baseada em DCN é um modelo inteligente híbrido que pode ser utilizado para a construção de controladores e/ou máquinas de inferência em diferentes áreas de conhecimento.

De fato, a metodologia baseada em DCN proposta é uma ferramenta computacional híbrida apropriada para a criação de modelos a partir do conhecimento explícito qualitativo originário de especialistas humanos e em seguida adaptado e sintonizado a partir de conhecimento implícito, embutido em um conjunto de dados obtidos on-line através de sensores ou de um banco de dados histórico.

Os resultados simulados apresentados neste trabalho credenciam a metodologia baseada em DCN proposta para a modelagem de sistemas dinâmicos. Diferentes propostas de técnicas computacionais inteligentes foram utilizadas na otimização, aprendizado, adaptação e tomadas de decisão do modelo inteligente de acordo com a aplicação modelada.

Em especial, um sistema supervisório foi desenvolvido para um processo de fermentação. Apesar de apenas a tarefa de geração de set-point para o nível regulatório da planta ter sido apresentada, outras funções pertinentes aos sistemas supervisórios tais como detecção de falhas, monitoração, diagnósticos entre outras podem ser facilmente incluídas no supervisor. Cada uma delas corresponderia a uma DCN que seria conectada às outras através de conceitos comuns.

Também um sistema de navegação autônoma híbrido foi desenvolvido. O sistema combina uma camada reativa e uma camada deliberativa numa arquitetura de subsunção de Brooks. Este navegador foi validado através de simulação e em experimento com um robô real.

De um modo geral, espera-se ter contribuído com o desenvolvimento de uma metodologia para a modelagem de sistemas inteligentes baseado em DCN com as seguintes características:

• Flexibilidade para agrupar diferentes modelos cognitivos, permitindo a inclusão de novas funcionalidades em sistemas já existentes, característica herdada dos FCM (KOSKO E DICKERSON, 1994, 1996) como na coleta de alvos do navegador robótico e na inclusão de funções de geração de set-point no fermentador.

• Combinação de várias técnicas inteligentes para refinamento e/ou adaptação do modelo baseada em dados (treinamento) e/ou interação com o ambiente (aprendizado por reforço).

• Um sistema construído em duas etapas que coexistem, em um nível básico, com decisões mais simples (tomadas de decisões de baixo nível) e em um nível estratégico para a ocorrência de eventos, como mostrou o desenvolvimento da DCN dos capítulos 5 e 6.

• De acordo com a construção da DCN citada acima, pode ser observada a portabilidade de modelos FCM. Essa característica é devido à primeira etapa, na qual se modela as relações de causa e efeito e os conceitos, de modo semelhante à construção de um FCM clássico. Essa identificação inicial pode ser observada nos trabalhos de Miao e colaboradores (2001, 2010).

• Um sistema inteligente fácil de embarcar, como no experimento com robô real do capítulo 6.

• Uma ferramenta de documentação do conhecimento, ou seja, a DCN apresenta uma representação que após a elaboração do modelo final é mais fácil de ser interpretada por especialistas que conhecem o modelo físico.